-
公开(公告)号：CN113850274B
公开(公告)日：2024-07-26
申请号：CN202111084915.1
申请日：2021-09-16
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/50 , G06V10/56 , G06V10/42 , G06V10/82
Abstract: 本发明涉及一种基于HOG特征及DMD的图像分类方法，属于图像分类技术领域。所述图像分类方法，包括对图像进行基于颜色的动态模式分解得到的显著色彩矩阵提取HOG特征，得到提取特征后的同类图片，之后将同类图片进行模型训练，得到新的权重向量和分离距离，最后对于待分类的图片进行分类。所述方法对于小样本图像、单一样本图像的识别准确率高；对具有复杂背景的图像识别准确率高；算法时间复杂度和空间复杂度低；所述方法避免神经网络结果选择问题和局部最小值问题；算法对于高维、非线性分类问题具有很好的泛化性。
-
公开(公告)号：CN114760646B
公开(公告)日：2024-06-18
申请号：CN202210405623.1
申请日：2022-04-18
Applicant: 北京理工大学 , 中国电子科技集团公司第五十四研究所
IPC: H04W24/02 , H04W24/06 , H04W28/084
Abstract: 本发明属于链路选择及通信数据传输技术领域，涉及一种基于多层聚合上下文MAB的链路决策方法。所述方法包括：S1、收集通信资源块与地面节点的链路信息并进行编码、整合及归一化得到特征向量，构建虚拟通信链路集合；S2、构建链路组合上下文特征向量再聚合得到簇中心及空地节点链路组合簇；通过上下文‑MAB模型估计预期收益，得到空地节点最优链路组合；S3、通过多用户贪心算法模型，为空地节点最优链路组合选择最佳通信参数组合；通过识别最优链路组合所属空地节点链路组合簇减少手臂数，转至S1进行下一轮决策。所述方法使复杂度降低、决策收益提升、学习效率与收敛速度提高。
-
公开(公告)号：CN113919188B
公开(公告)日：2024-05-24
申请号：CN202110847795.X
申请日：2021-07-27
Applicant: 北京理工大学
IPC: G06F30/23 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种基于上下文‑MAB的中继无人机路径规划方法，属于基于强化学习的路径规划技术领域。所述方法，先获取任务区域的用户数据，构建任务区域模型；获取用户、无人机与子网格特征，优化无人机与子网格特征权重矩阵，得到无人机与子网格上下文特征；而后对用户、无人机与子网格进行聚类，对无人机、子网格特征进行降维，得到无人机与子网格降维特征；随后基于此进行上下文‑MAB推荐，并依据用户分类结果估计连接情况反馈值，得到无人机路径；所述中继无人机路径规划方法，有效减少了推荐目标的数量；减小了服务用户数目达到最大值需要的无人机架次，并提高了服务用户总数与平均收益。
-
公开(公告)号：CN113936148A
公开(公告)日：2022-01-14
申请号：CN202111084759.9
申请日：2021-09-16
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于随机傅里叶特征变换的图像分类方法，属于图像分类技术领域。所述分类方法，包括：1、对训练图像进行预处理，得到预处理后的图像，预处理包括灰度化、几何变换、图像增强、图像分割及图像去噪；2、对预处理后的图像进行特征提取，得到图像特征，并构建训练集；图像特征包括颜色特征、纹理特征、代数特征及变换特征；3、训练同类图像特征，得到新的权重向量和分离距离；4、对待分类图像进行预处理、特征提取及随机傅里叶变换并分类，得到分类结果。所述方法对小样本及单一样本图像的准确率高；时间和空间复杂度低；避免了神经网络结果选择和局部最小值问题；对高维及非线性分类问题泛化性好。
-
公开(公告)号：CN113936148B
公开(公告)日：2024-07-26
申请号：CN202111084759.9
申请日：2021-09-16
Applicant: 北京理工大学
IPC: G06V10/50 , G06V10/56 , G06V10/42 , G06V10/774 , G06V10/82 , G06N3/0499 , G06N3/084
Abstract: 本发明涉及一种基于随机傅里叶特征变换的图像分类方法，属于图像分类技术领域。所述分类方法，包括：1、对训练图像进行预处理，得到预处理后的图像，预处理包括灰度化、几何变换、图像增强、图像分割及图像去噪；2、对预处理后的图像进行特征提取，得到图像特征，并构建训练集；图像特征包括颜色特征、纹理特征、代数特征及变换特征；3、训练同类图像特征，得到新的权重向量和分离距离；4、对待分类图像进行预处理、特征提取及随机傅里叶变换并分类，得到分类结果。所述方法对小样本及单一样本图像的准确率高；时间和空间复杂度低；避免了神经网络结果选择和局部最小值问题；对高维及非线性分类问题泛化性好。
-
Patent Agency Ranking
公开(公告)号：CN114760646A
