-
公开(公告)号：CN111260576A
公开(公告)日：2020-06-09
申请号：CN202010034617.0
申请日：2020-01-14
Applicant: 哈尔滨工业大学
Abstract: 一种基于去噪三维卷积自编码网络的高光谱解混算法，解决了传统端元提取算法无法快速同步获得端元光谱与丰度信息，同时易受到干扰、鲁棒性差的问题。本发明的步骤为：一、基于高光谱体数据结构设计并建立三维卷积自编码网络；二、利用去噪自编码算法采用生成数据集训练网络，提取鲁棒的空谱联合特征；三、设计并实现非负稀疏自编码器，对丰度添加非负性与稀疏性约束，将数据映射到低维信号子空间从而同步获得高精度的端元与丰度信息。本发明的基本思想是采用深层自编码网络提取空谱联合特征，以无监督的方式同步获得影像的端元与丰度信息，解混精度高，适用于高光谱端元提取与丰度反演应用，如城市遥感、精准农业、勘探侦查等，社会经济价值高。
-
公开(公告)号：CN111259913A
公开(公告)日：2020-06-09
申请号：CN202010034575.0
申请日：2020-01-14
Applicant: 哈尔滨工业大学
Abstract: 一种基于词袋模型和纹理特征的细胞光谱图像分类方法，它涉及运用特征提取技术进行细胞光谱图像分类，可用于医学上计算机辅助诊断系统中，提高临床及实验诊断效率和准确率。本发明的步骤为：一、利用显微高光谱成像系统拍摄样本细胞光谱图像；二、对细胞光谱图像进行纹理特征提取和词袋模型计算；三、将得到的词袋纹理特征向量输入加权型SVM多分类模型进行训练，优化分类器参数，并用测试集得出分类精度。本发明的基本思想是不仅运用细胞图像的空间信息，还运用其光谱信息，并在特征提取时将词袋模型和纹理特征融合对细胞图像进行分类，可有效提高细胞图像的分类精度。
-
公开(公告)号：CN109981248A
公开(公告)日：2019-07-05
申请号：CN201910229785.2
申请日：2019-03-25
Applicant: 哈尔滨工业大学(威海)
Abstract: 一种适用于CCSDS‑SDLS协议的GCM改进算法，属于空间网络信息安全技术领域。本发明针对现有的用于CCSDS‑SDLS协议的认证加密算法在适用性、高效性和安全性方面的不足，通过设计更为复杂的时空混沌方程模型,构造更为安全的用于认证的算法；创新设计基于循环群和混沌方程模型的加密改进策略，同时在加密模式上采用了更加随机的加密方法，提高攻击难度。理论分析和实验结果仿真结果表明,本发明算法加密速度快，效率高，安全性好，适用于CCSDS‑SDLS协议，具有广泛的应用前景和实用价值。
-
公开(公告)号：CN105371836B
公开(公告)日：2018-09-25
申请号：CN201510961083.5
申请日：2015-12-18
Applicant: 哈尔滨工业大学
IPC: G01C19/72
Abstract: 本发明公开了一种基于EEMD和FIR的混合型光纤陀螺信号滤波方法，具体步骤如下：步骤一：利用EEMD算法对光纤陀螺信号进行分解，得到各层IMF分量和残差；步骤二：对每层IMF分量进行希尔伯特变换，得到其幅值和瞬时频率，并根据瞬时频率推算出阈值，通过阈值计算权值；步骤三：采用FIR滤波器对每层IMF分量和残差进行FIR滤波处理，得到新的各层IMF分量和残差；步骤四：将被FIR滤波器处理后的新的IMF进行加权重构，最终形成去噪后的结果。本发明综合了两种方法的优势，通过EEMD方法提高数据分解精度，再用FIR滤波器方法进一步进行低通滤波，提高了EEMD信号处理时的频率精度，使得滤波效果明显增强。同时保证了方法依旧基于数据的方法，不用对数据进行建模，适用面广。
-
公开(公告)号：CN105513097B
公开(公告)日：2018-08-14
申请号：CN201511022789.1
申请日：2015-12-30
Applicant: 哈尔滨工业大学
IPC: G06T7/45
Abstract: 本发明公开了一种基于最小体积与优化约束条件的高光谱解混方法，其步骤如下：步骤一：数据加载与预处理。步骤二：筛选图像采样点，构造优化的约束条件，寻找满足初始条件的数据。步骤三：将非负非线性规划问题转换为线性规划问题，对线性规划问题的目标函数结合优化后的约束条件进行求解，计算中间变量矩阵Hnew、gnew。步骤四：根据变化率检测终止条件判断是否终止迭代计算，若不满足终止条件，则返回步骤三，继续更新中间变量矩阵Hnew、gnew。步骤五：解出满足非负性要求的端元矩阵，并计算丰度系数，完成图像的解混。本方法解决基于最小体积的高光谱解混算法中，约束条件过多所导致的数据存储空间大，运算时间长，精确性难以提高的问题。
-
Patent Agency Ranking
公开(公告)号：CN108009559A
公开(公告)日：2018-05-08
申请号：CN201610942406.0
