-
公开(公告)号：CN117809694B
公开(公告)日：2024-08-09
申请号：CN202410024330.8
申请日：2024-01-08
Applicant: 哈尔滨理工大学
IPC: G10L25/51 , G10L25/30 , G10L21/0208 , G10L15/06
Abstract: 基于时序多尺度特征表示学习的伪造语音检测方法及系统，涉及一种伪造语音的检测方法及系统。为了解决没有充足利用语音各时序段特征信息的问题，以及现有的单一的深度神经网络进行伪造语音检测时存在的准确度较低的问题。本发明将预处理的语音信号输入wav2vec2.0提取初步特征，将初步特征矩阵输入基于多尺度时间序列的卷积网络提取特征矩阵，并将各组的输出进行拼接再通过一个最大池化层，然后将时序特征输入到SCG‑Res2Net50及分类器对语音进行打分，根据伪造语音的得分和真实语音得分进行真实语音与伪造语音的分类。
-
公开(公告)号：CN116822626A
公开(公告)日：2023-09-29
申请号：CN202310779688.7
申请日：2023-06-29
Applicant: 哈尔滨理工大学
IPC: G06N5/02 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种面向邻居实体层次信息聚合的知识表示学习方法。首先，对中心目标实体周围不同层次的结构特征进行区分和度量。其次，针对星型结构利用图注意力网络对一跳邻居实体进行信息聚合。接着，针对三角形结构利用关系路径编码对多跳邻居实体进行信息聚合。然后，对所得到的关于中心实体的表示向量进行特征融合，制定损失函数并进行模型训练。最后，设计解码器convKB对上一步得到的特征向量训练和学习。现有方法未对中心目标实体周围的不同层次的结构特征进行区分和度量，导致中心目标实体与关系的表示结果产生过平滑性现象，实体链接预测效果较低。
-
公开(公告)号：CN114707044B
公开(公告)日：2023-06-23
申请号：CN202111638174.7
申请日：2021-12-29
Applicant: 哈尔滨理工大学
IPC: G06F16/951 , G06Q50/00
Abstract: 本发明公开了一种基于社区发现的集体社交行为的提取方法及系统，其中，该方法包括：抓取社交网络中多个用户发表的帖子作为初始数据集，并对其进行预处理得到数据集；利用LDA模型处理数据集，生成主题分布；构造基于稀疏表达的相似度计算函数求解每个帖子与主题分布的相似度，得到亲和矩阵；基于自适应损失函数构建社区发现算法，确定目标函数；使用交替迭代法使目标函数不断学习，得到亲和矩阵中同一主题下每个帖子之间的连通分量，以构建目标相似度矩阵确定社区结构；引入node2vec模型将社区结构可视化，根据社区结构中中节点的分布情况提取集体社交行为。该方法可以准确提取明显不同于个体语义行为特征的集体社交行为，且鲁棒性高。
-
公开(公告)号：CN114429404A
公开(公告)日：2022-05-03
申请号：CN202210054283.2
申请日：2022-01-18
Applicant: 哈尔滨理工大学
Abstract: 本申请提供了一种多模异质社交网络社区发现方法，包括：基于所述多模异质社交网络内各节点信息和不同节点间的元路径连接关系集合构建初始信息矩阵；以最短可达元路径的为划分依据划分所述初始信息矩阵，得到多维异质网路信息矩阵；将所述多模异质社交网络内至少两个预设目标节点的所述小信息向量和所述总体信息向量进行维度合并，得到预设目标节点集合的信息矩阵；计算所述初始信息矩阵的融合向量；根据所述融合向量获取社区集合。采用元路径这种数据存储模式将用户及属性之间关系构成关系链，进而获得了更优秀的知识表达能力，利用因子分析模型提取路径中的主成份，改善了节点属性量化不完备这一现状，提高了社区结构的内聚性。
-
公开(公告)号：CN109152103B
公开(公告)日：2021-02-05
申请号：CN201811308609.X
申请日：2018-11-05
Abstract: 本发明实施例公开了一种对无线传感器网络进行组网方法及装置，该方法包括：将传感器网络建模为无向连通图；中心节点向通信范围内的节点发送路由创建请求；节点中每一个节点均根据请求，获取与中心节点之间的最小跳数、每一个节点自身剩余的能量，以及获取以自身为中心的通信范围内的节点之间的预设参数信息；节点根据以上参数，确定节点中的簇头节点和非簇头成员节点；根据簇头节点和中心节点之间的关系，或者，根据簇头节点、非簇头成员节点和中心节点之间的函数关系，从簇头节点中选取数据转发节点；根据数据转发节点，对粒子群中的第一粒子进行一次组网，获取与第一粒子对应的网络生命周期值；对最优组网粒子进行更新和迭代。
-
Patent Agency Ranking
公开(公告)号：CN110347897A
公开(公告)日：2019-10-18
申请号：CN201910577138.0
申请日：2019-06-28
Applicant: 哈尔滨理工大学
