-
公开(公告)号：CN113959447B
公开(公告)日：2023-06-27
申请号：CN202111224203.5
申请日：2021-10-19
Applicant: 北京京航计算通讯研究所
IPC: G01C21/20
Abstract: 本发明涉及一种相对导航高噪声量测量识别方法、装置、设备和存储介质；方法包括：基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；建立与状态序列和量测序列对应的Kalman滤波模型；采用Kalman滤波模型进行滤波；在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效。本发明通过在卡尔曼滤波计算过程中判定出高噪声量测量数据，提升了卡尔曼滤波计算结果准确性。
-
公开(公告)号：CN111046332A
公开(公告)日：2020-04-21
申请号：CN201911240389.6
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方法。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：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：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。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN111093166B
公开(公告)日：2022-07-19
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：CN113959447A
公开(公告)日：2022-01-21
申请号：CN202111224203.5
申请日：2021-10-19
Applicant: 北京京航计算通讯研究所
IPC: G01C21/20
Abstract: 本发明涉及一种相对导航高噪声量测量识别方法、装置、设备和存储介质；方法包括：基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；建立与状态序列和量测序列对应的Kalman滤波模型；采用Kalman滤波模型进行滤波；在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效。本发明通过在卡尔曼滤波计算过程中判定出高噪声量测量数据，提升了卡尔曼滤波计算结果准确性。
-
公开(公告)号：CN113932815A
公开(公告)日：2022-01-14
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的Kalman滤波方法、装置、电子设备和存储介质；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：CN112418289B
公开(公告)日：2021-08-03
申请号：CN202011286164.7
申请日：2020-11-17
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种不完全标注数据的多标签分类处理方法及装置，属于数据分类技术领域，解决了现有的多标签分类方法对具有数据重合标签分类的实用性较低的问题。方法包括：获取训练数据集；基于训练数据集对神经网络进行参数训练，得到训练好的神经网络；对训练好的神经网络中间层的输出进行预处理，得到神经网络的最优网络结构；将待分类的不完全标注数据输入神经网络的最优网络结构，得到待分类的不完全标注数据对应的所有标签类别向量。实现了不完全标注数据的多标签分类，提高了数据标签分类的精确度，具有较高的实用性。
-
公开(公告)号：CN113917938B
公开(公告)日：2024-04-19
申请号：CN202111173142.4
申请日：2021-10-08
Applicant: 北京京航计算通讯研究所
IPC: G05D1/49 , G06F18/241 , G06N3/0464 , G06N3/08
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。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
