-
公开(公告)号：CN117332923A
公开(公告)日：2024-01-02
申请号：CN202311298194.3
申请日：2023-10-09
Applicant: 北京京航计算通讯研究所
IPC: G06Q10/063 , G06Q50/26 , G06F18/27 , G06F18/2135 , G06F30/27
Abstract: 本发明涉及一种网状指标体系的赋权方法及系统，属于数据处理技术领域，解决了现有技术中无法对非线性耦合指标客观赋权的问题。包括：构建网状指标体系；通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，构建初始指标矩阵；利用主成分分析法获取初始指标矩阵降维后的字典指标矩阵；利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。实现了网状指标体系的客观赋权。
-
公开(公告)号：CN112418289A
公开(公告)日：2021-02-26
申请号：CN202011286164.7
申请日：2020-11-17
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种不完全标注数据的多标签分类处理方法及装置，属于数据分类技术领域，解决了现有的多标签分类方法对具有数据重合标签分类的实用性较低的问题。方法包括：获取训练数据集；基于训练数据集对神经网络进行参数训练，得到训练好的神经网络；对训练好的神经网络中间层的输出进行预处理，得到神经网络的最优网络结构；将待分类的不完全标注数据输入神经网络的最优网络结构，得到待分类的不完全标注数据对应的所有标签类别向量。实现了不完全标注数据的多标签分类，提高了数据标签分类的精确度，具有较高的实用性。
-
公开(公告)号：CN110989665A
公开(公告)日：2020-04-10
申请号：CN201911240169.3
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
IPC: G05D1/10
Abstract: 本发明属于制导弹箭落点预测技术领域，具体涉及一种基于试验设计和Kriging模型的远程制导火箭弹落点预测方法，该方法全面考虑了标准气象条件下影响远程制导火箭弹落点预测精度的发射条件因素和飞行状态参数，给出了适用于落点预测的Kriging模型的相关函数。对于升弧段对应的落点预测，可以选择的相关函数有Spline函数、Matern函数和Cubic函数；对于降弧段对应的落点预测，可以选择的相关函数有Spline函数、Matern函数、Gauss函数和Cubic函数。本发明为远程制导火箭弹的弹道修正控制系统实时进行落点预测提供了一种有效方法。
-
公开(公告)号：CN106888082B
公开(公告)日：2019-09-10
申请号：CN201510946603.5
申请日：2015-12-16
Applicant: 北京京航计算通讯研究所
IPC: H04L9/06
Abstract: 本发明实施例公开的用于加密解密的方法和处理器，涉及加密解密技术，有效减少AES在FPGA的实现中占用的逻辑单元数。把输入数据存放在输入数据寄存器中，更新数据存储地址addr＝addr1+addr8；如循环计数器小于该指令中的循环计数，变址寄存器和循环计数器分别加一，然后转移到addr8指定的指令地址，循环计数器置0，实现0到15范围内的循环操作；在进行寄存器写操作的同时把该寄存器原有数据保留到另一个寄存器，把存储器到寄存器的读取操作和该寄存器到另一寄存器的写操作组合在同一条指令中，用6条指令实现一个16次循环的程序块，用于加密解密。
-
公开(公告)号：CN106888082A
公开(公告)日：2017-06-23
申请号：CN201510946603.5
申请日：2015-12-16
Applicant: 北京京航计算通讯研究所
IPC: H04L9/06
Abstract: 本发明实施例公开的用于加密解密的方法和处理器，涉及加密解密技术，有效减少AES在FPGA的实现中占用的逻辑单元数。把输入数据存放在输入数据寄存器中，更新数据存储地址addr＝addr1+addr8；如循环计数器小于该指令中的循环计数，变址寄存器和循环计数器分别加一，然后转移到addr8指定的指令地址，循环计数器置0，实现0到15范围内的循环操作；在进行寄存器写操作的同时把该寄存器原有数据保留到另一个寄存器，把存储器到寄存器的读取操作和该寄存器到另一寄存器的写操作组合在同一条指令中，用6条指令实现一个16次循环的程序块，用于加密解密。
-
Patent Agency Ranking
公开(公告)号：CN103617121A
公开(公告)日：2014-03-05
申请号：CN201310653803.2
申请日：2013-12-09
Applicant: 北京京航计算通讯研究所
IPC: G06F11/36