IPC: G06F16/951 , G06F16/9536 , G06F17/27 , G06Q50/00 , G06K9/62
Abstract: 本发明是基于事件检测的微博网络情感社区识别方法。本发明基于Python爬虫爬取微博网络用语的数据，提取微博网络中的社会热点事件，构造事件热点评估函数；度量微博用户对社会热点事件的情感极性，生成微博用户对多个社会热点事件的情感极性标签；初始化微博用户的情感极性标签，构造社区标签更新迭代规则，直至标签收敛时终止循环，将具有相同标签的节点划分到同一社区。本发明解决目前社区识别算法无法刻画用户的情感倾向性，导致输出的社区结果内聚性较低、稳定性不足，在网络演化过程中容易引发社区分裂的问题。本发明保证了输出的社区结果具有较高的内聚性及稳定性，对网络演化产生的网络结构及属性改变具有较高的适应性。
-
公开(公告)号：CN107677277A
公开(公告)日：2018-02-09
申请号：CN201710913955.X
申请日：2017-09-30
Applicant: 哈尔滨理工大学
IPC: G01C21/20
CPC classification number: G01C21/20
Abstract: 一种基于Dijkstra算法的路径确定方法，本发明涉及一种路径确定方法。本发明为了现有的Dijkstra算法存在权值非负无向图、无权无向图、无法形成实际最优路径问题。本发明将路口作为Dijkstra算法中的顶点，然后采用附加卡尔曼滤波模型权值和距离的加权平均值算法确定权值然后基于权值利用Dijkstra算法确定最佳路径。本发明适用于路径确定。
-
公开(公告)号：CN119649399A
公开(公告)日：2025-03-18
申请号：CN202411604497.8
申请日：2024-11-12
Applicant: 哈尔滨理工大学
IPC: G06V40/10 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0455 , G06N3/006
Abstract: 本发明公开了基于多尺度交叉注意力Transformer的跨模态行人重识别方法，包括以下步骤：步骤一、图像获取，步骤二、特征集获取，步骤三、特征融合，步骤四、特征确定，本发明网络的初始阶段，使用两个标准数据集以获取RGB和红外图像，接着，利用MSCAViT从RGB和红外图像中提取关键特征，得到两个特征集，然后，将RGB图像转换为灰度图像，并输入MSCAViT模型以获得第三个特征集，通过这三个特征集的加权融合，使用OSCSO方法确定最优权重，最终得到融合特征，将结果特征输入MSCAViT的解码端，生成最终用于图像匹配的特征，模型通过多种指标进行评估，并与传统方法进行比较，结果表明，所提出的方法在解决VI Re‑ID任务中的模态差异问题上表现出更优越的效果。
-
公开(公告)号：CN118887247A
公开(公告)日：2024-11-01
申请号：CN202410938245.2
申请日：2024-07-12
Applicant: 哈尔滨理工大学
IPC: G06T7/136 , G06V10/764 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06V10/776 , G16H30/00
Abstract: 本发明公开了一种基于多尺度对比学习的涂鸦监督医学图像分割方法，涉及医学图像分割技术领域。该方法采用混合的CNN‑ASPP双分支网络结构，无需完全标注的未配对掩码；基于阈值的硬伪标签机制使两个分支相互学习，融合CNN主分支的局部细粒度特征与ASPP辅助分支的多尺度上下文和全局信息，隐式学习全局形状先验知识；通过结合区域损失和边界损失优化的硬伪标签监督，引导图像块级别的对比学习，充分挖掘医学图像中非目标切片的解剖结构信息，从而增强模型对前景和背景区域的区分能力，减少噪声标签的干扰，提升了分割模型的鲁棒性和泛化能力。
-
公开(公告)号：CN117292675A
公开(公告)日：2023-12-26
申请号：CN202311388897.5
申请日：2023-10-24
Applicant: 哈尔滨理工大学
IPC: G10L15/00 , G10L15/06 , G10L15/16 , G10L21/02 , G06N3/0464 , G06N3/0499
Abstract: 基于深层时序特征表示的语种识别方法，本发明涉及一种基于深层时序特征表示的语种识别方法，属于语种识别技术领域。本发明的目的是为了解决现有方法对语种识别的精度低的问题。过程为：步骤1、获取不同语种的音频数据集；分别对不同语种的音频数据集进行数据增强；将数据增强后的不同语种的音频数据集裁剪成同等长度音频数据，作为训练集；步骤2、构建深度学习模型，将步骤1的训练集输入深度学习模型进行训练，直至达到了设置的最大迭代次数，获得训练好的深度学习模型；所述深度学习模型依次包括预训练模型、时间池和全连接层；步骤3、将待测音频数据输入训练好的深度学习模型，获得待测音频数据的语种类别。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.03 seconds)
