-
公开(公告)号：CN115618035A
公开(公告)日：2023-01-17
申请号：CN202211260773.4
申请日：2022-10-14
Applicant: 北京京航计算通讯研究所
IPC: G06F16/535 , G06F16/583 , G06F16/58 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于图片曝光转化率预测模型的图片推荐方法，属于互联网图片电商搜索技术领域，解决了现有多目标优化方法效果不佳的问题。获取用户注册信息、用户输入的检索词、与检索词匹配的图片信息、用户历史点击图片信息、历史购买图片信息，形成训练样本集。建立图片的曝光转化率预测模型CTCVR并训练，根据损失函数进行反向传播直至收敛。利用模型对所有图片进行处理，得到每张图片的点击率CTR、CVR、CTCVR以及图文相关值IMR,选取IMR值大于阈值的图片，并将选的图片按照CTCVR值由大至小的顺序推荐给用户。实现了一个模型完成多任务多目标的预测，使多个任务目标之间相互促进和约束，提高了模型的泛化性能，解决了深度转化过程中的样本偏差和数据稀疏问题。
-
公开(公告)号：CN111046332A
公开(公告)日：2020-04-21
申请号：CN201911240389.6
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
Abstract: 本发明属于物联网无线数据处理相关技术领域，具体涉及一种在物联网中使用稀疏测量矩阵的压缩数据收集方法。本发明一方面优化稀疏测量矩阵，另一方面使用合适的动态分簇协议，将稀疏测量矩阵的选择与路由协议相结合，保证数据采集的均匀性的同时，有效的减少了数据丢失对数据收集精度的影响，提高了无线传感器节点的数据收集精度。与现有技术相比较，本发明自适应性强：由于物联网系统具有复杂的无线链路结构，无线链路不稳定的情况经常发生，而链路不稳定对稀疏测量矩阵的设计有直接的关系，本发明采用稀疏测量矩阵和分簇路由协议同时优化的方式，能够解决链路不稳定对无线传感器节点数据收集的影响，具有自适应性。
-
公开(公告)号：CN110988921A
公开(公告)日：2020-04-10
申请号：CN201911240179.7
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
IPC: G01S19/20
Abstract: 本发明属于全球卫星导航检测技术领域，具体涉及一种基于改进无迹卡尔曼粒子滤波的RAIM系统。与现有技术相比较，本发明为实现在非高斯观测噪声环境下有效开展接收机自主完好性监测，通过在粒子滤波方法中引入改进后的无迹卡尔曼滤波，通过改进无迹卡尔曼滤波实现粒子滤波中更合理的状态预测和建议密度计算，能够有效避免粒子退化现象，在保障粒子滤波接收机自主完好性监测方法对非高斯观测噪声环境的适应性的同时，也减少了引入无迹卡尔曼粒子滤波所带来的计算量，保证了算法运算效率。因此，该方案既改善粒子滤波退化问题，同时保障该方法对非高斯观测噪声的适应性，通过对无迹卡尔曼滤波的改进也减少来由其导致的计算量。
-
公开(公告)号：CN110967706A
公开(公告)日：2020-04-07
申请号：CN201911240626.9
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
IPC: G01S19/20
Abstract: 本发明属于全球卫星导航检测技术领域，具体涉及一种基于改进无迹卡尔曼粒子滤波的RAIM方法。与现有技术相比较，本发明为实现在非高斯观测噪声环境下有效开展接收机自主完好性监测，通过在粒子滤波方法中引入改进后的无迹卡尔曼滤波，通过改进无迹卡尔曼滤波实现粒子滤波中更合理的状态预测和建议密度计算，能够有效避免粒子退化现象，在保障粒子滤波接收机自主完好性监测方法对非高斯观测噪声环境的适应性的同时，也减少了引入无迹卡尔曼粒子滤波所带来的计算量，保证了算法运算效率。因此，该方案既改善粒子滤波退化问题，同时保障该方法对非高斯观测噪声的适应性，通过对无迹卡尔曼滤波的改进也减少来由其导致的计算量。
-
公开(公告)号：CN115827409B
公开(公告)日：2024-09-03
申请号：CN202211510116.0
申请日：2022-11-29
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种在线算法评估装置及方法，属于人工智能领域以及数字电子领域，解决了现有技术中不能准确分析算法在FPGA上运行时的功耗、算法加速效果以及同类型算法的预测精度的问题。装置包括主FPGA芯片和n个从FPGA芯片；其中n大于等于2；n个从FPGA芯片分别用于运行每一个待评估算法；主FPGA芯片包括信息采集模块，用于采集待评估算法在各从FPGA芯片上执行时的执行过程信息并进行封装；在线分析模块，用于对封装信息进行解析，根据解析后的数据，提取得到各待评估算法相应执行过程的数据，对各待评估算法进行算法能耗、算法效率、算法模型特性分析对比，得到最优算法。实现了对多个待评估算法进行多方位对比分析的目的。