公开(公告)日：2022-07-15
申请号：CN202210405623.1
申请日：2022-04-18
Applicant: 北京理工大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明属于链路选择及通信数据传输技术领域，涉及一种基于多层聚合上下文MAB的链路决策方法。所述方法包括：S1、收集通信资源块与地面节点的链路信息并进行编码、整合及归一化得到特征向量，构建虚拟通信链路集合；S2、构建链路组合上下文特征向量再聚合得到簇中心及空地节点链路组合簇；通过上下文‑MAB模型估计预期收益，得到空地节点最优链路组合；S3、通过多用户贪心算法模型，为空地节点最优链路组合选择最佳通信参数组合；通过识别最优链路组合所属空地节点链路组合簇减少手臂数，转至S1进行下一轮决策。所述方法使复杂度降低、决策收益提升、学习效率与收敛速度提高。
-
公开(公告)号：CN113850256B
公开(公告)日：2024-08-13
申请号：CN202111065576.2
申请日：2021-09-10
Applicant: 北京理工大学
IPC: G06V10/25 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 发明涉及基于FSAF及快‑慢速权重的目标检测与识别方法，属于监督学习及目标识别技术领域。包括：1)搭建包括卷积层、特征图层、预测层的主干网络和RetinaNet有参考框分支；2)搭建FSAF分支并生成图像特征层的有效区及忽略区，具体为：在RetinaNet有参考框分支中每个层级的预测层都添加一个无参考框分支，对标准框在不同特征层的映射框按照A1倍比例缩小后作为有效区、A2倍比例缩小后作为忽略区；3)基于FSAF分支计算分类损耗加回归损耗的和：综合损耗；4)将最优化特征层对应的综合损耗输入标准优化器及LookAhead优化器，使得综合损耗收敛。所述方法引入无参考框机制和Lookahead快‑慢速权重优化器，实现了比RetinaNet网络更好的识别效果，识别精准度和损耗收敛速度都有提升。
-
公开(公告)号：CN113919188A
公开(公告)日：2022-01-11
申请号：CN202110847795.X
申请日：2021-07-27
Applicant: 北京理工大学
IPC: G06F30/23 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种基于上下文‑MAB的中继无人机路径规划方法，属于基于强化学习的路径规划技术领域。所述方法，先获取任务区域的用户数据，构建任务区域模型；获取用户、无人机与子网格特征，优化无人机与子网格特征权重矩阵，得到无人机与子网格上下文特征；而后对用户、无人机与子网格进行聚类，对无人机、子网格特征进行降维，得到无人机与子网格降维特征；随后基于此进行上下文‑MAB推荐，并依据用户分类结果估计连接情况反馈值，得到无人机路径；所述中继无人机路径规划方法，有效减少了推荐目标的数量；减小了服务用户数目达到最大值需要的无人机架次，并提高了服务用户总数与平均收益。
-
公开(公告)号：CN113850274A
公开(公告)日：2021-12-28
申请号：CN202111084915.1
申请日：2021-09-16
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于HOG特征及DMD的图像分类方法，属于图像分类技术领域。所述图像分类方法，包括对图像进行基于颜色的动态模式分解得到的显著色彩矩阵提取HOG特征，得到提取特征后的同类图片，之后将同类图片进行模型训练，得到新的权重向量和分离距离，最后对于待分类的图片进行分类。所述方法对于小样本图像、单一样本图像的识别准确率高；对具有复杂背景的图像识别准确率高；算法时间复杂度和空间复杂度低；所述方法避免神经网络结果选择问题和局部最小值问题；算法对于高维、非线性分类问题具有很好的泛化性。
-
公开(公告)号：CN113850256A
公开(公告)日：2021-12-28
申请号：CN202111065576.2
申请日：2021-09-10
Applicant: 北京理工大学
Abstract: 发明涉及基于FSAF及快‑慢速权重的目标检测与识别方法，属于监督学习及目标识别技术领域。包括：1)搭建包括卷积层、特征图层、预测层的主干网络和RetinaNet有参考框分支；2)搭建FSAF分支并生成图像特征层的有效区及忽略区，具体为：在RetinaNet有参考框分支中每个层级的预测层都添加一个无参考框分支，对标准框在不同特征层的映射框按照A1倍比例缩小后作为有效区、A2倍比例缩小后作为忽略区；3)基于FSAF分支计算分类损耗加回归损耗的和：综合损耗；4)将最优化特征层对应的综合损耗输入标准优化器及LookAhead优化器，使得综合损耗收敛。所述方法引入无参考框机制和Lookahead快‑慢速权重优化器，实现了比RetinaNet网络更好的识别效果，识别精准度和损耗收敛速度都有提升。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
