-
公开(公告)号：CN116707826A
公开(公告)日：2023-09-05
申请号：CN202310788288.2
申请日：2023-06-29
Applicant: 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地 , 价值链技术(深圳)有限公司
Abstract: 本发明公开了一种基于国密的CoAP协议身份认证和数据加密方法，包括：对客户端与服务端的身份认证数据进行预配置；并根据预配置信息进行身份认证，判断客户端与服务器的安全性，同时进行密钥协商，获得会话密钥，若判断安全性符合要求，则基于会话密钥完成数据传输。本发明针对客户端和服务器各自建立了身份表，重要数据只能由双方查表才能得到；利用预共享密钥的方式，采用SM4和SM3算法在客户端和服务器进行数据传输之前完成了双向身份认证及密钥协商，仅使用两个握手消息，仍能够保证身份认证时重要数据的机密性以及消息的完整性；使用了时间戳及随机数防止了重放攻击；采用最节省开销的观察者模式进行数据的传输。
-
公开(公告)号：CN117194565A
公开(公告)日：2023-12-08
申请号：CN202311050716.8
申请日：2023-08-21
Applicant: 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地 , 价值链技术(深圳)有限公司
Inventor： 徐东 , 王聚军 , 孟宇龙 , 赵佳媛 , 卢中玉 , 张新峰 , 李凤鸣 , 蔡成涛 , 王巍 , 王小芳 , 陆蓓婷 , 蒋文创 , 刘海涛 , 国林 , 何鸣 , 李香 , 刘刚 , 吴伟宁 , 杨悦 , 张泽宝 , 周连科
Abstract: 本发明公开了基于纠删码与存储关系模型的区块编码存储方法及系统，所述方法包括以下步骤：获取区块链的节点；通过树形结构组织节点，获得区块；对区块进行编码和重构，获得编码块；基于节点存储资源权重改进的一致性哈希分发策略，将当前节点存储的编码块向子节点分发。本发明有效分担了资源分布不平衡场景下存储资源受限节点的存储压力。
-
公开(公告)号：CN114510945B
公开(公告)日：2024-10-22
申请号：CN202210157121.1
申请日：2022-02-21
Applicant: 哈尔滨工程大学
IPC: G06F40/295 , G06N3/0442 , G06N3/045
Abstract: 基于偏旁特征嵌入的中文命名实体识别网络模型，涉及自然语言处理与中文命名实体识别领域。解决了现有中文命名实体识别算法的语义识别的准确率和F值低的问题。将字符拆分成其偏旁构成的形式，将其映射为偏旁特征向量、并与单词特征向量和字符特征向量，组合后输入到Bi‑LSTM编码层中进行编码中，编码后的特征经CRF解码层解码后得到输入文本的命名实体标签，从而实现对中文命名实体的识别。本发明主要用于对中文命名实体进行识别。
-
公开(公告)号：CN118053064A
公开(公告)日：2024-05-17
申请号：CN202410169717.2
申请日：2024-02-06
Applicant: 哈尔滨工程大学
IPC: G06V10/82 , G06V10/774 , G06V10/26 , G06V20/70 , G06V10/42 , G06V10/80 , G06V10/766 , G06N3/0464 , G06N3/09
Abstract: 基于深度学习的法兰中心点识别方法，本发明涉及法兰中心点识别方法。本发明的目的是为了解决现有传统视觉识别系统对法兰中心点的识别准确性低、效率低下、以及适应性不足的问题。过程为：步骤一、随机采样带法兰中心点坐标标签的法兰图片，作为训练集；步骤二、构建神经网络模型；具体过程为：神经网络模型包括：语义分割网络、全局特征提取网络和关键点识别网络；步骤三、基于训练集训练构建的神经网络模型，获得训练好的神经网络模型；步骤四、采集待测法兰图片，将待测法兰图片输入训练好的神经网络模型，训练好的神经网络模型输出待测法兰图片的法兰中心点。本发明用于法兰中心点的识别领域。
-
公开(公告)号：CN116913317A
公开(公告)日：2023-10-20
申请号：CN202310859687.3
申请日：2023-07-13
IPC: G10L25/51 , G06N3/084 , G06N3/0464 , G10L25/90 , G10L25/30 , G10L21/0208
Abstract: 基于声重组特征网络的水面航行器声信号基频提取方法，属于基频提取领域。本发明解决了现有基频提取任务的声信号特征提取方法存在处理方式复杂、鲁棒性差的问题。本发明将待进行基频提取的声信号按照LHS算法产生的最小帧长切割成等长的音频段；采用LHS算法对所述等长的音频段的基频进行标记；采用声重组特征网络提取音频段的声信号的基频特征；采用基频提取网络利用基频特征对对应的音频段进行基频提取。本发明适用于基频提取。
-
Patent Agency Ranking
