-
公开(公告)号：CN115063655B
公开(公告)日：2025-01-07
申请号：CN202111655904.4
申请日：2021-12-30
Applicant: 北京航天自动控制研究所
IPC: G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种融合超列的类激活映射图生成方法，第一步：根据过滤器通道将网络卷积层分为低、中、高区域，并提取每个区域最后一个卷积块作为低、中、高区域三个不同层次的信息；第二步：对d1、d2两个层次的输出特征进行上采样，使其成为低层次的特征维度，然后进行深度拼接，得到特征图，并进行标准化，使其包含的元素范围在[0,1]之间；第三步：将第二步中得到的特征图进行分组批处理，每组特征图采用置信度算法得到每组特征图的置信度；第四步：将所有组的置信度结果进行拼接，得到一个多维向量，对该向量进行软最大(softmax())处理，将结果作为每个特征图的贡献度；第五步：将贡献度与对应的特征图相乘，并将相乘后的特征图相加，获得最终的类激活图。
-
公开(公告)号：CN114563016B
公开(公告)日：2023-09-29
申请号：CN202111669593.7
申请日：2021-12-31
Applicant: 北京航天自动控制研究所
Abstract: 一种基于格兰杰因果分析的冗余惯组故障检测方法，(1)获取惯组标称值数据及多冗余惯组实测值数据；(2)利用惯组标称值构建TVAR模型，并进行模型参数辨识与模型重构；(3)针对多冗余惯组中的每一个惯组均执行如下处理：(a)针对当前惯组的测量值构建TVAR模型，并进行模型参数辨识与模型重构；(b)以惯组标称值为输出，当前惯组的测量值为输入构建外生输入的时变自回归表征模型，并进行模型参数辨识与模型重构；(c)以当前惯组的测量值为输出，惯组标称值为输入构建外生输入的时变自回归表征模型，并进行模型参数辨识与模型重构；(d)计算交互格兰杰因果指数以及每个惯组与惯组标称值之间交互格兰杰因果指数的误差；(4)设定评估原则，评估各个惯组是否出现故障。
-
公开(公告)号：CN115859580A
公开(公告)日：2023-03-28
申请号：CN202211450819.9
申请日：2022-11-18
Applicant: 北京航天自动控制研究所
Abstract: 一种基于多小波动态建模与脉冲神经网络的飞行器决策识别方法，获取多源传感数据、飞行轨道数据与对应的决策指令数据；进行预处理，提高多源传感数据的一致性；利用外生输入的时变自回归理论，构建面向飞行器轨道预测的多源数据时变动力学模型；针对多源数据时变动力学模型参数进行多小波基函数展开，获得多小波时变动力学模型；得到具有稀疏多小波时变优化模型；设计模型参数估计与辨识方法，并基于辨识参数进行模型重构；从辨识出的模型参数中提取其中的时域和频域信息并将其作为后续智能决策模型的输入；构建控制指令生成与智能决策模型，其输入为飞行状态的关键作用信息，输出为决策指令数据，训练后得到控制指令生成与智能决策模型。
-
公开(公告)号：CN114563016A
公开(公告)日：2022-05-31
申请号：CN202111669593.7
申请日：2021-12-31
Applicant: 北京航天自动控制研究所
Abstract: 一种基于格兰杰因果分析的冗余惯组故障检测方法，(1)获取惯组标称值数据及多冗余惯组实测值数据；(2)利用惯组标称值构建TVAR模型，并进行模型参数辨识与模型重构；(3)针对多冗余惯组中的每一个惯组均执行如下处理：(a)针对当前惯组的测量值构建TVAR模型，并进行模型参数辨识与模型重构；(b)以惯组标称值为输出，当前惯组的测量值为输入构建外生输入的时变自回归表征模型，并进行模型参数辨识与模型重构；(c)以当前惯组的测量值为输出，惯组标称值为输入构建外生输入的时变自回归表征模型，并进行模型参数辨识与模型重构；(d)计算交互格兰杰因果指数以及每个惯组与惯组标称值之间交互格兰杰因果指数的误差；(4)设定评估原则，评估各个惯组是否出现故障。
-
公开(公告)号：CN111783942A
公开(公告)日：2020-10-16
申请号：CN202010514718.8
申请日：2020-06-08
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种基于卷积循环神经网络的脑认知过程模拟方法，(1)被试人员按照预设的实验范式流程进行试验，并同步采集被试人员的多通道脑电信号数据；(2)对采集后得到的原始脑电信号进行有效成分提取；(3)确定相关刺激下脑电高效特征；(4)构建双通道检测模型，并获取所述相关刺激下提取的融合特征图；(5)构建区域推荐网络与回归网络；(6)将上述构建的双通道检测模型以及区域推荐网络与回归网络作为脑认知模型，将步骤(1)中所述的相关刺激以及步骤(3)确定的脑电高效特征组成训练数据集，对脑认知模型进行训练，逼近相关刺激信号到脑电信号的认知联系，从而模拟人体对相关刺激的处理能力。
-
Patent Agency Ranking
公开(公告)号：CN111772629A
