-
公开(公告)号：CN111709525B
公开(公告)日：2023-06-02
申请号：CN201910648425.6
申请日：2019-07-18
申请人： 中国人民解放军火箭军工程大学
IPC分类号： G06N3/126
摘要： 一种基于改进遗传算法的武器‑目标分配解决方法，涉及计算机仿真与方法优化领域。该方法包含如下步骤：构建问题模型并生成可行解；使用遗传算法根据约束条件收集目标数量的样本个体，计算样本个体的变量概率分布；基于样本变量的概率分布对可行解进行赋值；使用遗传算法对初始化后的可行解样本迭代寻优。本发明具有能够能快速迭代且寻优结果好的特点。
-
公开(公告)号：CN113920015A
公开(公告)日：2022-01-11
申请号：CN202111269585.3
申请日：2021-10-29
申请人： 中国人民解放军火箭军工程大学
摘要： 本发明公开了一种基于生成对抗网络的红外图像边缘保留超分辨重建方法，包括两层生成对抗网络，该网络将图像的生成过程分解为两个阶段，第一阶段GAN：在第一阶段中，将低分辨率图像作为输入，送到第一阶段生成器中，生成一张假的的图像，将这张生成的图像与真实的图像一起送到第一阶段鉴别器中，并辨别真假；第二阶段GAN：在第二阶段中，将生成的低分辨率图像作为输入，送到第二阶段生成器中，生成一张的图像；将这张生成的图像与真实的图像一起送到第二阶段鉴别器中，并辨别真假。使用本发明的方法能得到具有照片般逼真细节的高分辨率图像。
-
公开(公告)号：CN113962895A
公开(公告)日：2022-01-21
申请号：CN202111270671.6
申请日：2021-10-29
申请人： 中国人民解放军火箭军工程大学
摘要： 本发明公开了一种自适应生成对抗网络图像降噪方法，将任意噪声图像分别送入到生成器G1和G2中，生成器G1对给定噪声图像中的噪声建模，以便可以学习从噪声图像中提取噪声图；通过将提取的噪声图添加真实的无噪声图像来构建图像对生成噪声图像，用原带噪声的图像减去提取的噪声图得到降噪的图像；将生成的噪声图像与真实的有噪声图像一起送到鉴别器D1中并鉴别真假；有噪声的图像被送到生成器G2后，G2的任务是尝试学会从有噪声的图像中生成干净的降噪图像ID2，通过将生成的干净降噪图像ID2、之前得到的降噪图像ID1和真实的无噪声图像送入到鉴别器D2中，在迭代中不断提升判别器的判定真假能力和生成器生成逼真图像的能力。
-
公开(公告)号：CN113962895B
公开(公告)日：2024-06-28
申请号：CN202111270671.6
申请日：2021-10-29
申请人： 中国人民解放军火箭军工程大学
IPC分类号： G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094
摘要： 本发明公开了一种自适应生成对抗网络图像降噪方法，将任意噪声图像分别送入到生成器G1和G2中，生成器G1对给定噪声图像中的噪声建模，以便可以学习从噪声图像中提取噪声图；通过将提取的噪声图添加真实的无噪声图像来构建图像对生成噪声图像，用原带噪声的图像减去提取的噪声图得到降噪的图像；将生成的噪声图像与真实的有噪声图像一起送到鉴别器D1中并鉴别真假；有噪声的图像被送到生成器G2后，G2的任务是尝试学会从有噪声的图像中生成干净的降噪图像ID2，通过将生成的干净降噪图像ID2、之前得到的降噪图像ID1和真实的无噪声图像送入到鉴别器D2中，在迭代中不断提升鉴别器的判定真假能力和生成器生成逼真图像的能力。
-
公开(公告)号：CN111709525A
公开(公告)日：2020-09-25
申请号：CN201910648425.6
申请日：2019-07-18
申请人： 中国人民解放军火箭军工程大学
IPC分类号： G06N3/12
摘要： 一种基于改进遗传算法的武器-目标分配解决方法，涉及计算机仿真与方法优化领域。该方法包含如下步骤：构建问题模型并生成可行解；使用遗传算法根据约束条件收集目标数量的样本个体，计算样本个体的变量概率分布；基于样本变量的概率分布对可行解进行赋值；使用遗传算法对初始化后的可行解样本迭代寻优。本发明具有能够能快速迭代且寻优结果好的特点。
-
公开(公告)号：CN113284045A
公开(公告)日：2021-08-20
申请号：CN202110550369.X
申请日：2021-05-20
申请人： 中国人民解放军火箭军工程大学
摘要： 本发明涉及高光谱图像领域，公开基于迁移学习和光谱恢复的HSI超分辨重建方法及相关设备，用于通过机器学习模型实现从低分辨高光谱图像预测HSI，方法包括：获取高光谱图像集训练集和彩色图像训练集；根据高光谱图像集训练集进行光谱下采样得到多光谱图像集；根据彩色图像训练集对预设迁移学习模型进行训练，得到空间超分辨模型，并对空间超分辨模型进行调优，得到目标空间超分辨模型；根据低分辨率多光谱图像集和低分辨率高光谱图像集，对预设深度学习模型进行训练，得到目标光谱超分辨模型；获取待重建的低分辨率高光谱图像，基于目标空间超分辨模型及目标光谱超分辨模型分别进行迁移学习与光谱恢复处理，得到对应的高分辨率高光谱图像。
-
公开(公告)号：CN110995509A
公开(公告)日：2020-04-10
申请号：CN201911343038.8
申请日：2019-12-24
申请人： 中国人民解放军火箭军工程大学
摘要： 本发明属于网络技术领域，是一种Ad Hoc路由中选择使用较少的节点以减少通信干扰的方法，其特征在于：包括下列步骤：第一步，在MANETs网络中使用基于位置的路由；第二步，引入保守邻域范围；第三步，选择使用较少的节点做为下一跳节点。本发明提出了一种新的方法即GBR-CNR-LU，来提高GBR方法的性能，仿真实验表明提出的方法显著提高了包传递的性能，确保了更高的网络稳定性。显著提高了包传递的性能，确保了更高的网络稳定，提高了通信可靠性。
-
公开(公告)号：CN113269677A
公开(公告)日：2021-08-17
申请号：CN202110550137.4
申请日：2021-05-20
申请人： 中国人民解放军火箭军工程大学
摘要： 本发明涉及高光谱图像领域，公开基于无监督学习的HSI超分辨重建方法及相关设备，用于实现无监督的HSI超分辨重建，方法包括：获取图像训练集，对预设生成对抗模型中的生成器模块进行图像退化的无监督训练，得到低分辨仿真图像生成器，并根据所述仿真低分辨率图像与真实低分辨率图像的映射关系，对预设生成对抗模型中的判别器模块进行判别真假的无监督训练，得到所述图像判别器；构建成对的模型训练集，基于所述仿真低分辨率图像及与其对应高分辨率图像之间的映射关系，对预设深度学习模型采用端到端的有监督学习方式，得到面向HSI的超分辨重建模型；获取待重建的低分辨高光谱图像，基于所述面向HSI的超分辨重建模型得到预测的高分辨高光谱图像。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.04 秒)
