-
公开(公告)号：CN119204325A
公开(公告)日：2024-12-27
申请号：CN202411321178.6
申请日：2024-09-23
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06F18/23 , G06N3/0464 , G06F18/214 , G06F17/16 , G06F18/22 , G06N3/0442 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/048 , G01C21/20
Abstract: 一种基于多注意协同网络的多维变量场景下飞行器轨迹预测方法，它属于轨迹预测技术领域。本发明解决了在多变量场景下现有基于数据驱动的预测方法难以充分建模变量之间的复杂关系，导致预测的准确性差的问题。本发明设计的变量蒸馏注意力网络弱化了非预测变量的负面影响，将当前序列转换为空间语义。还设计一种新的长短时记忆网络变体KeLSTM来计算变量间的交互作用，缓解信息冲突，区分变量对任务的时间影响。本发明方法可以减少无关变量的负面影响，强调重要变量对预测的贡献，成功地捕捉了过去的目标变量、非预测变量与即将到来的目标之间的潜在相互作用，特别是目标和非预测变量的影响之间的细微差异。本发明方法可以应用于飞行器轨迹预测。
-
公开(公告)号：CN118731661A
公开(公告)日：2024-10-01
申请号：CN202410784915.X
申请日：2024-06-18
Applicant: 哈尔滨工业大学
IPC: G01R31/316 , G06F18/2433
Abstract: 基于MP‑Transformer的模拟电路混合故障诊断方法，属于模拟电路混合故障诊断领域。解决了传统的诊断方法针对模拟电路混合软故障信息易混叠，导致整体诊断精度偏低，泛化性能差无法保证复杂电路诊断可靠性的问题。本发明利用构建MP‑Transformer故障检测模型对模拟电路混合故障信号进行检测，该检测模型根据待测模拟电路输出节点为测点的响应信号确定的模型参数，在所确定的模型参数下进行特征提取，将特征变形技术和Transformer网络进行技术上关系，能够对混合故障进行准确的故障诊断。本发明主要用于对混合故障进行检测。
-
公开(公告)号：CN118473574A
公开(公告)日：2024-08-09
申请号：CN202410555623.9
申请日：2024-05-07
Applicant: 哈尔滨工业大学
IPC: H04J3/06
Abstract: 本发明提供了一种基于分布式系统的同步频率受限下高精度守时方法，利用外同步源实现分布式系统中主时钟节点的高精度授时，再利用PTP协议实现分布式系统中主时钟节点和从时钟节点之间的高精度时间同步。其中所述从时钟节点的高精度守时基于PTP协议报文，通过频率测量、频率预测评估、频率调整和守时秒输出进行分布式系统的高精度守时。本发明通过上述方法，可以采用中等品质晶振进行有效地频率测量、预测和调整，不仅提高了守时精度，还能够在外同步源信号中断后保证系统的稳定性，降低了使用成本，提高了系统的适用性，具有较高的实用价值和推广前景。
-
公开(公告)号：CN118171162A
公开(公告)日：2024-06-11
申请号：CN202410289249.2
申请日：2024-03-14
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G06N3/0464 , G06N3/047 , G06N3/0985 , G06F18/10 , G06F18/213
Abstract: 本发明公开了基于非局部注意力度量网络的齿轮故障诊断方法及系统，属于机械故障诊断技术领域；方法包括：获取不同转速和负载条件下齿轮状况的一维信号样本数据，并通过数据预处理将一维信号转换为二维时频图；基于贝叶斯优化算法建立超参数自适应调优策略，获取最优超参数组合；构建基于度量学习的原型网络，并通过嵌入多尺度卷积模块和非局部注意力模块改进基于度量学习的原型网络，从局部和非局部两方面捕捉二维时频图中远程依赖特征，输出齿轮故障诊断结果。本发明中建立了基于度量学习结合非局部注意力机制的故障诊断框架，可以提升少样本、强噪声下的齿轮故障诊断的有效性、鲁棒性和准确性，有助于保障机械设备的稳定运行和延长使用寿命。
-
公开(公告)号：CN111753445B
公开(公告)日：2024-05-28
申请号：CN202010746512.8
申请日：2020-07-29
Applicant: 哈尔滨工业大学
IPC: G06F30/20
Abstract: 本发明公开了一种基于核心组件的联合试验基础模型的建模方法，包括以下步骤：按照三级分类标准对待建立的联合试验基础模型进行等级划分；对联合试验基础模型所要实现的任务功能进行分解，按照任务功能选择所需的组件；对组件进行元素分解，将分解出的组件基础元素进行基础元素间关系配置，实现组件功能；根据联合试验基础模型的要求，设置各组件之间的关系。本发明基于个逻辑组件对联合试验基础模型进行三级划分，通过定义各逻辑组件及对逻辑组件进行基础元素分解，将各逻辑组件链接到实现它们的逻辑功能的物理组件，从而获得实验任务的物理解决方案，对联合试验平台的试验资源开发具有指导作用。