公开(公告)日：2020-10-16
申请号：CN202010513742.X
申请日：2020-06-08
Applicant: 北京航天自动控制研究所
IPC: A61B5/0476 , A61B5/0484 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/40
Abstract: 本发明涉及一种脑认知技能移植的方法，(1)设计脑电信号采集实验范式与一定相关刺激模式；(2)同步采集多通道脑电信号数据，并对采集后的原始脑电信号进行有效成分提取；(3)确定N个被试人员在相关刺激下的脑电高效特征；(4)构建N个基于卷积循环神经网络的脑认知子模型，并完成模型训练；(5)构建N个脑电信号分类子模型，并完成模型训练；(6)获得N个脑认知分类器；(7)验证N个脑认知分类器的准确度，如果满足要求，则送入后续步骤；否则，返回步骤(4)；(8)构建融合模型并进行测试，得到融合模型的性能属性值；(9)对所述的性能属性值进行判决，若符合要求，则实现脑认知技能移植；否则，返回步骤(8)重新执行，直至符合要求。
-
公开(公告)号：CN102508535B
公开(公告)日：2013-07-24
申请号：CN201110350082.9
申请日：2011-11-08
Applicant: 北京航天自动控制研究所
Abstract: 一种嵌入式计算机信息加固方法及系统，所述系统包括故障检测和异常告警电路、时间服务器、关键信息保护电路、瞬时故障恢复模块和输出控制电路；该方案通过对关键信息进行有效的保护，利用瞬时故障恢复模块使飞行器在发生瞬时故障时，能够实现自主恢复确保飞行成功，具有很高的军事应用价值和社会效益。
-
公开(公告)号：CN119942069A
公开(公告)日：2025-05-06
申请号：CN202411971437.X
申请日：2024-12-30
Applicant: 北京航天自动控制研究所
IPC: G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/049 , G06N3/0464 , G06V10/40 , G06N3/084
Abstract: 本发明涉及一种基于自适应编码的新型脉冲神经网络目标识别方法，设计ANN‑SNN自适应编码器，用于自适应地将输入图像编码为脉冲序列；结合典型的卷积神经网络架构，构建基于脉冲驱动的卷积神经网络模型，用于对输入的脉冲序列进行特征提取；将ANN‑SNN自适应编码器、基于脉冲驱动的卷积神经网络模型以及解码网络进行串联，构建具有层次化的编码‑特征提取‑解码网络架构，即待训练的脉冲神经网络目标识别模型；将由输入图像构成的数据集输入至脉冲神经网络目标识别模型，通过误差在时间和空间两个维度上的传播实现模型训练并完成测试。
-
公开(公告)号：CN111714118B
公开(公告)日：2023-07-18
申请号：CN202010514728.1
申请日：2020-06-08
Applicant: 北京航天自动控制研究所
Abstract: 一种基于集成学习的脑认知模型融合方法，(1)对N个被试人员构建N个脑认知子模型，并完成模型训练；(2)对N个被试人员构建N个脑电信号分类子模型，并完成模型训练；(3)分别融合脑认知子模型与脑电信号分类子模型，从而获得N个脑认知分类器；(4)令N个脑认知分类器在相同刺激下的输出结果组合成输出向量；(5)设计面向脑认知分类器融合的集成学习器，以各个脑认知分类器输出向量作为输入，输出相应刺激的分类识别结果，并完成模型训练；(6)对集成融合模型进行预测分析，得到性能属性值并进行判决，判决融合模型是否符合要求，若符合，则实现脑认知模型的融合；否则，返回步骤(5)重新进行脑认知分类器融合，直至符合要求。
-
公开(公告)号：CN115858808A
公开(公告)日：2023-03-28
申请号：CN202211534339.0
申请日：2022-11-30
Applicant: 北京航天自动控制研究所
IPC: G06F16/36 , G06N5/025 , G06N5/045 , G06N3/10 , G06N3/084 , G06N3/0464 , G06N3/048 , G06V10/82 , G06V10/764
Abstract: 本发明提供一种深度神经网络中关键神经元层次关系的知识图谱表示方法，包括：计算深度神经网络高层卷积层中每个神经元的置信度；根据分类结果，推导出高层卷积层中每个神经元的重要程度；计算获得深度神经网络高层卷积层中各个神经元对当前图像的影响程度，根据高层卷积层中每个神经元对当前图像的影响程度，确定关键神经元，进行关键神经元的可视化；将获得的各个神经元视觉特征图分别标注为神经元的语义特征，并从网络中提取神经元的权重、所在层数信息，将神经元的权重、所在层数信息按照三元组的方式构建关系，并与视觉词典相匹配，生成语义词典；生成可视化知识图谱。本发明实现了深度神经网络的可解释性和用户可读性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.036 seconds)
