-
公开(公告)号:CN114510945B
公开(公告)日:2024-10-22
申请号:CN202210157121.1
申请日:2022-02-21
Applicant: 哈尔滨工程大学
IPC: G06F40/295 , G06N3/0442 , G06N3/045
Abstract: 基于偏旁特征嵌入的中文命名实体识别网络模型,涉及自然语言处理与中文命名实体识别领域。解决了现有中文命名实体识别算法的语义识别的准确率和F值低的问题。将字符拆分成其偏旁构成的形式,将其映射为偏旁特征向量、并与单词特征向量和字符特征向量,组合后输入到Bi‑LSTM编码层中进行编码中,编码后的特征经CRF解码层解码后得到输入文本的命名实体标签,从而实现对中文命名实体的识别。本发明主要用于对中文命名实体进行识别。
-
公开(公告)号:CN118332131A
公开(公告)日:2024-07-12
申请号:CN202410521013.7
申请日:2024-04-28
Applicant: 哈尔滨工程大学
Abstract: 支持大数据法律监督模型关联分析的多元数据驱动方法,涉及大数据处理技术领域,针对现有技术中法律监督的准确率低的问题,本申请利用新形成的图谱中的数据节点,支持多模型之间的关联分析,通过数据驱动的方式,实现对大数据法律监督模型之间关系的挖掘和分析。并根据关联分析的结果,对监督模型进行优化调整,提高了法律监督的效率和准确性。
-
公开(公告)号:CN118053064A
公开(公告)日:2024-05-17
申请号:CN202410169717.2
申请日:2024-02-06
Applicant: 哈尔滨工程大学
IPC: G06V10/82 , G06V10/774 , G06V10/26 , G06V20/70 , G06V10/42 , G06V10/80 , G06V10/766 , G06N3/0464 , G06N3/09
Abstract: 基于深度学习的法兰中心点识别方法,本发明涉及法兰中心点识别方法。本发明的目的是为了解决现有传统视觉识别系统对法兰中心点的识别准确性低、效率低下、以及适应性不足的问题。过程为:步骤一、随机采样带法兰中心点坐标标签的法兰图片,作为训练集;步骤二、构建神经网络模型;具体过程为:神经网络模型包括:语义分割网络、全局特征提取网络和关键点识别网络;步骤三、基于训练集训练构建的神经网络模型,获得训练好的神经网络模型;步骤四、采集待测法兰图片,将待测法兰图片输入训练好的神经网络模型,训练好的神经网络模型输出待测法兰图片的法兰中心点。本发明用于法兰中心点的识别领域。
-
公开(公告)号:CN116913317A
公开(公告)日:2023-10-20
申请号:CN202310859687.3
申请日:2023-07-13
IPC: G10L25/51 , G06N3/084 , G06N3/0464 , G10L25/90 , G10L25/30 , G10L21/0208
Abstract: 基于声重组特征网络的水面航行器声信号基频提取方法,属于基频提取领域。本发明解决了现有基频提取任务的声信号特征提取方法存在处理方式复杂、鲁棒性差的问题。本发明将待进行基频提取的声信号按照LHS算法产生的最小帧长切割成等长的音频段;采用LHS算法对所述等长的音频段的基频进行标记;采用声重组特征网络提取音频段的声信号的基频特征;采用基频提取网络利用基频特征对对应的音频段进行基频提取。本发明适用于基频提取。
-
公开(公告)号:CN115861660A
公开(公告)日:2023-03-28
申请号:CN202211689077.5
申请日:2022-12-27
Applicant: 哈尔滨工程大学
IPC: G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 一种基于混合度量的特征分布度量方法,为解决在图像分类时深度迁移学习方法的迁移学习模型无法对目标域数据准确标注的问题。将图片分为源域和目标域;利用源域中的图片对迁移学习模型进行训练,得到模型;计算分类损失;计算域间特征边缘分布差异的一、二、三阶统计量距离,再加权组合得到域间特征边缘分布的混合度量;获取目标域软标签,利用软标签计算目标域特征的初始软质心,再使用余弦相似度得目标域特征的伪标签;计算域间特征的条件分布差异的一、二、三阶统计量距离,再加权组合得到域间特征条件分布的混合度量;将二者混合度量相加得域间特征统计量距离;计算迁移学习模型总体损失函数,更新模型;预测测试样本,得到种类预测概率。
-
公开(公告)号:CN115035912A
公开(公告)日:2022-09-09
申请号:CN202210644380.7
申请日:2022-06-08
Applicant: 哈尔滨工程大学
