-
公开(公告)号：CN110990227A
公开(公告)日：2020-04-10
申请号：CN201911228522.6
申请日：2019-12-04
Applicant: 哈尔滨工程大学
IPC: G06F11/30 , G06F30/28 , G06F111/10
Abstract: 本发明公开了一种数值水池应用特征性能采集和监控系统及其运行方法。所述系统包括数值水池应用特征性能采集和监控系统(100)、应用性能基准线管理模块(101)和应用性能分析报告模块(102)，所述应用性能基准线管理模块(101)和应用性能分析报告模块(102)均将信号传输至数值水池应用特征性能采集和监控系统(100)。本发明统计除监测每次虚拟试验的性能数据之外，同时采集每个作业的执行次数和累计耗费时间，它主要反映的是不同过程运行的时间、各种不同类型的通信花费的时间及执行次数和各处理器节点运行的时间等。
-
公开(公告)号：CN116595302A
公开(公告)日：2023-08-15
申请号：CN202310576060.7
申请日：2023-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于船舶海上航行模拟领域，具体涉及一种不规则矩阵v在GPU上的实现方法、电子设备及介质。输入的船舶海上航行模拟矩阵数据集为COO压缩格式的文件，将其转化为CSR压缩格式；了解当前非零元分布结构，计算当前块数和临界块数下非零元平均数量，结合阈值选择决策树选择适合当前矩阵的阈值；利用行归并策略来对稀疏矩阵进行最优划分；划分后的数据采用TEB压缩格式进行存储；将相关数组从主机端传递到设备端，按照每个线程块处理一个子块，每个线程处理一行的方式在GPU上进行并行SPMV操作；并行阶段完成后将最终的计算结果从设备端传递到主机端，之后应用于船舶海上航行模拟过程中的迭代求解操作。本发明用以提高船舶海上航行模拟的SPMV算法的计算效率。
-
公开(公告)号：CN116580453A
公开(公告)日：2023-08-11
申请号：CN202310463831.1
申请日：2023-04-26
Applicant: 哈尔滨工程大学
IPC: G06V40/20 , G06V20/40 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于空间和时序双通道融合模型的人体行为识别方法，构建融合ER3D模型和Space‑TimeTransformer模型的深度学习网络架构，并通过对公开人体行为识别数据集进行端到端的预训练，得到初始化网络，接着读取人体行为训练视频，对训练视频做固定间隔采样和数据增强，将数据增强后的视频帧送入经过预训练的网络架构进行训练，生成人体行为识别模型。在测试阶段，读取测试集中的人体行为视频，对其进行采样和裁剪后送入训练好的识别模型进行识别，整个过程实现端到端的检测视频中的人体行为。本发明根据ER3D模型和Space‑TimeTransformer模型可以分别对视频帧中包含的空间信息和时序信息有效建模的特点，从而构建并训练出一种可以准确识别人体行为的深度学习网络架构。
-
公开(公告)号：CN116430869A
公开(公告)日：2023-07-14
申请号：CN202310467508.1
申请日：2023-04-26
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明属于机器人控制领域，通过采用基于Restnet101网络的Mask RCNN模型来对地图环境进行预处理，把地图中凹形区域识别出来并填充来避免路径规划时算法大量搜索凹形区域浪费时间。同时在A‑Star算法的起始点和目标点之间加入两个中间点来进行六个方向的扩展，提高路径规划的效率。其次，结合移动机器人运动时的真实场景，在A‑Star算法的启发函数中加入安全策略让规划出的路线与障碍物保持一定距离。最终构建出了应用于移动机器人路径规划的基于地图预处理和改进A‑Star算的路径规划方法。本发明用以提高移动机器人的路径规划效率。
-
公开(公告)号：CN114547303A
公开(公告)日：2022-05-27
申请号：CN202210165299.0
申请日：2022-02-18
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于Bert‑LSTM的文本多特征分类方法及装置，属于文本分类技术领域，其中，该方法包括：确定待分类文本数据集，并划分为训练集和测试集；构建基于Bert‑LSTM的文本多特征分类模型；利用训练集对文本多特征分类模型进行训练，得到最优文本多特征分类模型；将待分类文本数据输入最优文本多特征分类模型中，计算待分类文本数据的得分，根据得分将其划分到预设对应类别中。该方法使用BERT以及双向长短期记忆网络等构建基于Bert‑LSTM的文本多特征分类模型，利用挖掘文本多方面的词特征信息和词义潜在语义表示特征信息，融入文本向量，模型在训练过程中充分利用多特征信息，提升了文本分类的性能。
-
Patent Agency Ranking