-
Patent Agency Ranking
公开(公告)号：CN117130920A
公开(公告)日：2023-11-28
申请号：CN202311093833.2
申请日：2023-08-28
Applicant: 哈尔滨工业大学
IPC: G06F11/36
Abstract: 面向异构体系架构兼容的测试资源信息适配方法，属于试验与测试领域。为了解决现有的资源信息适配效率低的问题以及不利于虚拟测试系统的快速集成的问题。本发明基于通用资源服务化应用模板进行测试资源信息的适配；模板利用协议编解码模块加载数字映射模型文件，解析文件中的通信协议信息；利用数据转换模块加载关联规则模型文件，根据协议元素和对象属性之间的关联规则，将接收到的协议数据转换为虚实协同测试系统的对象实例数据，也能够将接收自虚实协同测试系统的对象实例数据转换为协议数据包；并利用数据收发模块加载资源接口描述文件，使用对象模型平台相关实现代码和中间件接口服务或反射内存传输服务完成虚实协同测试系统内的信息交互。
-
公开(公告)号：CN110717354B
公开(公告)日：2023-05-12
申请号：CN201810757826.0
申请日：2018-07-11
Applicant: 哈尔滨工业大学
IPC: G06V20/10 , G06V10/30 , G06V10/26 , G06V10/774 , G06V10/772
Abstract: 本发明公开了一种基于半监督K‑SVD与多尺度稀疏表示的超像元分类方法，首先，对高光谱图像的训练样本进行半监督K‑SVD字典学习，得到过完备字典；其次，将所述训练样本和所述过完备字典作为输入，进行超像元多尺度稀疏求解，得到训练样本的稀疏表示系数矩阵；最后，以求得的所述稀疏表示系数矩阵和所述过完备字典通过残差法和超像元投票机制得到超像元分类结果。本发明具有良好的去除椒盐噪声，丰富训练样本的能力。可以在各种样本数量条件下达到十分稳定的分类结果。本发明的提出对于解决高光谱图像分类领域的椒盐噪声问题，高维度小样本问题以及基于稀疏表示的分类算法如何有效利用空间信息上都有着十分重要的意义。
-
公开(公告)号：CN115292955A
公开(公告)日：2022-11-04
申请号：CN202211006364.1
申请日：2022-08-22
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F119/02
Abstract: 本发明公开了一种基于模型的舰船电子信息系统可靠性建模与分析方法，涉及舰船电子信息系统技术领域，方法包括，S1、构建舰船电子信息系统AADL结构模型、舰船电子信息系统AADL行为模型和舰船电子信息系统AADL错误模型；S2、以舰船电子信息系统AADL结构模型、舰船电子信息系统AADL行为模型和舰船电子信息系统AADL错误模型作为元模型，构建舰船电子信息系统AADL可靠性模型；S3、将舰船电子信息系统AADL可靠性模型映射到GSPN模型；S4、根据GSPN模型分析系统可靠性。本发明利用基于模型的可靠性分析方法解决目前新型体系结构的舰船电子信息系统故障传播规律不清晰、系统状态混沌、任务能力不确定等问题。
-
公开(公告)号：CN112307586B
公开(公告)日：2022-08-26
申请号：CN202011309881.7
申请日：2020-11-20
Applicant: 哈尔滨工业大学
IPC: G06F30/17 , G06F30/20 , G06F119/02 , G06F119/04
Abstract: 一种基于分布式架构的装备退化状态故障预测系统，属于装备故障预测技术领域。本发明针对复杂装备的故障监测中将退化状态识别与故障预测相结合，存在数据处理可靠性和安全性差的问题。包括：Zynq‑7020硬件平台数据处理模块，用于根据目标装备的实时采集数据获得装备性能退化特征；故障预测模块，用于根据装备性能退化特征构建健康因子，并通过故障预测模型预测目标装备的剩余寿命；所述故障预测模型通过带标签的数据进行预训练后建立。本发明可提高装备故障预测的实时性。
-
公开(公告)号：CN110503140B
公开(公告)日：2022-04-01
申请号：CN201910735414.1
申请日：2019-08-09
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于深度迁移学习与邻域降噪的分类方法，将在源数据集上预训练的CNN浅层网络权值参数迁移至目标数据集，通过网络微调，随机初始化目标数据集网络训练的CNN深层网络权值参数，并在目标数据集上重新训练，完成基于迁移学习的高光谱图像分类，然后，再对通过迁移学习输出的高光谱图像分类的图像标记结果进行基于八邻域点众数标签的最优邻域点降噪，最终输出降噪后的图像分类结果。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.028 seconds)
