-
公开(公告)号：CN107194404B
公开(公告)日：2021-04-20
申请号：CN201710237910.5
申请日：2017-04-13
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于卷积神经网络的水下目标特征提取方法。1、将原始辐射噪声信号的采样序列，分成25个连续部分，每个部分再设置25个采样点；2、将第j段数据信号的采样样本做归一化和中心化处理；进行短时傅里叶变换得到LoFAR图；4、将向量赋值到已有3维张量中；5、将得到特征向量输入到全连接层进行分类并计算与标签数据的误差，检查损失误差是否低于误差阈值，若低于则停止网络训练，否则进入步骤6；6、使用梯度下降方法对网络从后向前逐层进行参数调整，并转入步骤2。本发明方法的识别率与传统卷积神经网络算法相比，对特征图层进行了空间信息多维度的加权操作，来弥补因全连接层的一维向量化所带来的空间信息丢失的缺陷。
-
公开(公告)号：CN112541547A
公开(公告)日：2021-03-23
申请号：CN202011466539.8
申请日：2020-12-14
Applicant: 哈尔滨工程大学
Abstract: 支持水下快速目标识别的加权融合权重确定方法，本发明涉及加权融合权重确定方法。本发明涉及加权融合权重确定方法。过程为：1：n个传感器收集声音数据，将每个传感器收集的声音数据均分成m段；2：计算传感器间的传感器支持度和传感器相似性；3：计算传感器内的局部稳定性和局部支持度；4：基于熵权法计算熵权系数；5：计算准则指标的累积贡献率；6：确定各个声音信号段的准则指标；7：确定各个声音信号段对应的权重；8：将原始声音信号数据分为加速和匀速；分别给加速和匀速各一个权重，将加速和匀速的权重分别乘上声音信号段对应的权重，作为二阶权重；9：确定水下快速目标的类别。本发明用于水下快速目标识别领域。
-
公开(公告)号：CN110134803B
公开(公告)日：2020-12-11
申请号：CN201910415146.5
申请日：2019-05-17
Applicant: 哈尔滨工程大学
IPC: G06F16/51 , G06F16/583
Abstract: 基于哈希学习的图像数据快速检索方法，涉及图像数据快速检索方法，属于数据检索技术领域。为了解决现有模型在哈希码生成阶段使用多次松弛会使模型在训练阶段负反馈过程出现偏差的问题。本发明的深度哈希模型包含五个卷积‑池化层、两个全连接层、特征层、哈希层和输出层；并基于三元组约束进行训练，得到训练好的深度哈希模型后，利用深度哈希模型建立样本库，样本库由图像样本及对应的哈希码构成；针对查询图像，利用训练好的深度哈希模型生成查询图像的哈希码；利用查询图像的哈希码与图像样本库进行检索。本发明适用于图像数据检索。
-
公开(公告)号：CN111476321A
公开(公告)日：2020-07-31
申请号：CN202010420676.1
申请日：2020-05-18
Applicant: 哈尔滨工程大学
Abstract: 基于特征加权贝叶斯优化算法的空中飞行物识别方法涉及一种空中飞行物识别方法。本发明是为了解决现有的空中飞行物的识别方法存在的准确率较低的问题。本发明通过对空中飞行物的特征数据分布情况进行分析，将特征重叠部分的分布情况中分布跨度和分布密度作为特征的权值计算依据，将其作为朴素贝叶斯识别模型的输入特征的权重，进而基于特征加权贝叶斯优化算法的结果实现空中飞行物的识别。主要用途飞行物的识别。
-
公开(公告)号：CN111008674A
公开(公告)日：2020-04-14
申请号：CN201911351335.7
申请日：2019-12-24
Applicant: 哈尔滨工程大学
Abstract: 一种基于快速循环单元的水下目标探测方法，涉及水下声纹特征提取技术领域，针对现有技术中的水下目标探测技术存在探测精度低的问题，本发明在对水声信号样本分帧后的片段完成特征提取和特征选择后，将这些特征按时间顺序排列，从而得到由特征组成的时序数据，并利用循环神经网络对时序数据进行处理，以此提高了水下目标探测的准确率并减少了误报率。
-
Patent Agency Ranking
公开(公告)号：CN110110796A
公开(公告)日：2019-08-09
申请号：CN201910392625.X
申请日：2019-05-13
Applicant: 哈尔滨工程大学