-
Patent Agency Ranking
公开(公告)号：CN116048773B
公开(公告)日：2024-05-28
申请号：CN202211309545.1
申请日：2022-10-25
Applicant: 北京京航计算通讯研究所
IPC: G06F9/50
Abstract: 本发明涉及一种基于波函数坍缩的分布式协作任务指派方法和系统，方法包括以下步骤：对集群中的每个节点进行资源测评，得到每个节点的存储资源值、计算资源值和通信响应频率值；根据当前集群中的闲置节点数和待执行任务的类型确定待执行任务需要的节点数量；获取待执行任务的存储资源预估值、计算资源预估值和通信资源预估值，根据待执行任务需要的节点数量、待执行任务的资源预估值、每个节点的存储资源值、计算资源值和通信响应频率值基于波函数坍缩算法确定待执行任务的执行节点。
-
公开(公告)号：CN116777292B
公开(公告)日：2024-04-16
申请号：CN202310796861.4
申请日：2023-06-30
Applicant: 北京京航计算通讯研究所
IPC: G06Q10/0639 , G06F18/22 , G06F18/23213 , G06F17/18
Abstract: 本发明涉及一种基于多批次小样本航天产品的缺陷率指标修正方法，包括：步骤S1、获取多批次小样本航天产品的质量缺陷率数据；从中提取出每一批质量数据的有效特征；使质量数据的有效特征能够归一化到百万量级产品条件下；步骤S2、基于所述质量数据的有效特征构建出质量数据相似度度量参数；步骤S3、基于质量数据的有效特征和质量数据相似度度量参数，进行缺陷率指标修正；得到符合百万量级产品条件下的质量缺陷率数据。本发明解决了定位产品型号过程中的薄弱环节和缺陷，发现和解决系统质量隐患，支撑产品改进，降低损失。
-
公开(公告)号：CN117211965A
公开(公告)日：2023-12-12
申请号：CN202311199173.6
申请日：2023-09-18
Applicant: 北京京航计算通讯研究所
IPC: F02C9/00
Abstract: 本发明涉及一种发动机燃烧场自动控制方法，方法包括：获取发动机当前环境参量、本周期以及过去2个周期的发动机燃烧室控制参量、10个点位的发动机燃烧室真实压力值、相同点位的发动机燃烧室目标压力值；基于所述发动机当前环境参量、所述发动机燃烧室控制参量、所述10个点位的发动机燃烧室真实压力值和所述相同点位的发动机燃烧室目标压力值构建发动机环境状态空间；将所述发动机环境状态空间输入训练好的发动机燃烧场自动控制模型，生成下一周期的发动机燃烧室控制参量调节发动机燃烧室压力值至所述目标压力值。实现了精确控制及调整发动机燃烧场的多个关键参数使得发动机燃烧过程能够更加准确地达到预期的目标压力值。
-
公开(公告)号：CN113805514B
公开(公告)日：2023-11-03
申请号：CN202111102958.8
申请日：2021-09-17
Applicant: 北京京航计算通讯研究所
IPC: G05B19/042
Abstract: 本发明涉及一种基于FPGA的串口控制指令处理方法以及上位机、下位机，涉及数字电子技术领域，解决智能化和自动化控制逻辑简单的问题，所述方法包括：接收至少一个指令数据，所述指令数据包括；串口标识、控制信息和串口控制指令，所述控制信息表征不同时序控制场景下的控制策略；根据所述串口标识，将各所述指令数据分配至至少一个数据处理模块中，每一个所述数据处理模块对应一个所述串口标识；各所述数据处理模块根据所述控制信息，确定串口控制指令的发送方式；各所述数据处理模块根据所述串口标识，以所述发送方式，将所述串口控制指令发至相应的串口。本发明提供的技术方案能够提高设备的智能化和自动化的程度。
-
公开(公告)号：CN116957051A
公开(公告)日：2023-10-27
申请号：CN202310910682.9
申请日：2023-07-24
Applicant: 北京京航计算通讯研究所 , 北京航空航天大学
IPC: G06N3/0895 , G06V20/13 , G06V10/764 , G06V10/774 , G06N3/0464
Abstract: 提供了一种优化特征提取的遥感图像弱监督目标检测方法，包括以下步骤：S1:获取遥感图像弱监督目标检测数据集，其中所有图像的标签为图像级标签；S2:用带有图像级标签的所述遥感图像弱监督目标检测数据集训练图像多分类的模型，用于提供弱监督目标检测模型的预训练权重参数；S3:构建遥感图像特征精炼模块，集成到弱监督目标检测模型中；S4:使用S2步骤得到的预训练权重参数初始化弱监督目标检测模型的主干网络的参数，并训练所述弱监督目标检测模型；S5:将待检测图像提供给训练好的弱监督目标检测模型，所述若训练好的弱监督目标检测模型输出对待检测图像的目标检测结果。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.032 seconds)
