-
公开(公告)号：CN109034632B
公开(公告)日：2019-06-18
申请号：CN201810877437.1
申请日：2018-08-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于对抗样本的深度学习模型安全风险评估方法，属于计算机技术领域。所述方法通过原始样本图像xc进行预处理和利用待测目标深度学习模型对原始样本图像xc进行预测等步骤实现深度学习模型安全风险评估。所述方法能够实现对深度学习模型安全风险的有效评估。
-
公开(公告)号：CN103176961B
公开(公告)日：2017-02-08
申请号：CN201310069560.8
申请日：2013-03-05
Applicant: 哈尔滨工程大学
IPC: G06F17/27
Abstract: 本发明的目的在于提供一种基于潜在语义分析的迁移学习方法，包括以下步骤：对训练数据做去停用词、词干化处理，分别计算源领域与目标领域词汇权重，得到词汇-文本矩阵M，对矩阵M进行奇异值分解，将M中词汇与文本映射到低维潜在语义空间，去除源领域中同义词噪音影响，调整矩阵M结构，从源领域中找出与目标领域文本关联度较大的词汇作为迁移词，再对矩阵M结构进行调整，分析调整后的矩阵M中目标领域词汇，得到目标领域数据新的特征表示，在训数据集中得到最终分类器，对测试数据集S进行分类。
-
公开(公告)号：CN103020122B
公开(公告)日：2015-09-30
申请号：CN201210464867.3
申请日：2012-11-16
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明提供的是一种基于半监督聚类的迁移学习方法。包括计算目标数据与辅助数据各类中数据的相似度、平均相似度；由平均相似度得到目标数据与类标签的一个相似度权重向量，取向量中权重最大的为目标数据的标签；以目标数据为质心，进行K-均值聚类，聚类成簇，每簇中以簇中数据占所属类中总数据比例最大者的标签为簇标签；将再分类结果与预分类结果做对比；在最终形成的目标数据相似度权重向量中，挑选权重最大的数据标签作为目标数据数据标签，从而形成最终分类器。本发明提供一种将分类方法、技术从一个领域迁移到另一个领域的提高分类结果精确度的一种基于半监督聚类的迁移学习方法。
-
公开(公告)号：CN109034632A
公开(公告)日：2018-12-18
申请号：CN201810877437.1
申请日：2018-08-03
Applicant: 哈尔滨工程大学
CPC classification number: G06Q10/0635 , G06N3/084 , G06Q10/06393
Abstract: 本发明提出了一种基于对抗样本的深度学习模型安全风险评估方法，属于计算机技术领域。所述方法通过原始样本图像xc进行预处理和利用待测目标深度学习模型对原始样本图像xc进行预测等步骤实现深度学习模型安全风险评估。所述方法能够实现对深度学习模型安全风险的有效评估。
-
公开(公告)号：CN110361006B
公开(公告)日：2022-07-19
申请号：CN201910575692.5
申请日：2019-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明是局部航迹分维度的选择性航迹状态估计融合方法。本发明对局部航迹进行读取和预处理，进行时间对准和空间对准；对局部航迹按纬度进行拆分，利用基于灰色接近关联度的航迹质量衡量算法进行单纬度下的航迹质量计算，并分维度排序；设置循环次数，根据航迹质量依据选择单纬度航迹数，将两条高质量的单纬度航迹和进行航迹状态估计融合，得到融合航迹，确定系统航迹；当融合航迹的航迹质量大于高质量的单纬度航迹的航迹质量，本发明实现了局部航迹的选择性融合，维度拆分后，再经过算法结构实现航迹选择，并采用局部航迹与局航迹的多传感器的简单凸组合融合方法后，融合生成的系统航迹精度有所提高。
-
Patent Agency Ranking
公开(公告)号：CN110361006A
公开(公告)日：2019-10-22
申请号：CN201910575692.5
