公开(公告)号：CN116297267A

公开(公告)日：2023-06-23

申请号：CN202310216097.9

申请日：2023-03-08

Applicant: 哈尔滨工程大学

Inventor： 张晓峻 ,  武瑾 ,  申鑫鹏 ,  韩庆国 ,  侯琳琳 ,  刘洋

IPC: G01N21/31 ,  G01N21/33 ,  G16C20/30 ,  G16C20/70 ,  G06N3/0442

Abstract: 本发明提供一种基于紫外可见光谱的海洋水质检测方法，包括：配制溶液；针对不同待测物质获取其不同浓度下的紫外可见光谱的吸光度值；数据预处理：根据朗伯比尔定律中吸光度可叠加性，将提取到的不同待测物质的特征光谱，构成新的数据集；将该数据集中的数据进行分组，分别为60％的训练集、20％的交叉验证集、20％的测试集。根据待测溶质不同浓度下的光谱特征，利用连续投影算法，提取出不同待测物质的特征波段的吸光度值；将获取的数据集，引入长短期神经网络，构建多参数浓度预测模型；模型预测与性能测试。本发明实现多参数的特征提取，实现对海洋水质检测中主要待测参量如化学需氧量、硝酸盐和浊度的精确测量。

公开(公告)号：CN114429570A

公开(公告)日：2022-05-03

申请号：CN202111429857.1

申请日：2021-11-29

Applicant: 哈尔滨工程大学

Inventor： 孙晶华 ,  刘晓瑜 ,  朱怀武 ,  侯琳琳 ,  章贤 ,  车瀚钰

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于更小损失的动态随机性增强的小样本学习方法，该方法包括数据增强和模型设计。所述的数据增强采用基于更小损失的随机自动数据增强策略，以增强数据在特定分布下的随机性。所述的模型架构设计采用三元网络(Triplet network)，训练方式选择预训练模型(Pre‑trained)加微调(Fine‑tune)，利用大数据模型训练的参数,学习了足够的一般性特征的泛化能力，避免模型面临小样本时较快过拟合。一路网络使用动量更新参数，另外两路根据各自的损失值大小来分别采用随机梯度下降与复制随机梯度下降后的参数，目的是使通过动量更新后的参数与另外两路网络参数保持相似但不相同，让神经网络可以充分学习数据中的特征，提高小样本学习模型的精度。

公开(公告)号：CN114429570B

公开(公告)日：2024-10-01

申请号：CN202111429857.1

申请日：2021-11-29

Applicant: 哈尔滨工程大学

Inventor： 孙晶华 ,  刘晓瑜 ,  朱怀武 ,  侯琳琳 ,  章贤 ,  车瀚钰

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于更小损失的动态随机性增强的小样本学习方法，该方法包括数据增强和模型设计。所述的数据增强采用基于更小损失的随机自动数据增强策略，以增强数据在特定分布下的随机性。所述的模型架构设计采用三元网络(Triplet network)，训练方式选择预训练模型(Pre‑trained)加微调(Fine‑tune)，利用大数据模型训练的参数,学习了足够的一般性特征的泛化能力，避免模型面临小样本时较快过拟合。一路网络使用动量更新参数，另外两路根据各自的损失值大小来分别采用随机梯度下降与复制随机梯度下降后的参数，目的是使通过动量更新后的参数与另外两路网络参数保持相似但不相同，让神经网络可以充分学习数据中的特征，提高小样本学习模型的精度。

公开(公告)号：CN116861360A

公开(公告)日：2023-10-10

申请号：CN202310765099.3

申请日：2023-06-27

Applicant: 哈尔滨工程大学

Inventor： 张晓峻 ,  侯琳琳 ,  刘思雨 ,  任子豪 ,  王锋

IPC: G06F18/25 ,  G06F18/213 ,  G06F17/14 ,  G06F17/16 ,  G06N3/02

Abstract: 本发明公开了一种磁异常探测的多特征提取及融合方法，是对磁异常信号的数据进行预处理，选择磁异常信号的时频特征，统计特征，以及目标磁矩特征作为磁异常信号的多特征，并使用核主成分分析法在特征层进行多特征融合，对磁异常信号进行数据处理，为神经网络框架提供有效的输入信息。并且能够在低信噪比下检测出磁异常信号，提高了检测效率，减低了虚假率，提升了神经网络的性能。

公开(公告)号：CN116244627A

公开(公告)日：2023-06-09

申请号：CN202310124759.X

申请日：2023-02-16

Applicant: 哈尔滨工程大学

Inventor： 张晓峻 ,  侯琳琳 ,  任子豪 ,  章贤 ,  王锋 ,  韩庆国

IPC: G06F18/24 ,  G06F18/213 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明提供一种基于全连接神经网络的磁异常探测方法，将弱磁异常探测准换成二分类问题，即识别磁异常信号是否存在于磁异常信号的二分类问题。特征信息的选取是该方法决定分类精度的关键问题。本方法从磁异常信号自身的物理特性出发，选择目标磁矩和最小熵特征作为特征信息，作为神经网络的输入，构建基于全连接神经网络的弱磁异常探测模型，利用此模型对磁场信号进行分类，实现弱磁异常探测，如图3所示。因为本方法在低信噪比下，能够高性能的识别地识别磁异常，并且不需要手动设置检测阈值，有更好的自适应能力。