-
公开(公告)号：CN118332522A
公开(公告)日：2024-07-12
申请号：CN202410448612.0
申请日：2024-04-15
Applicant: 哈尔滨工程大学
IPC: G06F18/40 , G06F18/213 , G06F18/214 , G06Q10/10 , G06N3/045
Abstract: 基于提示学习的提示交互建模方法，本发明涉及提示交互建模技术领域，具体涉及提示交互建模方法。本发明为解决现有提示建模方法不能进行智能的提示，导致建模效率低的问题。过程为：一、建模界面当前节点元素转换为元素所对应的文本数据样本；二、构建提示文本模板；三、将提示文本模板以及文本数据样本进行组合，得到组合后数据，获得组合后数据的嵌入向量矩阵；四、将嵌入向量矩阵中每个词嵌入向量输入到编码器，输出特征矩阵；五、将特征矩阵作为预训练好的语言模型BERT的输入，预训练好的语言模型BERT的输出为与一得到的文本数据样本相关的下一段文本数据样本；六、将下一段文本数据样本转换为建模界面的下一节点元素。
-
公开(公告)号：CN113962303B
公开(公告)日：2024-04-26
申请号：CN202111227231.2
申请日：2021-10-21
Applicant: 哈尔滨工程大学
IPC: G06F18/25 , G06N3/0464 , G06N3/048
Abstract: 基于密度融合的水下试验环境反演方法及系统，属于水声技术领域。本发明为了解决现有的匹配场反演比较复杂的问题以及声速剖面往往不能直接求解得到唯一解的问题。本发明首先将将环境特征输入OneHot和Embedding网络得到高维特征向量，然后根据环境特征和深度信息得到融合特征矩阵，将融合特征矩阵输入残差网络模型得到对应的环境剖面信息数据，从而实现试验环境反演。主要用于水下试验环境的反演。
-
公开(公告)号：CN116543315A
公开(公告)日：2023-08-04
申请号：CN202310596184.1
申请日：2023-05-24
IPC: G06V20/13 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 基于前景注意力网络的遥感图像目标检测方法，具体涉及一种基于多尺度特征融合、前景注意力网络和原型生成网络的小样本遥感图像目标检测方法，为解决现有的结合原型网络思想的小样本图像目标检测方法使小样本的遥感图像目标检测结果准确率低的问题。它利用多尺度融合特征提取网络提取每张图像的多尺度特征，再利用前景注意力网络得到增强特征，针对同一目标，利用基于余弦距离的原型生成网络对当前目标的不同增强特征赋予不同权重，加权平均，得到每类目标的原型。获取待查询图像的多尺度特征，利用RPN得到每个尺度特征中目标的建议框，将与建议框目标相似度最高的目标原型作为待查询图像的目标，得到目标种类及位置。属于遥感图像目标检测领域。
-
公开(公告)号：CN113688571B
公开(公告)日：2023-06-30
申请号：CN202110983334.5
申请日：2021-08-25
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F17/16 , G06F18/22 , G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08 , G06F113/08
Abstract: 一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
公开(公告)号：CN112541547B
公开(公告)日：2022-09-02
申请号：CN202011466539.8
申请日：2020-12-14
Applicant: 哈尔滨工程大学
Abstract: 支持水下快速目标识别的加权融合权重确定方法，本发明涉及加权融合权重确定方法。本发明涉及加权融合权重确定方法。过程为：1：n个传感器收集声音数据，将每个传感器收集的声音数据均分成m段；2：计算传感器间的传感器支持度和传感器相似性；3：计算传感器内的局部稳定性和局部支持度；4：基于熵权法计算熵权系数；5：计算准则指标的累积贡献率；6：确定各个声音信号段的准则指标；7：确定各个声音信号段对应的权重；8：将原始声音信号数据分为加速和匀速；分别给加速和匀速各一个权重，将加速和匀速的权重分别乘上声音信号段对应的权重，作为二阶权重；9：确定水下快速目标的类别。本发明用于水下快速目标识别领域。