申请日：2019-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明是局部航迹分维度的选择性航迹状态估计融合方法。本发明对局部航迹进行读取和预处理，进行时间对准和空间对准；对局部航迹按纬度进行拆分，利用基于灰色接近关联度的航迹质量衡量算法进行单纬度下的航迹质量计算，并分维度排序；设置循环次数，根据航迹质量依据选择单纬度航迹数，将两条高质量的单纬度航迹和进行航迹状态估计融合，得到融合航迹，确定系统航迹；当融合航迹的航迹质量大于高质量的单纬度航迹的航迹质量，本发明实现了局部航迹的选择性融合，维度拆分后，再经过算法结构实现航迹选择，并采用局部航迹与局航迹的多传感器的简单凸组合融合方法后，融合生成的系统航迹精度有所提高。
-
公开(公告)号：CN107507054A
公开(公告)日：2017-12-22
申请号：CN201710606791.6
申请日：2017-07-24
Applicant: 哈尔滨工程大学
CPC classification number: G06Q30/0631 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于循环神经网络的推荐算法，涉及推荐算法领域；该算法首先提出一个引入商品评分信息的基于循环神经网络(Recurrent Neural Network,RNN)推荐算法的模型框架Rating-RNN，对用户将要消费哪一个商品作出准确的预测。然后提出一个基于循环神经网络推荐算法的模型框架Category-RNN，对用户将要消费哪一类别的商品作出预测。最后，将Rating-RNN与Category-RNN输出层合并，形成能够并行训练的Mixing-RNN。对用户的消费历史进行建模，利用用户的评分信息以及商品类别信息等多种特征，能够捕获用户兴趣的演变，可以有效的提高推荐算法的评估指标。
-
公开(公告)号：CN103324708B
公开(公告)日：2016-06-29
申请号：CN201310241428.0
申请日：2013-06-18
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明涉及一种长文本到短文本的迁移学习方法，其特征在于：步骤1：根据目标领域短文本中提取的标签，通过搜索引擎获得源领域数据，提取源领域的种子特征集；步骤2：根据目标领域短文本的标签集和源领域的种子特征集，构建社交媒体无向图，从无向图中提取包含所有目标领域标签集和种子特征集节点的子图；步骤3：基于拉普拉斯特征映射算法，获得源领域数据新的特征表示；步骤:4：根据源领域数据新的特征表示，对源领域数据进行分类。
-
公开(公告)号：CN103020122A
公开(公告)日：2013-04-03
申请号：CN201210464867.3
申请日：2012-11-16
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明提供的是一种基于半监督聚类的迁移学习方法。包括计算目标数据与辅助数据各类中数据的相似度、平均相似度；由平均相似度得到目标数据与类标签的一个相似度权重向量，取向量中权重最大的为目标数据的标签；以目标数据为质心，进行K-均值聚类，聚类成簇，每簇中以簇中数据占所属类中总数据比例最大者的标签为簇标签；将再分类结果与预分类结果做对比；在最终形成的目标数据相似度权重向量中，挑选权重最大的数据标签作为目标数据数据标签，从而形成最终分类器。本发明提供一种将分类方法、技术从一个领域迁移到另一个领域的提高分类结果精确度的一种基于半监督聚类的迁移学习方法。
-
公开(公告)号：CN103324708A
公开(公告)日：2013-09-25
申请号：CN201310241428.0
申请日：2013-06-18
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明涉及一种长文本到短文本的迁移学习方法，其特征在于：步骤1：根据目标领域短文本中提取的标签，通过搜索引擎获得源领域数据，提取源领域的种子特征集；步骤2：根据目标领域短文本的标签集和源领域的种子特征集，构建社交媒体无向图，从无向图中提取包含所有目标领域标签集和种子特征集节点的子图；步骤3：基于拉普拉斯特征映射算法，获得源领域数据新的特征表示；步骤:4：根据源领域数据新的特征表示，对源领域数据进行分类。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.026 seconds)
