-
公开(公告)号：CN108696513A
公开(公告)日：2018-10-23
申请号：CN201810389995.3
申请日：2018-04-27
Applicant: 哈尔滨理工大学
CPC classification number: H04L69/162 , G01C23/00 , G05D1/102 , G08C17/02 , H04L67/12 , H04L69/164
Abstract: 针对现有无人机控制系统数据传输的可靠性差的问题，本发明提供一种丢包率低、无延迟、无阻塞的无人机控制系统，属于无人机通信领域。本发明设置在地面，包括数据通信模块、数据显示模块、任务控制模块和飞行数据存储模块；数据通信模块，用于利用UDP协议下的socket网络实现与无人机交互，包括接收无人机的飞行状态数据及向无人机发送控制指令；数据显示模块，用于根据接收的无人机的飞行状态显示无人机实时的飞行状态信息；数据存储模块，用于将无人机的飞行状态数据存储至数据库；任务控制模块，用于根据无人机的飞行状态数据，获得控制指令，控制无人机飞行路线。本发明在UDP协议的基础上实现，具备良好的可控性与可靠性。
-
公开(公告)号：CN105528504B
公开(公告)日：2018-09-04
申请号：CN201610115922.6
申请日：2016-03-01
Applicant: 哈尔滨理工大学
IPC: G06F17/50
Abstract: 基于CFOA‑MKHSVM的滚动轴承健康状态评估方法，属于轴承故障评估技术领域。本发明是为了更有效评估滚动轴承性能退化程度。本发明方法先提取轴承振动信号的时域、频域统计特征及基于小波包的时频特征。针对滚动轴承各状态数据分布不均匀、数据异构的问题，采用超球体支持向量机识别并进行多核凸组合优化。为消除人为选择分类器多参数的盲目性，以及容易选入局部最优问题，将果蝇算法与混沌理论相结合，对多参数进行寻优。同时构建混沌优化果蝇算法—多核超球体支持向量机CFOA‑MKHSVM模型，并提出归一化差别系数评估指标。经实验，与SVDD算法评估指标进行对比，验证了所提指标的有效性，实现了滚动轴承健康状态的定量评估。
-
公开(公告)号：CN107908863A
公开(公告)日：2018-04-13
申请号：CN201711123328.2
申请日：2017-11-14
Applicant: 哈尔滨理工大学
CPC classification number: G06F17/5009 , G06K9/00496 , G06K9/00516
Abstract: 本发明提出了一种基于EMD理论与HHT变换的水轮机运转状态判定方法，包括以下步骤：步骤1、利用压力传感器采集压力脉动信号；步骤2、对压力脉动信号进行降采样处理；步骤3、利用小波变换对降采样处理后的压力脉动信号进行去噪，获得压力脉动重构信号；步骤4、向压力脉动重构信号中加入已知频率的高频正弦信号，利用镜像延拓法确定压力脉动重构信号的新边界；步骤5、利用EMD分解法对压力脉动重构信号进行分解，得到各个IMF分量；步骤6、对EMD分解得到的各个IMF分量进行逐一Hilbert变换，得到压力脉动重构信号的瞬时能量谱；步骤7、根据瞬时能量谱进行水轮机运转状态的判定。本发明对于分析水轮机的运转的故障状态具有重要的意义。
-
公开(公告)号：CN113723489B
公开(公告)日：2024-11-29
申请号：CN202110975013.0
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/0985 , G01M13/045
Abstract: 一种改进关系网络的滚动轴承故障识别方法，涉及轴承故障识别技术领域，用以解决在少量标记样本情况下，现有滚动轴承故障识别模型对于故障识别效果不佳的问题。本发明的技术要点包括：根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现滚动轴承故障识别。本发明仅使用少量标记样本就可以训练出故障识别模型，解决了在某种型号轴承数据上训练的模型泛化能力差，不能有效用于其他型号轴承故障识别的问题。
-
公开(公告)号：CN118938230A
公开(公告)日：2024-11-12
申请号：CN202411282217.6
申请日：2024-09-13
Applicant: 哈尔滨理工大学
Abstract: 针对水下机动目标跟踪过程中量测量出现野值或量测噪声的后验分布未知的问题，本发明提出了一种基于M估计的变分贝叶斯无迹卡尔曼滤波算法。该算法采用奇异值分解代替无迹卡尔曼滤波算法中的Cholesky分解，以保证协方差矩阵在迭代时的正定性；通过引入M估计方法，将量测信息进行预处理，去除异常值与非高斯噪声的干扰，以增强算法准确性；采用变分策略对量测噪声的后验分布进行实时估计，使得滤波算法在量测噪声后验分布未知的条件下实现准确的跟踪。进行仿真实验测试，本发明所提出的方法相比于原有的算法在量测噪声位置的情况下具有更低的跟踪误差以及收敛速度。该算法显著提升了目标跟踪系统的准确度和鲁棒性，对不确定量测条件下的目标跟踪具有重要的实际意义。
-
Patent Agency Ranking
公开(公告)号：CN118643725A
公开(公告)日：2024-09-13
申请号：CN202310234996.1
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/25 , G06N3/0464 , G06N3/08 , G06N3/006 , G06Q10/04 , G06F111/04
