-
公开(公告)号：CN103024858B
公开(公告)日：2015-09-30
申请号：CN201310010943.8
申请日：2013-01-11
Applicant: 哈尔滨工程大学
IPC: H04W40/10
CPC classification number: Y02D70/00
Abstract: 本发明提供的是一种针对无线传感器网络的低功耗定向广播方法。包括如下步骤：第一步：初始化网络拓扑；第二步：划分扇形区域；第三步：确定传感半径；第四步：定向广播；第五步：路由发现。本发明将原有的路由协议中AODV查找路由的方式加入定向广播的思想，只针对部分在所规定扇形区域的节点的广播，对不在定向广播扇形的节点进行丢包处理，因此丢包处理的传感器节点的能量就可以存储，以待下次应用，通过仿真实验分析DB_AODV协议可以提高无线传感器网络的很多网络性能。
-
-
公开(公告)号：CN102684836B
公开(公告)日：2014-07-16
申请号：CN201210150038.8
申请日：2012-05-15
Applicant: 哈尔滨工程大学
IPC: H04L1/00
Abstract: 本发明提供的是一种基于网络编码的网络编码修复方法，其步骤是：第一步，解码失效节点向邻居节点请求重传所缺失的原始数据包；第二步，当邻居节点在接收到重传请求后根据自身缓冲队列中的原始数据包集合，发送自己的节点基本信息NFI给请求节点；第三步，解码节点在接收到邻居节点的NFI信息后通过CBCR算法计算得出所需的重传数据包集合并形成RACK请求包发送给邻居节点；第四步，邻居节点在接收到来自解码节点的RACK包后，根据RACK中的请求内容重传解码节点所需的数据包。本发明所提出的网络编码修复方法降低编码修复过程中的数据包重传的次数，提高了网络编码应用的有效性和可靠性。
-
公开(公告)号：CN119006896A
公开(公告)日：2024-11-22
申请号：CN202411011291.4
申请日：2024-07-26
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/94
Abstract: 本发明提出一种面向联邦分类学习的公平感知激励方法，包括：步骤1：服务端初始化全局原型；步骤2：客户端初始化本地模型参数，利用全局原型，结合本地私有数据进行训练，更新本地模型参数和本地原型；步骤3：客户端将更新后的本地模型参数和本地原型上传至服务端；步骤4：对接收到的本地模型参数进行质量检测，生成边缘激励；步骤5：利用边缘激励和更新后的本地原型进行聚合，得到共识原型；步骤6：进行原型级别聚合，获取新的全局原型；步骤7：重复步骤2‑6，直至达到最大循环次数，输出最终的全局原型和每个客户端的个性化模型。本发明能更好地缓解数据异质性和类别不平衡对模型精度的影响，确保协作公平并激励高质量客户参与联邦学习。
-
公开(公告)号：CN119006895A
公开(公告)日：2024-11-22
申请号：CN202411011148.5
申请日：2024-07-26
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/82 , G06V10/778 , G06N3/0464
Abstract: 本发明提出一种面向图像分类的个性化联邦学习方法，包括：步骤1：基于服务器初始化全局原型#imgabs0#步骤2：将初始化后的全局原型发送至客户端；步骤3：客户端初始化本地模型参数#imgabs1#将本地数据集随机划分，对全局原型进行更新，获取更新后的模型参数和本地原型；步骤4：客户端保留更新后的模型参数，并将更新后的本地原型上传至服务器；步骤5：服务器对所有客户端上传的本地原型进行聚合，生成新的全局原型；步骤6：重复步骤2‑6，将每次得到的全局原型发送至客户端进行更新，直至达到最大循环次数，输出最终的全局原型。本发明能够更好地缓解数据异质性对模型精度产生的影响，获得更高的分类准确率，大大降低客户端与服务器之间的通信成本。
-
Patent Agency Ranking
公开(公告)号：CN118212937A
公开(公告)日：2024-06-18
申请号：CN202410306497.3
申请日：2024-03-18
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于特征融合和单分类的语音欺诈检测方法，所述方法包括如下步骤：S1：构建增强语音训练集；S2：提取待检测语音的Log‑Mel谱，利用TRawNet提取待检测语音的时域特征，将两个特征进行融合；S3：将融合后的特征送入图注意力网络中，对不同时域和频域上的信息进行建模，并用单分类损失函数训练整个网络。该方法使用基于图注意力网络的特征融合方法，将语音的时域特征和频域特征相结合，并对不同片段之间的关系进行了建模，提取出更有判别力的特征；提出的单分类损失函数在保留真实语音声学多样性的同时，解决了由信道效应带来的检测能力下降的问题，使模型的泛化能力进一步增强。