申请日：2016-11-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于空谱联合信息的高光谱数据分类方法，本发明提出用卷积神经网络和超像素划分方法，解决了当前高光谱图像对空间信息的利用问题。本发明的步骤为：一、建立卷积神经网络模型并进行特征提取，得到提取的特征向量。二、利用M-SLIC算法对高光谱图像进行超像素划分，得到超像素划分后的标签图。三、对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程。本发明利用卷积神经网络，通过多层卷积层和下采样层提取高维的非线性特征，通过加入空间信息降低拍摄条件差异对光谱信息的影响，然后通过特征光谱图进行聚类，将经过卷积神经网络一次特征提取的特征光谱替换为运用BoVW模型得到的二次特征，进一步降低分类的误差，有较强的理论和工程实际意义。
-
公开(公告)号：CN105644785B
公开(公告)日：2017-06-27
申请号：CN201511030059.6
申请日：2015-12-31
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于光流法和地平线检测的无人机着陆方法，其步骤为：一、对飞行过程中固定在无人机底部的相机拍摄出的视频进行图像预处理；二、对每张图像进行直线检测，获取图像中的地平线信息；三、通过对地平线信息进行计算，得到当前无人机的飞行姿态；四、采用光流法检测出无人机的姿态信息；五、结合无人机运动模型，采用扩展卡尔曼滤波方法对光流法和地平线检测的无人机姿态进行滤波，挑选出正确的地平线信息；六、实现基于无人机的自主着陆过程。本发明是一种用于飞行过程中动态物体探测固定目标的情况，采用基于梯度的光流法可以很好地配合探测器的运动，与传统基于地平线检测的视觉算法相比，在着陆过程中可以有效提高精度，适用于无人机自主着陆应用。
-
公开(公告)号：CN104050482B
公开(公告)日：2017-06-13
申请号：CN201410288959.X
申请日：2014-06-24
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于局部线性回归的流形学习泛化算法，属于高光谱图像数据降维技术领域。本发明的目的在于提出一种适用于任何一种流形学习算法、能够保持原流形学习降维结果、基于局部线性回归的流形学习泛化方法，其步骤为：一、寻找邻域；二、计算投影矩阵；三、求取线性回归系数矩阵；四、计算新样本降维结果。本发明可以在保持原有流形学习降维结果的基础上实现新样本的泛化，构建了一个从高维到低维的线性映射，可使得任一不具备泛化能力的流形学习算法如LE、LLE、LTSA等具有泛化能力，从而使得这些耗时的流形学习算法适用于高光谱图像的降维处理过程。
-
公开(公告)号：CN105631474A
公开(公告)日：2016-06-01
申请号：CN201510990997.4
申请日：2015-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/00973
Abstract: 本发明公开了一种基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries-Matusita距离，得到Jeffries-Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries-Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries-Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。
-
公开(公告)号：CN105534546A
公开(公告)日：2016-05-04
申请号：CN201511022823.5
申请日：2015-12-30
Applicant: 哈尔滨工业大学
IPC: A61B8/00
CPC classification number: A61B8/00 , A61B8/52 , A61B8/54 , A61B2560/0443
Abstract: 本发明公开了一种基于ZYNQ系列FPGA的超声成像方法，具体步骤如下：步骤1：用ZYNQ系列FPGA自带的Vivado HLS软件设计超声信号的发射控制以及信号接收的程序，控制超声收发芯片，获取超声成像所需的数据。步骤2：通过Vivado HLS软件，利用ZYNQ内PL部分对接收到的超声回波信号进行处理。步骤3：通过SDK软件，利用ZYNQ内PS部分对处理后的超声回波图像进行成优化并传输给后端。本方法在ZYNQ内实现了超声成像的全过程，有效地提高了控制芯片的集成度，缩小了超声成像设备的体积；同时通过使用Vivado HLS和SDK软件，有效地提高了研发效率，降低了开发的难度，增强了方法的可移植性，很适合应用于便携、无线超声成像设备等小型化产品。
-
-
-
-
-
-
-
-
-
Search Results
132
records
(took 0.039 seconds)