Abstract: 基于MOC模型的水声信号样本自动标注方法,具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法,本发明为解决传统水声信号样本标注采用人工方法,不仅费时费力,经济效益低,还受专业性限制,标注准确性低的问题,它包括采集水声信号作为样本,利用声学模型计算所述水声信号样本的声学特征;建立MOC模型,MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层,将水声信号样本的声学特征输入MOC模型内进行训练,输出已标注的水声信号样本,直到loss收敛,得到训练好的MOC模型;将待标注的水声信号样本上述操作,得到已标注的水声信号样本。属于水下声音信号标注领域。
-
公开(公告)号:CN114565831A
公开(公告)日:2022-05-31
申请号:CN202210202911.7
申请日:2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/762 , G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 一种考虑深度学习模型健壮性的水下目标分类的方法,本发明为了解决现有深度学习模型对水下目标分类准确率低的问题,它包括利用训练好的原始模型对采集的水下目标数据训练集进行预测得到所有分类正确样本的集合和所有分类错误样本的集合;将所有分类错误样本的集合输入训练好的原始模型内,对分类错误样本的特征进行聚类和特征补偿,得到分类错误样本的特征补偿;将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型;将水下目标数据训练集输入特征补偿后的原始模型内,输出分类错误的样本;建立对抗训练模型,得到训练好的对抗训练模型;将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型;属于水下目标分类领域。
-
公开(公告)号:CN114091531A
公开(公告)日:2022-02-25
申请号:CN202111341770.9
申请日:2021-11-12
Applicant: 哈尔滨工程大学
Abstract: 基于多尺度的环境特征提取方法,涉及水下声纹特征提取技术领域,针对现有技术中模型特征提取准确率低的问题,包括:步骤一:采集水声信号数据,并将水声信号数据的特征进行标记,之后利用标记后的水声信号数据构成数据集;步骤二:对数据集进行预处理,并将预处理后的数据集作为训练集;步骤三:利用训练集训练多尺度的环境特征提取网络模型;步骤四:利用训练好的多尺度的环境特征提取网络模型对水域环境的水声信号进行特征提取。本申请使用局部切这样更加均衡的切分方式,提高了模型特征提取的准确率。
-
公开(公告)号:CN114580478B
公开(公告)日:2025-04-01
申请号:CN202210203998.X
申请日:2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/084 , G01D21/02
Abstract: 一种基于神经网络的环境参数确定方法,具体涉及一种基于神经网络的水下环境各参数的确定方法,本发明为了解决现有采取LPCC特征提取方法或MFCC特征提取方法获取水下环境参数的准确率低的问题,它包括S1、采集各时段的水下目标辐射噪声及对应的环境参数,将水下目标辐射噪声分为低频信号和高频信号;S2、对采集的各时段的水下目标辐射噪声进行预处理;S3、建立网络模型,将S2中预处理后的各时段的水下目标辐射噪声及对应的环境参数输入网络模型中进行训练,直到loss损失不变,得到训练好的网络模型;S4、采集待确定环境参数的水下目标辐射噪声,经过S2的预处理后,输入S3中得到的训练好的网络模型内,得到环境参数。属于环境参数确定领域。
-
公开(公告)号:CN118333159A
公开(公告)日:2024-07-12
申请号:CN202410448614.X
申请日:2024-04-15
Applicant: 哈尔滨工程大学
Abstract: 基于图对比学习的知识图谱补全方法,本发明涉及知识图谱应用补全方法。本发明的目的是为了解决现有法律案情知识图谱不完善的问题。基于图对比学习的知识图谱补全方法具体过程为:步骤一、构建知识图谱;步骤二、获得知识图谱中每个实体的初始向量和关系的初始向量;步骤三、基于知识图谱中每个实体的初始向量,获得知识图谱中每个实体的最优向量;步骤四、计算知识图谱中实体向量之间的相似度;步骤五、基于相似度计算结果,预测并补全知识图谱中缺失的潜在关系;步骤六、将预测出的潜在关系添加到知识图谱中,更新知识图谱。本发明用于知识图谱领域。
-
-
-
-
-
-
-
-
-