公开(公告)号：CN115861660A
公开(公告)日：2023-03-28
申请号：CN202211689077.5
申请日：2022-12-27
Applicant: 哈尔滨工程大学
IPC: G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 一种基于混合度量的特征分布度量方法，为解决在图像分类时深度迁移学习方法的迁移学习模型无法对目标域数据准确标注的问题。将图片分为源域和目标域；利用源域中的图片对迁移学习模型进行训练，得到模型；计算分类损失；计算域间特征边缘分布差异的一、二、三阶统计量距离，再加权组合得到域间特征边缘分布的混合度量；获取目标域软标签，利用软标签计算目标域特征的初始软质心，再使用余弦相似度得目标域特征的伪标签；计算域间特征的条件分布差异的一、二、三阶统计量距离，再加权组合得到域间特征条件分布的混合度量；将二者混合度量相加得域间特征统计量距离；计算迁移学习模型总体损失函数，更新模型；预测测试样本，得到种类预测概率。
-
公开(公告)号：CN112417760B
公开(公告)日：2023-01-17
申请号：CN202011309350.8
申请日：2020-11-20
Applicant: 哈尔滨工程大学
Abstract: 基于竞争混合网络的舰船控制方法，本发明涉及舰船控制方法。本发明的目的是为了解决现有舰船在复杂环境中控制精度低的问题。过程为：一、建立个体智能体网络模型；二、建立优势混合网络模型；三、建立状态值混合网络模型；四、将个体观测历史输入到个体智能体网络模型中得到个体优势值函数以及个体状态值函数；将个体优势值函数传给优势混合网络模型，优势混合网络模型输出联合优势函数值；将个体状态值函数传给状态值混合网络模型，状态值混合网络模型输出联合状态值混合值；通过将联合优势函数值与联合状态值混合值相加得到联合动作值函数。本发明用于舰船控制领域。
-
公开(公告)号：CN111766901B
公开(公告)日：2022-10-04
申请号：CN202010713170.X
申请日：2020-07-22
Applicant: 哈尔滨工程大学
IPC: G05D1/12
Abstract: 多无人机协同目标分配攻击方法，属于多无人机协同目标分配的技术领域，解决了现有多无人机协同目标分配作战时，由于环境影响，造成目标攻击准确率低的问题，本发明针对多个无人机在复杂的约束条件下对多个目标进行攻击作战任务，将模型分为两个作战阶段，第一部分无人机从同一地点出发到达已知无人机攻击区域，考虑时间代价和航程代价。到达指定攻击地点后，根据建立的优势攻击函数，以及考虑航程、时间、威胁、收益等代价综合考虑，合理分配目标，以寻找最佳的攻击位置，达到理想的攻击效果。本发明适用于多无人机协同攻击多目标。
-
公开(公告)号：CN115035912A
公开(公告)日：2022-09-09
申请号：CN202210644380.7
申请日：2022-06-08
Applicant: 哈尔滨工程大学
Abstract: 基于MOC模型的水声信号样本自动标注方法，具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法，本发明为解决传统水声信号样本标注采用人工方法，不仅费时费力，经济效益低，还受专业性限制，标注准确性低的问题，它包括采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；将待标注的水声信号样本上述操作，得到已标注的水声信号样本。属于水下声音信号标注领域。
-
公开(公告)号：CN114565831A
公开(公告)日：2022-05-31
申请号：CN202210202911.7
申请日：2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/762 , G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 一种考虑深度学习模型健壮性的水下目标分类的方法，本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，它包括利用训练好的原始模型对采集的水下目标数据训练集进行预测得到所有分类正确样本的集合和所有分类错误样本的集合；将所有分类错误样本的集合输入训练好的原始模型内，对分类错误样本的特征进行聚类和特征补偿，得到分类错误样本的特征补偿；将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型；将水下目标数据训练集输入特征补偿后的原始模型内，输出分类错误的样本；建立对抗训练模型，得到训练好的对抗训练模型；将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型；属于水下目标分类领域。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.034 seconds)
