-
公开(公告)号：CN113986347B
公开(公告)日：2024-09-10
申请号：CN202111247034.7
申请日：2021-10-26
Applicant: 北京京航计算通讯研究所
IPC: G06F8/76
Abstract: 本发明涉及一种软件环境中人机交互方式的迁移评估方法和系统，方法包括以下步骤：获取所述软件环境的交互任务；多个参试者分别采用第一交互设备和第二交互设备完成所述交互任务；对于每个参试者，根据其使用第一交互设备和第二交互设备完成所述交互任务的时间，分别计算使用第一交互设备和第二交互设备的交互准适指数和输出效能指数；基于多个参试者使用第一交互设备和第二交互设备的交互准适指数和输出效能指数，分别计算第一交互设备和第二交互设备的综合迁移指数，若所述第一交互设备的综合迁移指数和第二交互设备的综合迁移指数的差值小于阈值，则评估第一交互设备与第二交互设备在所述软件环境中的交互方式可以迁移。
-
公开(公告)号：CN112991394B
公开(公告)日：2024-01-19
申请号：CN202110416434.X
申请日：2021-04-16
Applicant: 北京京航计算通讯研究所
IPC: G06T7/246 , G06T3/4007 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明就目标跟踪过程中的遮挡问题，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。该方法的具体思路为，在目标跟踪过程中遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的多个不同权重的三次样条多项式模拟遮挡后的目标运动轨迹，并且基于马尔科夫链中当前状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，从而实现对遮挡目标运动位置的预测跟踪。本发明不局限于图像中的特征，而是着眼于目标的运动轨(56)对比文件张星.运动目标的稳定跟踪算法研究《.中国优秀硕士学位论文全文数据库信息科技辑》.2020,(第05期),I135-65.
-
公开(公告)号：CN113932815B
公开(公告)日：2023-07-18
申请号：CN202111217468.2
申请日：2021-10-19
Applicant: 北京京航计算通讯研究所
IPC: G01C21/20
Abstract: 本发明涉及一种稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质；方法包括：确定Kalman滤波的状态序列和观测序列；建立与状态序列和观测序列对应的Kalman滤波模型；采用建立的Kalman滤波模型进行滤波；在Kalman滤波过程中，采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；Hk为观测转移矩阵；Vk为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。本发明与传统的卡尔曼滤波算法相比，提升对量测数据误差的鲁棒性，减少了计算结果与真实值的偏差。
-
公开(公告)号：CN113938483A
公开(公告)日：2022-01-14
申请号：CN202111275760.X
申请日：2021-10-29
Applicant: 北京京航计算通讯研究所
Abstract: 一种分布式AI协同计算系统的节点身份验证方法和系统，方法包括中心服务器向各分布式节点发送身份验证指令；各分布式节点根据身份验证指令完成对应的实时运算能力验证任务，向中心服务器发送响应消息；响应消息包括任务完成时间和节点设备信息；所述实时运算能力验证任务包括实时计算能力验证任务和实时存储能力验证任务；中心服务器接收响应消息，若接收到响应消息的时间超过预期时间，或任务完成时间与相同设备类型的真实节点完成所述实时运算能力验证任务的任务完成时间的差值大于预先设置的阈值，则将该节点认定为可疑节点；中心服务器多次对所述可疑节点发送身份验证指令，若可疑节点均未通过验证，则判断该节点为伪造节点。
-
公开(公告)号：CN113917938A
公开(公告)日：2022-01-11
申请号：CN202111173142.4
申请日：2021-10-08
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，包括：将飞行器姿态控制的训练集分解成多份子训练集；随机选取一份子训练集，训练第一生成器、第二生成器和第三生成器的神经网络参数；第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强；计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值；根据第一生成器、第二生成器和第三生成器的重要性权值，设置神经网络模型的目标函数；进行神经网络模型参数的训练；判断训练的迭代次数超过给定阈值；是，则终止训练；否，则重新选择子训练集进行训练。本发明提升了种小样本条件下神经网络模型的分类任务性能。
-
Patent Agency Ranking