Abstract: 本发明公开了一种基于深度学习的水轮机状态预测方法，所述方法包括：用果蝇优化算法(Fly optimizationalgorithm,FOA)优化变分模态分解(Variationalmodedecomposition,VMD)的本征模态函数(IntrinsicModeFunction,IMF)个数K和惩罚因子，用短时傅里叶变换(Short‑timeFouriertransform,STFT)验证参数优化的准确性，用参数优化的VMD分解水轮机信号；用峭度准则重构水轮机信号，用连续小波变换(Continuouswavelettransform,CWT)把重构水轮机信号转换为二维特征频谱图，再通过直方图均衡化对二维特征频谱图进行特征增强，获得特征增强之后的频谱图；最后，对深度残差网络(Deepresidualnetwork,ResNet)的卷积模块、残差模块、激活函数进行改进以获得改进的深度残差网络，再把改进的深度残差网络和迁移学习(Transferlearning,TL)结合起来，得到水轮机状态预测模型。用从国内某大电机研究所的混流式水轮机采集的水轮机数据做实验，确定了本发明公开的一种基于深度学习的水轮机状态预测方法，预测性能较好。
-
公开(公告)号：CN117196940A
公开(公告)日：2023-12-08
申请号：CN202310908104.1
申请日：2023-07-23
Applicant: 哈尔滨理工大学
IPC: G06T3/40 , G06V10/774 , G06V10/82 , G06V10/776 , G06V10/80 , G06V10/77 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的适用于真实场景图像的超分辨率重构方法，所述方法包括：对于输入的低分辨率图像，通过树状结构形成多分支超分辨率重构网络得到多个重构结果，采用空间频率方法进行融合得到最终的超分辨重构结果。其中，树状多分支结构增强特征表现能力，进而丰富重构图像高频细节。分支采用双通道残差策略对基础块进行连接，允许更多低频特征通过，以及基础块融入了密集残差结构和注意力机制，可以在加深网络的同时使网络在通道和空间上进行全局信息自适应调整，因此提升网络的自适应能力和鲁棒性。本发明提供的方法训练出的模型在真实场景下有较好的表现能力，使重构出的高分辨率图像包含更多纹理细节。
-
公开(公告)号：CN116540240A
公开(公告)日：2023-08-04
申请号：CN202310431527.9
申请日：2023-04-21
Applicant: 哈尔滨理工大学
Abstract: 在水下作战中，水下目标搜索方式通常采用平行线等固定搜索模式来规划搜索路径，寻求最佳的覆盖率。循环遍历的搜索方式虽然能够实现搜索全覆盖，但存在搜索效率不高的缺点。本发明将黄蜂群算法运用于水下作战的目标搜索中，结合栅格化地图，以水文条件为背景，提出了一种基于黄蜂群算法的水下目标搜索方法。该方法通过对待定搜索区域进行栅格化处理，然后利用声纳方程和水声传播模型RAM对水文环境条件进行计算和划分，再对搜索平台的动作空间进行定义，最后利用黄蜂群算法进行覆盖搜索。选用成功搜索概率(ProbabilityofSuccess,POS)和区域覆盖率作为评价指标，进行实验测试。研究表明，本方法与随机搜索方法和循环遍历搜索方法相比，性能有较大提高。由此证明了基于黄蜂群算法的水下目标搜索方法的可行性与有效性。
-
公开(公告)号：CN116417008A
公开(公告)日：2023-07-11
申请号：CN202310403921.1
申请日：2023-04-14
Applicant: 哈尔滨理工大学
IPC: G10L21/0272 , G10L25/30 , G10L25/57 , G06V40/20 , G10L15/25 , G06V10/24 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/40 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明充分考虑视觉特征、音频特征之间的相互联系，采用多头注意力机制，结合稠密光流(Farneback)算法和U‑Net网络，提出跨模态融合的光流‑音视频语音分离(Flow‑AVSS)模型。该模型通过Farneback算法和轻量级网络ShuffleNet v2分别提取运动特征和唇部特征，然后将运动特征与唇部特征进行仿射变换，经过时间卷积模块(TCN)得到视觉特征，为充分利用到视觉信息，在进行特征融合时采用多头注意力机制，将视觉特征与音频特征进行跨模态融合，得到融合音视频特征，最后融合音视频特征经过U‑Net分离网络得到分离语音。利用PESQ、STOI及SDR评价指标，在AVspeech数据集进行实验测试。本方法与纯语音分离网络和仅采用特征拼接的音视频分离网络相比，性能上分别提高了2.23dB和1.68dB。由此表明，采用跨模态注意力进行特征融合，能更加充分利用各个模态相关性，增加的唇部运动特征，能有效提高视频特征的鲁棒性，提高分离效果。
-
公开(公告)号：CN113724727A
公开(公告)日：2021-11-30
申请号：CN202111035383.2
申请日：2021-09-02
Applicant: 哈尔滨理工大学
IPC: G10L21/0272 , G10L21/0216 , G10L21/0224 , G10L21/0232 , G10L25/30
Abstract: 在利用深度学习方式进行语音分离的领域，多路人声信号分离较为复杂，现阶段所使用的分离方式多是基于频谱映射方式，没有有效利用语音信号空间信息。针对此问题，本发明结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法，通过超指向波束形成算法得到3个不同方向上的波束，然后提取每一波束中频谱幅度特征，并构建神经网络预测掩蔽值，得到待分离语音信号频谱并重构时域信号，实现语音分离，该算法充分利用了语音信号空间特征和信号频域特征。60度方向该算法与IBM‑LSTM网络相比，客观语音质量评估(PESQ)提高了0.59，短时客观可懂(STOI)指标提高了0.06，信噪比(SDR)提高了1.13dB，另外两个方向上，实验结果同样证明了该算法较IBM‑LSTM算法和RNN算法具有更好分离性能。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.021 seconds)