-
Patent Agency Ranking
公开(公告)号：CN111460932B
公开(公告)日：2022-06-21
申请号：CN202010188704.1
申请日：2020-03-17
Applicant: 哈尔滨工程大学
Abstract: 基于自适应卷积的水声信号分类识别方法，本发明涉及水声信号分类识别方法。本发明的目的是为了解决现有模型对特征提取能力不足导致分类准确率低的问题。过程为：一、建立自适应卷积神经网络模型；二、将带标签的水声信号分为训练集和测试集；将训练集输入模型，对模型进行训练，得到预训练好的自适应卷积神经网络模型；将测试集输入预训练好的模型，若测试准确率大于等于85％，则认为模型为最终训练好的模型；否则对模型参数进行调整，并再次利用训练集进行模型训练；直到获得训练好的模型。三、将待测试的水声信号输入训练好的自适应卷积神经网络模型，完成对水声信号的分类识别。本发明用于水声信号分类识别领域。
-
公开(公告)号：CN114547418A
公开(公告)日：2022-05-27
申请号：CN202210180955.4
申请日：2022-02-25
Applicant: 哈尔滨工程大学 , 中国船舶重工集团公司第七一四研究所
IPC: G06F16/951 , G06F30/27 , G06N3/04 , G06N3/08
Abstract: 基于疲劳仿真模型的拟人爬虫方法，涉及信息获取领域。解决了现有针对反爬虫技术的爬虫方法，爬取效率低的问题。本发明方法包括：S1、利用m个个体均对任意目标网站下的n个目标文章依次进行采集，获得初始数据集；S2、对初始数据集进行预处理；S3、构建疲劳仿真模型；S4、将预处理后的数据集划分为两部分，一部分作为训练集，另一部分作为验证集；利用训练集对疲劳仿真模型进行训练，获得训练后的疲劳仿真模型；S5、利用验证集和训练后的疲劳仿真模型，获得进行当前爬虫任务所需的休眠时间间隔后，将休眠时间间隔与爬虫程序进行整合，获得整合后的爬虫程序，再利用整合后的爬虫程序进行网络爬虫，从而实现拟人爬虫。主要用于信息采集。
-
公开(公告)号：CN113688571A
公开(公告)日：2021-11-23
申请号：CN202110983334.5
申请日：2021-08-25
Applicant: 哈尔滨工程大学
Abstract: 一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
公开(公告)号：CN107592622B
公开(公告)日：2021-09-17
申请号：CN201710599176.7
申请日：2017-07-21
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于地理位置信息的机会型并行传输MAC协议，引入地理位置信息这一要素，对局部并行映射表和并行控制算法两方面进行改进，提出了基于地理位置信息的机会型并行传输MAC协议。在此基础上，对并行映射表和并行控制算法的相应部进行了改进；发送端节点通过局部并行映射表的记录检索到所有可能受到自身干扰的两跳范围内的节点，并依次比较其与每个节点的距离值和自身传输半径之间的关系，满足条件的记录进入映射表中，在最大程度上排除受干扰节点的数量；接收端节点通过与多个发送端节点的距离比较，选取其中最小的一个进行数据通信，在解决隐藏终端问题的同时，提高数据传输的成功率。
-
公开(公告)号：CN112488180A
公开(公告)日：2021-03-12
申请号：CN202011356846.0
申请日：2020-11-27
Applicant: 哈尔滨工程大学
Abstract: 基于RealifF的特征选择方法，涉及数据挖掘技术领域，针对传统的去冗余方法是将一组冗余特征保留一个，这样会造成损失信息的问题，本申请通过距离相关性系数找出冗余特征，解决冗余问题。传统的简单去冗余方法是将一组冗余特征保留一个，本申请通过自编码器融合这些冗余特征而不是直接丢掉，解决了损失信息的问题。自编码器是一种黑盒的结构，无法保证最后可以得到想要的特征，本申请通过多任务的方式，加上一路分类的任务，可以迫使自编码器学到这一组冗余信息中更利于分类的特征，提升自编码器学习到特征的质量。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.024 seconds)