-
公开(公告)号：CN113838064B
公开(公告)日：2023-12-22
申请号：CN202111115253.X
申请日：2021-09-23
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06V20/70 , G06T7/33 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种基于分支GAN使用多时相遥感数据的云去除方法。本发明设计了一个深度卷积编码器‑解码器网络模型用于遥感图像云检测，以及一个分支GAN模型用于遥感图像的云去除，在保证云去除效果的同时，提升了重建像素的分辨率。本发明利用最大池化索引来进行输入图像特征图的非线性上采样，减少了端到端训练的参数量，提高了网络训练的时间；采用分支UNet结构来融合多时相遥感图像的特征信息，通过共享底层的语义信息，有效提高遥感图像云去除的精度。
-
公开(公告)号：CN117079668A
公开(公告)日：2023-11-17
申请号：CN202310902397.2
申请日：2023-07-21
Applicant: 哈尔滨工程大学
IPC: G10L25/30 , G06F18/213 , G06N3/0464 , G06N3/08 , G10L25/51 , G10L25/24
Abstract: 本发明属于异常声音检测技术领域，具体涉及一种利用元数据分层信息约束自监督分类的异音检测方法。本发明使用元数据分层信息结构约束神经网络对训练音频的低维特征和高维特征的学习，充分利用伴随音频文件的元数据，挖掘元数据属性对声学特征的影响，以使神经网络能学习到域偏移在音频特征上引起的变化，进而提高工业异音检测系统在域偏移条件下的性能。同时，本发明提出了一种以属性组为中心的异常分数计算方法，用于在域偏移条件下评估测试样本的异常分数，以判断测试音频是否正常。与现有技术相比，本发明的方法能够更精细地学习到音频特征，减轻域偏移在异常声音检测中带来的问题。
-
公开(公告)号：CN113269691B
公开(公告)日：2022-10-21
申请号：CN202110584825.2
申请日：2021-05-27
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC: G06T5/00 , G06N3/04 , G06N3/08 , G06V10/774
Abstract: 本发明公开的属于SAR图像去噪方法技术领域，具体为一种基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法，该基于卷积稀疏进行噪声仿射拟合的SAR图像去噪方法的具体实施方案如下：利用图像增广和图像重进消除噪声特性对于模型训练过程的影响，本发明构建的网络具有训练初期收敛效率高，末期收敛情况与其他基准模型相同的特征，利用稀疏表示与卷积滤波器的特性，进一步节省了训练时间，提高了模型的迭代效率，借助图像增广丰富数据以及图像重建消除噪声特性的设计，本发明有效地降低了SAR图像去噪过程对无噪声SAR图像的需求度，减少了实际任务中在无噪声SAR图像获取过程投入的开支，并取得更为优秀的SAR图像去噪效果。
-
公开(公告)号：CN112562706A
公开(公告)日：2021-03-26
申请号：CN202011376556.2
申请日：2020-11-30
Applicant: 哈尔滨工程大学
IPC: G10L21/02 , G10L21/0208 , G10L25/03
Abstract: 本发明提供一种基于时间潜在域特定说话人信息的目标语音提取方法，包括时间潜在域特征转换模型、目标说话人特征信息指导器与增强提取模块；待处理的复杂声学环境语音信息经过时间潜在域特征转换模型的处理将映射到潜在空间的特征矩阵，此特征矩阵将分别进入目标说话人特征信息指导器与增强提取模块；在目标说话人特征信息指导器中，特征矩阵将被判定为与某一特定的目标说话人潜在特征具有相关性，或者不包含目标说话人特征。本发明能实现从复杂声学环境语音信号到特定目标语音信号的端到端处理，能高效提取出针对特定任务的目标说话人信息，而不受其他干扰信号的影响，保障了模型传递给后续任务的特定目标语音信号具备极高的语音质量与可感知性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.074 seconds)
