-
公开(公告)号：CN116882554A
公开(公告)日：2023-10-13
申请号：CN202310755052.9
申请日：2023-06-25
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06Q10/04 , G06F16/2458 , G06F17/16 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于张量分解的多变量时间序列预测方法、系统及存储介质，该多变量时间序列预测方法包括：步骤1，预处理：收集历史数据同时筛选相关特征，再进行数据预处理以得到预测数据集，并将预测数据集划分为训练集、验证集和测试集；步骤2，模型训练：将训练集送入注意力层和多层感知机混合器中依次进行时序分解和通道分解，同时捕捉时序和变量间依赖关系，进行模型训练；步骤3，参数调整：调整模型参数，得到最优模型；步骤4，时序预测：根据得到的最优模型对待预测时间序列进行预测。本发明的有益效果是：大大降低了模型运算复杂度，并且适用于不同传感器不同场景下的时序预测任务，提高了模型训练的效率和时序预测的准确性。
-
公开(公告)号：CN118153745A
公开(公告)日：2024-06-07
申请号：CN202410261701.4
申请日：2024-03-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请提供了车辆轨迹预测方法，采集车辆轨迹数据形成客户端的本地数据集；客户端利用本地数据集训练本地车辆轨迹预测模型，并将训练的模型参数和当前的状态#imgabs0#上传到中央服务器；中央服务器基于深度强化学习代理聚合各个客户端的模型参数，所述深度强化学习代理将每轮联邦学习过程构建为马尔可夫决策过程模型，深度强化学习代理根据各个客户端的当前的状态#imgabs1#产生动作#imgabs2#作为各客户端聚合权重，聚合完成后，更新中央服务器的全局车辆轨迹预测模型参数，并将参数广播给各个客户端；使用各个客户端训练完成的本地车辆轨迹预测模型，对未来的车辆行驶轨迹进行预测。可以至少用以解决车辆轨迹预测精度不高、计算量过大的技术问题。
-
公开(公告)号：CN112988981B
公开(公告)日：2021-10-15
申请号：CN202110525248.X
申请日：2021-05-14
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于遗传算法的自动标注方法，包括依次执行以下步骤：步骤1，预处理：获取评论，从评论中删除长度小于两个单词的评论和所有非字母数字字符，然后取小写字母，在标记化后剔除存在于NLTK语料库中的终止词，接下来，将单词简化为词根形式；步骤2，主题建模：采用LDA主题建模方法，给定一个评论列表R={r1,r2,…,rn}，获得相应的词汇D={ω1,ω2,...,ωd}，话题β={β1,β2,...,βk}；步骤3，基于遗传算法的主题标注：设计适合该主题标注场景的染色体结构、适应度参数以及遗传算子。本发明的有益效果是：利于开发者和用户了解应用评论。
-
公开(公告)号：CN112988981A
公开(公告)日：2021-06-18
申请号：CN202110525248.X
申请日：2021-05-14
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于遗传算法的自动标注方法，包括依次执行以下步骤：步骤1，预处理：获取评论，从评论中删除长度小于两个单词的评论和所有非字母数字字符，然后取小写字母，在标记化后剔除存在于NLTK语料库中的终止词，接下来，将单词简化为词根形式；步骤2，主题建模：采用LDA主题建模方法，给定一个评论列表R={r1,r2,…,rn}，获得相应的词汇D={ω1,ω2,...,ωd}，话题β={β1,β2,...,βk}；步骤3，基于遗传算法的主题标注：设计适合该主题标注场景的染色体结构、适应度参数以及遗传算子。本发明的有益效果是：利于开发者和用户了解应用评论。
-
公开(公告)号：CN115619709A
公开(公告)日：2023-01-17
申请号：CN202211046210.5
申请日：2022-08-30
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种3D平面检测与重建方法、装置及存储介质，方法包括将待检测图像输入Swin Transformer骨干网络中，输出具有5个尺度的特征图；将特征图输入特征金字塔网络中将特征图线性插值为S×S×C大小，并经过6个卷积层和一个3×3×D卷积层生成Kernel G；利用一个Center‑ness模块预测一个Center‑ness分值，将Center‑ness分值与预测的置信度分数相乘得到置信度取值；将Kernel G分别与掩码头网络生成的掩码F和边缘E相乘后得到对应的掩码和边缘，最终通过将得到的掩码、边缘以及平面法向量参数结合得到重建图像。本发明方法将非平面区域错误预测为平面的概率大大降低，有效提高了平面分割精度。