Abstract: 本发明属于一种嵌入式软件测试方法，具体涉及一种基于NI平台的AD/DA接口故障模型搭建方法，它包括如下步骤，1)针对被测试软件的交联环境及故障注入要求，设置不同的故障注入数据参数及故障注入文件；2)将故障注入数据参数及故障注入文件共同配置到故障注入工具；3)根据被测试软件的交联环境及AD/DA故障注入工具交联要求，连接开展测试。本发明的优点是，它能够模拟AD/DA故障从而提高测试充分性的途径和方法，并最终提高嵌入式软件动态测试关于AD/DA用例执行充分性的质标。
-
公开(公告)号：CN119130050A
公开(公告)日：2024-12-13
申请号：CN202411246900.4
申请日：2024-09-06
Applicant: 北京京航计算通讯研究所
IPC: G06Q10/0631 , G06Q10/04 , G06N3/006
Abstract: 本发明涉及一种适用于复杂任务场景的多智能体目标分配方法，属于智能体集群技术领域；方法包括：在复杂任务场景下，定义智能体集群目标分配行为、优化目标，建立智能体集群目标分配问题的数学模型，并定义约束；将智能体集群目标分配问题拆分为多智能体行为设计问题和任务分配问题；针对多智能体行为设计问题，通过对场景环境进行有序分割，在每个分割后的子区域内，分别寻找近似最优的路径；针对任务分配问题，通过估计不同任务分配策略所带来的目标分配增益，选择产生最大目标分配增益的任务组合进行任务分配。本发明提供的策略方法可以取得接近最优的目标分配增益，有效地在目标分配效果与计算效率之间达成平衡。
-
公开(公告)号：CN112991394B
公开(公告)日：2024-01-19
申请号：CN202110416434.X
申请日：2021-04-16
Applicant: 北京京航计算通讯研究所
IPC: G06T7/246 , G06T3/4007 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明就目标跟踪过程中的遮挡问题，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。该方法的具体思路为，在目标跟踪过程中遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的多个不同权重的三次样条多项式模拟遮挡后的目标运动轨迹，并且基于马尔科夫链中当前状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，从而实现对遮挡目标运动位置的预测跟踪。本发明不局限于图像中的特征，而是着眼于目标的运动轨(56)对比文件张星.运动目标的稳定跟踪算法研究《.中国优秀硕士学位论文全文数据库信息科技辑》.2020,(第05期),I135-65.
-
公开(公告)号：CN113932815B
公开(公告)日：2023-07-18
申请号：CN202111217468.2
申请日：2021-10-19
Applicant: 北京京航计算通讯研究所
IPC: G01C21/20
Abstract: 本发明涉及一种稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质；方法包括：确定Kalman滤波的状态序列和观测序列；建立与状态序列和观测序列对应的Kalman滤波模型；采用建立的Kalman滤波模型进行滤波；在Kalman滤波过程中，采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；Hk为观测转移矩阵；Vk为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。本发明与传统的卡尔曼滤波算法相比，提升对量测数据误差的鲁棒性，减少了计算结果与真实值的偏差。
-
公开(公告)号：CN114677368A
公开(公告)日：2022-06-28
申请号：CN202210411363.9
申请日：2022-04-19
Applicant: 中国人民解放军32021部队 , 北京京航计算通讯研究所
Inventor： 喻夏琼 , 王佳佳 , 赵金贤 , 吴平安 , 董小环 , 侯健 , 马静 , 务宇宽 , 王亚锋 , 唐斌 , 李娜 , 单月晖 , 赵志远 , 杨鹏 , 师康钦 , 高琳 , 刘登
Abstract: 本发明提供一种图像显著性检测方法及装置，其中方法包括：步骤：S1：对待检测图像做超像素分割处理，得到超像素分割图像；S2：从超像素分割图像中提取出包含边界特征的背景超像素图像；S3：利用LASSO算法与背景超像素图像，对超像素分割图像做显著性检测处理，得到显著性检测处理的学习层处理结果；S4：判断学习层处理结果是否满足预设条件，若是，执行步骤S5；否则，执行步骤S6；S5：将学习层处理结果作为显著性检测处理结果；根据显著性检测处理结果，生成显著图；S6：将学习层处理结果，反向传播至超像素分割图像，得到更新的待检测图像，返回执行步骤S1。本发明提供的技术方案可有效处理对于背景较复杂的遥感图像，实现图像的显著性检测。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.046 seconds)