公开(公告)号：CN119339125A
公开(公告)日：2025-01-21
申请号：CN202411223253.5
申请日：2024-09-03
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/098 , G06F21/60
Abstract: 一种面向类别不平衡的联邦图像分类方法，它涉及一种联邦图像分类方法。本发明为了解决现有联邦学习方法主要关注数据异构性，无法降低类别不平衡对模型性能影响的问题。本发明具体包括服务器初始化全局高斯分布原型，客户端初始化本地模型参数；将所述全局高斯分布原型下发至客户端；客户端基于本地数据集，利用高斯原型生成类内方差信息，通过配置的损失函数进行本地模型训练；客户端通过随机采样生成平衡的虚拟特征集；客户端将更新后的本地原型上传至服务器；服务器对各客户端上传的本地原型进行聚合，生成新的全局高斯分布原型，并用于下一轮训练；判断是否达到设定的训练轮次或模型收敛。本发明属于图像分类技术领域。
-
公开(公告)号：CN114528490B
公开(公告)日：2024-10-29
申请号：CN202210151706.2
申请日：2022-02-18
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/0895 , G06N3/0442 , G06N3/0464 , G06N3/042
Abstract: 本发明公开了一种基于用户长短期兴趣的自监督序列推荐方法。步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。本发明用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。
-
公开(公告)号：CN116595303A
公开(公告)日：2023-08-15
申请号：CN202310576069.8
申请日：2023-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于船舶海上航行模拟领域，具体涉及一种对角矩阵SPMV在GPU上的实现方法、电子设备及介质。输入船舶海上航行模拟矩阵的数据文件，读取其数据并转化为COO存储方法；基于固定阈值的矩阵划分策略，将矩阵划分为若干不相交的行段，对行段信息进行有效存储；利用矩阵重构策略，对划分的行段进行重新排序归并，将归并结果进行压缩存储；将压缩存储的相关数据数组从主机端传递到设备端，按照一个线程块处理一个子块，一个线程处理一行的方式进行GPU并行SPMV运算；最后将线程运算结果从设备端传输到主机端，在主机端创建结果数组对运算结果进行整合存储。本发明用以缩短船舶海上航行模拟中GPU并行SPMV运算的时间，提高运算的效率和性能。
-
公开(公告)号：CN110990227B
公开(公告)日：2023-08-04
申请号：CN201911228522.6
申请日：2019-12-04
Applicant: 哈尔滨工程大学
IPC: G06F11/30 , G06F30/28 , G06F111/10
Abstract: 本发明公开了一种数值水池应用特征性能采集和监控系统及其运行方法。所述系统包括数值水池应用特征性能采集和监控系统(100)、应用性能基准线管理模块(101)和应用性能分析报告模块(102)，所述应用性能基准线管理模块(101)和应用性能分析报告模块(102)均将信号传输至数值水池应用特征性能采集和监控系统(100)。本发明统计除监测每次虚拟试验的性能数据之外，同时采集每个作业的执行次数和累计耗费时间，它主要反映的是不同过程运行的时间、各种不同类型的通信花费的时间及执行次数和各处理器节点运行的时间等。
-
公开(公告)号：CN116010874A
公开(公告)日：2023-04-25
申请号：CN202211385396.7
申请日：2022-11-07
Applicant: 哈尔滨工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/0442 , G10L25/30 , G10L25/63
Abstract: 本发明涉及一种基于深度学习多模态深尺度情感特征融合的情感识别方法。输入wav格式的一段语音及转录文本，利用ME模块分别通过BERT、ECAPA‑TDNN、huBERT预训练模型得到它的通用文本特征、说话人特征以及通用语音特征；利用DST模块在多层次、深尺度的特征范围对情感相关特征进行凝练和提取；利用MT模块对多模态信息的互相关信息进行计算，并在话语级特征表示中引入说话人特征得到说话人相关的情态特征；利用MFC模块对多模态互信息、说话人相关特征、深尺度情感特征进行注意力加权，输出情感识别结果矩阵；最终输出情感识别矩阵中概率最大的情感类别，完成对一段语音及转录文本的情感识别。本发明用以提高人机交互中多模态情感识别任务的情感识别效率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.087 seconds)
