-
公开(公告)号：CN119624271A
公开(公告)日：2025-03-14
申请号：CN202411671573.7
申请日：2024-11-21
Applicant: 哈尔滨工程大学
IPC: G06Q10/067 , G06Q50/00 , G06F16/9536 , G06F16/353
Abstract: 一种融合用户影响力和活跃度的社交网络情感演化模型，涉及社交网络分析技术领域。为解决现有技术中存在的，现有的网络情感分析与情感演化的分析过程中，模拟不精确，预测不够灵活的技术缺陷，本发明提供的技术方案为：一种融合用户影响力和活跃度的社交网络情感演化模型，模型分析方法在于：采集目标用户的文本情感；采集各用户的用户影响力；采集t时刻的目标社交网络的活跃度；采集各用户在t时刻的遗忘概率，作为情感演化能力；社交网络的情感演化动力学模型；根据文本情感，优化信息传播模型的演化概率；根据优化后的信息传播模型，对社交网络的情感演化动力学模型的演化过程进行分析。适合应用于社交网络分析的工作中。
-
公开(公告)号：CN114510945B
公开(公告)日：2024-10-22
申请号：CN202210157121.1
申请日：2022-02-21
Applicant: 哈尔滨工程大学
IPC: G06F40/295 , G06N3/0442 , G06N3/045
Abstract: 基于偏旁特征嵌入的中文命名实体识别网络模型，涉及自然语言处理与中文命名实体识别领域。解决了现有中文命名实体识别算法的语义识别的准确率和F值低的问题。将字符拆分成其偏旁构成的形式，将其映射为偏旁特征向量、并与单词特征向量和字符特征向量，组合后输入到Bi‑LSTM编码层中进行编码中，编码后的特征经CRF解码层解码后得到输入文本的命名实体标签，从而实现对中文命名实体的识别。本发明主要用于对中文命名实体进行识别。
-
公开(公告)号：CN118053064A
公开(公告)日：2024-05-17
申请号：CN202410169717.2
申请日：2024-02-06
Applicant: 哈尔滨工程大学
IPC: G06V10/82 , G06V10/774 , G06V10/26 , G06V20/70 , G06V10/42 , G06V10/80 , G06V10/766 , G06N3/0464 , G06N3/09
Abstract: 基于深度学习的法兰中心点识别方法，本发明涉及法兰中心点识别方法。本发明的目的是为了解决现有传统视觉识别系统对法兰中心点的识别准确性低、效率低下、以及适应性不足的问题。过程为：步骤一、随机采样带法兰中心点坐标标签的法兰图片，作为训练集；步骤二、构建神经网络模型；具体过程为：神经网络模型包括：语义分割网络、全局特征提取网络和关键点识别网络；步骤三、基于训练集训练构建的神经网络模型，获得训练好的神经网络模型；步骤四、采集待测法兰图片，将待测法兰图片输入训练好的神经网络模型，训练好的神经网络模型输出待测法兰图片的法兰中心点。本发明用于法兰中心点的识别领域。
-
公开(公告)号：CN110991156B
公开(公告)日：2023-05-23
申请号：CN201911142359.1
申请日：2019-11-20
Applicant: 哈尔滨工程大学
IPC: G06F40/186 , G06F8/30
Abstract: 本发明是一种基于船舶数值虚拟试验的报告自动生成方法。本发明本发明主要包括：框架设计、数据处理、后处理、数据替换和框架集成。本发明提出的基于船舶数值虚拟试验的报告自动生成方法，可以将在网页进行虚拟试验时所生成的json文件或相关的数据文件通过智能抽取，自动将其转换成对应的图像、表格、文本，并生成试验报告。这种试验报告自动生成的方法不但可以准确的表达数据之间的关系，还可以展现出各种试验结果。使试验结果具有更好的通用性和一致性，并且提高了生成试验报告的效率。
-
公开(公告)号：CN111815468B
公开(公告)日：2023-05-09
申请号：CN202010498851.9
申请日：2020-06-04
Applicant: 哈尔滨工程大学
IPC: G06Q50/00 , G06F16/9536 , G06F18/22 , G06F18/25
Abstract: 本发明的一种基于用户身份关联的多源社交网络构建方法，属于社交网络分析技术领域。首先定义伪超边的概念并构造伪超边超图模型，通过引入拓扑亲密值度量超图中节点间拓扑结构相似性，然后将超图中节点的用户名属性向量化进行相似度计算，进而提出基于联合锁定策略的用户身份关联方法实现跨社交网络用户匹配，最后基于用户匹配结果进行社交关系填补完成多源社交网络构建。本发明提出的基于用户身份关联的多源社交网络的构建方法最大化利用网络拓扑信息，综合利用结构特性和用户属性进行用户匹配，克服单一网络的局限性，构建的网络更加完备、精准，在种子节点有限的情况下也能获得较好地效果。
-
Patent Agency Ranking