-
Patent Agency Ranking
公开(公告)号：CN113723490A
公开(公告)日：2021-11-30
申请号：CN202110975883.8
申请日：2021-08-24
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于张量卷积网络的图像分类方法、装置、系统及存储介质，该基于张量卷积网络的图像分类方法包括执行以下步骤：步骤1：使用反转矩阵和变换矩阵对原始后向图执行等价替换操作，以将反向过程表示为一个卷积运算，最终得到补全张量图；步骤2：从补全张量图中提取出主干图；步骤3：依据主干图得出统一原则，以适应各种不同的张量分解形式。本发明的有益效果是：1.本发明的基于张量卷积网络的图像分类方法可以为非常复杂的 TCNN 生成适当的初始权重，使得图像分类达到更好的效果；2.本发明的基于张量卷积网络的图像分类方法给出了统一的模型，让所有的张量模型都能依据该原则进行合理高效的初始化，使得图像分类的张量网路更稳定。
-
公开(公告)号：CN115186794A
公开(公告)日：2022-10-14
申请号：CN202210549726.5
申请日：2022-05-20
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于分布重塑的图卷积神经网络正则化方法及系统，方法包括对一个多层图卷积神经网络中每个卷积层的输出结点表征进行ResNorm正则化处理，ResNorm正则化处理方法考虑了图结点度数的分布问题，即绝大多数的结点都只拥有少量的邻接结点，而少数结点拥有大量的邻接结点，ResNorm正则化处理方法将方差的分布重塑为类似正态分布，有效的提高了低度数结点的分类准确率。
-
公开(公告)号：CN113221941B
公开(公告)日：2024-01-09
申请号：CN202110300345.9
申请日：2021-03-22
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/2413 , G06F18/27 , G06F18/214
Abstract: 本发明提供了一种自适应对称图信息传播的鉴别回归分类方法，模型训练步骤包括：步骤1：采用范数归一化对训练数据进行预处理；步骤2：通过交替迭代优化得到回归分类模型的投影矩阵；测试数据分类步骤包括：步骤一：采用范数归一化策略对测试数据和训练数据进行预处理；步骤二：依据训练数据训练得到的投影矩阵，将训练数据集和测试数据投影到目标子空间；步骤三：计算投影后的测试数据与训练数据的欧式距离，然后依据该欧式距离得到测试数据的分类结果。本发明的有益效果：本发明引入自适应鉴别标签学习技术，根据数据给定的不灵活的标签信息自适应得到更灵活、更具鉴别力的标签矩阵，同时在自适应相似图挖掘和图信息扩散保持约束下，得到更具鉴别力的分类投影矩阵，进而获得更高的分类精度。
-
公开(公告)号：CN113723490B
公开(公告)日：2023-10-31
申请号：CN202110975883.8
申请日：2021-08-24
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于张量卷积网络的图像分类方法、装置、系统及存储介质，该基于张量卷积网络的图像分类方法包括执行以下步骤：步骤1：使用反转矩阵和变换矩阵对原始后向图执行等价替换操作，以将反向过程表示为一个卷积运算，最终得到补全张量图；步骤2：从补全张量图中提取出主干图；步骤3：依据主干图得出统一原则，以适应各种不同的张量分解形式。本发明的有益效果是：1.本发明的基于张量卷积网络的图像分类方法可以为非常复杂的TCNN生成适当的初始权重，使得图像分类达到更好的效果；2.本发明的基于张量卷积网络的图像分类方法给出了统一的模型，让所有的张量模型都能依据该原则进行合理高效的初始化，使得图像分类的张量网路更稳定。
-
公开(公告)号：CN112926675B
公开(公告)日：2023-08-18
申请号：CN202110300226.3
申请日：2021-03-22
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/2431 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种视角和标签双重缺失下的深度不完整多视角多标签分类方法，包括网络模型训练步骤和测试样本标签预测步骤。本发明的有益效果是：本发明不仅适用于任何不完整/完整多视角多标签分类情形；而且同样适用于半监督分类和全监督分类情形。本发明具有很高的实时性，能够实时在线处理完整/不完整多视角多标签数据的分类任务。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.031 seconds)
