-
公开(公告)号：CN109284662B
公开(公告)日：2022-02-22
申请号：CN201810766508.0
申请日：2018-07-12
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于迁移学习的水下声音信号分类方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。
-
公开(公告)号：CN108776763B
公开(公告)日：2022-02-11
申请号：CN201810589946.4
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G06F21/62
Abstract: 本发明公开了一种基于属性相关的差分隐私保护方法，属于信息安全技术领域。本发明采取投影转换的思想，提出了新的面向属性相关的隐私保护方法。该方法不仅考虑了属性之间存在相关性的情况，而且利用这种相关关系减少噪声的加入。即利用最大信息系数衡量各敏感属性相关关系，构建最大信息系数矩阵；从而构造投影算子，获得投影矩阵，该结构的使用使得维度降低，在提供相同的隐私保证的情况下，所需噪声数减少。
-
公开(公告)号：CN108932528B
公开(公告)日：2021-08-31
申请号：CN201810589956.8
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了变色龙算法中相似性度量及截断方法，属于凝聚型层次聚类算法技术领域。变色龙在稀疏图上运行，其中节点表示数据项，加权边表示数据项之间的相似性，变色龙通过使用两阶段算法找出数据集中的簇，在第一阶段，根据数据集构造出一个k‑最近邻图Gk，使用图分区算法将数据项分为几个相对较小的子集群，在第二阶段，它使用一种算法，通过重复组合这些子集群来找到真正的集群；该改进算法通过引入递归二分法、flood fill漫水填充法以及第一跳截断等对传统的变色龙聚类算法进行了改进，还提出了一种能够从修改的变色龙树状图中自动选择最佳聚类结果的方法。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN110378489A
公开(公告)日：2019-10-25
申请号：CN201910695772.4
申请日：2019-07-30
Applicant: 哈尔滨工程大学
Abstract: 基于实体超平面投影的知识表示学习模型，本发明涉及知识表示学习模型。本发明的目的是为了解决现有现有的知识表示学习模型大部分都只关注知识图谱的结构化信息，仅仅利用知识三元组来学习实体以及关系的表示，却忽略了实体的文本描述中可能蕴含的一些有用信息，导致处理任务时准确率低的问题。过程为：步骤一、将实体的描述文本处理成矩阵形式；步骤二、将步骤一得到的矩阵形式的文本输入到卷积神经网络中，得到实体描述文本的特征向量；步骤三、利用步骤二得到的特征向量建立EHP模型，得到实体以及关系的最终向量表示。本发明用于自然语言处理领域。
-
公开(公告)号：CN108932528A
公开(公告)日：2018-12-04
申请号：CN201810589956.8
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了变色龙算法中相似性度量及截断方法，属于凝聚型层次聚类算法技术领域。变色龙在稀疏图上运行，其中节点表示数据项，加权边表示数据项之间的相似性，变色龙通过使用两阶段算法找出数据集中的簇，在第一阶段，根据数据集构造出一个k-最近邻图Gk，使用图分区算法将数据项分为几个相对较小的子集群，在第二阶段，它使用一种算法，通过重复组合这些子集群来找到真正的集群；该改进算法通过引入递归二分法、flood fill漫水填充法以及第一跳截断等对传统的变色龙聚类算法进行了改进，还提出了一种能够从修改的变色龙树状图中自动选择最佳聚类结果的方法。
-
公开(公告)号：CN108920503A
公开(公告)日：2018-11-30
申请号：CN201810519638.4
申请日：2018-05-28
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明提供了一种基于社交网络信任度的微视频个性化推荐算法，属于计算机算法领域。步骤如下：1.利用全局信任度和局部信任的差值计算用户偏差度；2.在传统相似度的计算方法中加入置信度因素；3.利用信任对时间的依赖性，信任网络发生动态地演化；4.创建用户的相似网络和信任络组成的双网络时域演化模型；5.根据DNTDEM的建立，得到一个全新的用户信任网络；6.利用LDA模型对推荐内容进行补充；7.预测的用户应该与其的情感邻居相似，然后通过最小化误差平方值对其进行优化。本发明可以有效识别高质量的新形式的用户生成内容(UGC)，并向适当的用户进行推荐；还可以减轻其他用户主观偏见对推荐内容的影响，从而更加客观的向对象用户提供更优质的推荐内容。
-
公开(公告)号：CN108875592A
公开(公告)日：2018-11-23
申请号：CN201810519139.5
申请日：2018-05-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于注意力模型的卷积神经网络优化方法。首先对水下目标的噪声数据进行分段，针对每段噪声数据提取其MFCC，其目的是将目标噪声数据变成定长的矢量化数据。然后，将得到的定长的矢量化数据按实验过程中水听器的排布位置以及其时序关系进行拼接，形成一个完整的时段水听阵特征，继而再将形成的水听阵特征转成对应的图片以作为输入数据集输入到训练网络中。本发明通过试验对模型在使用情况的结果分析以及对模型进行修改与优化，深度学习对水下目标识别识别率的得到10％‑15％的提升。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.031 seconds)