Abstract: 一种基于深度学习的海上船舶时序数据的分析方法，它属于时序信息分析技术领域。本发明解决了传统方法对海洋环境下船舶目标时序数据分析结果的准确率低的问题。通过信息融合方式使LSTM模型在迭代中获得更多样化的时序信息，对数据的表征能力更强；根据相邻音频分帧输入特征的相似度对dropout的参数进行调整，达到一种动态反馈的效果，避免过度学习；对音频时序数据的处理和特征提取采用了划分频段分解的思想，先通过二维小波变换进行分解，再通过四组反卷积网络训练卷积核，再按比例抽取卷积核构建新的反卷积神经网络做待测时序数据的特征提取。采用本发明方法对海上船舶的音频时序数据分析结果准确率达到87.8％。本发明可以应用于时序信息分析技术领域。
-
公开(公告)号：CN106067029B
公开(公告)日：2019-06-18
申请号：CN201610348890.4
申请日：2016-05-24
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 面向数据空间的实体分类方法，属于自然语言处理领域。演化环境下，存在无法通过假设实体为静止状态，而对实体进行分类的问题。一种面向数据空间的实体分类方法，首先，针对演化的数据空间实体，提出改进的、演化的K‑Means聚类框架，即定义基于轮廓值和KL‑散度的目标代价函数；其次，设计了一种新颖的数据空间实体相似性度量方法；然后，根据启发式规则，提出演化的K‑Means聚类算法。此外，进一步扩展本章提出的演化聚类框架，以处理簇数量随时间发生变化或者快照实体随时间加入或移除的情况。本发明不仅能高质量地捕获当前实体聚类结果，还能健壮地反映历史聚簇情况。
-
公开(公告)号：CN105956012B
公开(公告)日：2019-04-23
申请号：CN201610251897.4
申请日：2016-04-21
Applicant: 哈尔滨工程大学
IPC: G06F16/28
Abstract: 基于图划分策略的数据库模式抽象方法，本发明涉及数据库模式抽象方法。本发明是要解决忽略了表与表之间的结构紧密性、用户查询偏好信息以及现有方法对模式抽象结果中主题类簇的个数无法做出准确预测的问题，而提出的基于图划分策略的数据库模式抽象方法。该方法是通过一、构建关系数据库的拓扑紧密性矩阵T；二、计算得到表间相似性矩阵ADB；三、得到最终的数据表ti和数据表tj间的相似性计算结果；四、得到最终的表重要性度量结果；五、利用类簇代表检测算法得到结果集合R；六、将数据表ti和数据表tj划分到主题类簇等步骤实现的。本发明应用于数据库模式抽象领域。
-
公开(公告)号：CN108875795A
公开(公告)日：2018-11-23
申请号：CN201810519640.1
申请日：2018-05-28
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于Relief和互信息的特征选择算法，属于计算机算法领域。本发明的步骤如下：(1)将最优特征子集设置成空集，设置最优特征子集权重；(2)选择一个数据中的所有特征中不属于最优特征子集中的特征，将其放入候选最优特征子集中，并通过复合特征评价准则计算当前候选最优特征子集的权重；(3)对此时候选最优特征子集的权重进行评价并更替；(4)去除不符合要求的待选特征；(5)若还有待选特征，则从返回(2)继续计算。否则，算法结束。本发明提供的方法针对Relief特征选择算法只能处理二分类问题而不能处理冗余特征的问题进行改进，提出了基于改进的Relief权重的特征选择算法，使该特征选择算法计算高效的同时具有更高的计算准确率。
-
公开(公告)号：CN108846323A
公开(公告)日：2018-11-20
申请号：CN201810519571.4
申请日：2018-05-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种面向水下目标识别的卷积神经网络优化方法，属于水下目标识别技术领域，本发明将原始声音数据通过短时傅里叶变换等操作转化为灰度声谱图像，之后将单层SAE判别式分类法和多层SAE重建式分类法分别添加到Alexnet模型当中，将灰度声谱图像进行打标签和训练，用灰度声谱图像的70％作为训练集，用其余的30％作为测试集，将训练集和测试集分别应用在改进前的Alexnet模型和改进后的Alexnet模型中进行准确率和训练时间对比实验，并对测试的结果进行分析。本发明对卷积神经网络中的目标分类层进行优化，解决了当前卷积神经网络在水下目标识别领域的分类准确率不高等问题，较改进之前更适用于水下目标识别领域，对水下目标领域取得了更好的分类效果。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.041 seconds)