公开(公告)号：CN115861660A
公开(公告)日：2023-03-28
申请号：CN202211689077.5
申请日：2022-12-27
Applicant: 哈尔滨工程大学
IPC: G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 一种基于混合度量的特征分布度量方法，为解决在图像分类时深度迁移学习方法的迁移学习模型无法对目标域数据准确标注的问题。将图片分为源域和目标域；利用源域中的图片对迁移学习模型进行训练，得到模型；计算分类损失；计算域间特征边缘分布差异的一、二、三阶统计量距离，再加权组合得到域间特征边缘分布的混合度量；获取目标域软标签，利用软标签计算目标域特征的初始软质心，再使用余弦相似度得目标域特征的伪标签；计算域间特征的条件分布差异的一、二、三阶统计量距离，再加权组合得到域间特征条件分布的混合度量；将二者混合度量相加得域间特征统计量距离；计算迁移学习模型总体损失函数，更新模型；预测测试样本，得到种类预测概率。
-
公开(公告)号：CN111766901B
公开(公告)日：2022-10-04
申请号：CN202010713170.X
申请日：2020-07-22
Applicant: 哈尔滨工程大学
IPC: G05D1/12
Abstract: 多无人机协同目标分配攻击方法，属于多无人机协同目标分配的技术领域，解决了现有多无人机协同目标分配作战时，由于环境影响，造成目标攻击准确率低的问题，本发明针对多个无人机在复杂的约束条件下对多个目标进行攻击作战任务，将模型分为两个作战阶段，第一部分无人机从同一地点出发到达已知无人机攻击区域，考虑时间代价和航程代价。到达指定攻击地点后，根据建立的优势攻击函数，以及考虑航程、时间、威胁、收益等代价综合考虑，合理分配目标，以寻找最佳的攻击位置，达到理想的攻击效果。本发明适用于多无人机协同攻击多目标。
-
公开(公告)号：CN115035912A
公开(公告)日：2022-09-09
申请号：CN202210644380.7
申请日：2022-06-08
Applicant: 哈尔滨工程大学
Abstract: 基于MOC模型的水声信号样本自动标注方法，具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法，本发明为解决传统水声信号样本标注采用人工方法，不仅费时费力，经济效益低，还受专业性限制，标注准确性低的问题，它包括采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；将待标注的水声信号样本上述操作，得到已标注的水声信号样本。属于水下声音信号标注领域。
-
公开(公告)号：CN114565831A
公开(公告)日：2022-05-31
申请号：CN202210202911.7
申请日：2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/762 , G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 一种考虑深度学习模型健壮性的水下目标分类的方法，本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，它包括利用训练好的原始模型对采集的水下目标数据训练集进行预测得到所有分类正确样本的集合和所有分类错误样本的集合；将所有分类错误样本的集合输入训练好的原始模型内，对分类错误样本的特征进行聚类和特征补偿，得到分类错误样本的特征补偿；将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型；将水下目标数据训练集输入特征补偿后的原始模型内，输出分类错误的样本；建立对抗训练模型，得到训练好的对抗训练模型；将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型；属于水下目标分类领域。
-
公开(公告)号：CN114091531A
公开(公告)日：2022-02-25
申请号：CN202111341770.9
申请日：2021-11-12
Applicant: 哈尔滨工程大学
Abstract: 基于多尺度的环境特征提取方法，涉及水下声纹特征提取技术领域，针对现有技术中模型特征提取准确率低的问题，包括：步骤一：采集水声信号数据，并将水声信号数据的特征进行标记，之后利用标记后的水声信号数据构成数据集；步骤二：对数据集进行预处理，并将预处理后的数据集作为训练集；步骤三：利用训练集训练多尺度的环境特征提取网络模型；步骤四：利用训练好的多尺度的环境特征提取网络模型对水域环境的水声信号进行特征提取。本申请使用局部切这样更加均衡的切分方式，提高了模型特征提取的准确率。
-
-
-
-
-
-
-
-
-
Search Results
115
records
(took 0.042 seconds)