公开(公告)号：CN108153669B
公开(公告)日：2021-01-08
申请号：CN201711225458.7
申请日：2017-11-29
Applicant: 北京京航计算通讯研究所
Inventor： 郑金艳 , 张清 , 陈朋 , 安鹏伟 , 刘伟 , 魏伟波 , 孙文靖 , 康建涛 , 高晓琼 , 张依漪 , 孟琪 , 张骢 , 陈盼 , 季微微 , 李昂 , 马培培 , 李志刚 , 王赢超 , 李春静 , 王莹
IPC: G06F11/36
Abstract: 本发明属于FPGA软件仿真测试技术领域，具体涉及一种应用时间轴配置方式实现FPGA软件仿真任务调度的方法。本发明将FPGA软件测试用例以任务调度的方式进行实现，以任务点的方式对任务调度进行配置。其中任务点布置在坐标轴上，该坐标轴是由横向器件和纵向时间组成的二维坐标轴，通过采用对坐标轴中每个目标按照时序要求配置任务点的方式，实现测试用例的系统化和时序化操作，进而提高FPGA软件仿真任务调度的系统配置能力，提高测试用例批处理能力。
-
公开(公告)号：CN111093166A
公开(公告)日：2020-05-01
申请号：CN201911240008.4
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
Abstract: 本发明属于物联网无线数据处理相关技术领域，具体涉及一种在物联网中使用稀疏测量矩阵的压缩数据收集系统。本发明一方面优化稀疏测量矩阵，另一方面使用合适的动态分簇协议，将稀疏测量矩阵的选择与路由协议相结合，保证数据采集的均匀性的同时，有效的减少了数据丢失对数据收集精度的影响，提高了无线传感器节点的数据收集精度。与现有技术相比较，本发明自适应性强：由于物联网系统具有复杂的无线链路结构，无线链路不稳定的情况经常发生，而链路不稳定对稀疏测量矩阵的设计有直接的关系，本发明采用稀疏测量矩阵和分簇路由协议同时优化的方式，能够解决链路不稳定对无线传感器节点数据收集的影响，具有自适应性。
-
公开(公告)号：CN113987477B
公开(公告)日：2024-07-19
申请号：CN202111247976.5
申请日：2021-10-26
Applicant: 北京京航计算通讯研究所
IPC: G06F21/55
Abstract: 一种分布式AI系统的防投毒方法和系统，方法包括：接收各客户端节点发送的提交数据，基于提交数据更新中心模型，根据中心模型的误差与预期误差的差距判断当前系统是否存在中毒迹象，若否，则根据预定的策略对中心模型做镜像并通知各客户端节点清空缓存并重新进行数据缓存，缓存数据包括客户端节点的原始数据、处理算法和中间数据；否则，获取上一次模型镜像到当前时刻所有提交数据的客户端节点，并将该客户端节点作为风险节点，根据中心模型的误差与预期误差的差距计算风险节点的风险概率，基于风险概率获取风险节点的累计风险概率，根据累计风险概率对风险节点进行巡检，若存在中毒节点则将中毒节点下线，将中心模型恢复为上一次镜像的模型。
-
公开(公告)号：CN115661481A
公开(公告)日：2023-01-31
申请号：CN202211405526.9
申请日：2022-11-10
Applicant: 北京京航计算通讯研究所
IPC: G06V10/44 , G06V10/774 , G06V10/82 , G06V10/10 , G06V10/46 , G06V10/75 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种智能储物柜的边缘点检测模型训练方法、设备和存储介质，方法包括以下步骤：采集智能储物柜在不同开口状态下的俯视图，对于每一张智能储物柜俯视图，提取多个样本图像，获取每个样本图像中标注的智能储物柜开口处的边缘点坐标，将样本图像和对应的边缘点坐标构成样本数据集；构建轻量化卷积神经网络模型，基于所述样本数据集进行模型训练，采用梯度下降算法优化模型参数，得到训练好的智能储物柜开口边缘点检测模型。
-
公开(公告)号：CN115115886A
公开(公告)日：2022-09-27
申请号：CN202210811820.3
申请日：2022-07-11
Applicant: 北京航空航天大学 , 北京京航计算通讯研究所
IPC: G06V10/764 , G06V10/80 , G06V20/10 , G06N3/04 , G06N3/08
Abstract: 提供了基于teacher‑student模型的半监督目标检测方法。包括以下步骤：获取半监督目标检测数据集D；在有标注数据集DL上按照全监督目标检测方法，用模型预测样本的标注得到teacher模型；利用的teacher模型，对无标签数据XU做预测，生成伪标签，并用伪标签更新标注集合YU；对无标注样本集合XU进行数据增强第五步，训练student模型；将student模型的权重参数θs以指数滑动平均的方式更新至teacher模型的权重θt中；进行数轮迭代，以最终的teacher模型作为所述基于teacher‑student模型的半监督目标检测方法训练的目标模型。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.033 seconds)
