-
公开(公告)号：CN107609488B
公开(公告)日：2020-11-03
申请号：CN201710717199.3
申请日：2017-08-21
Applicant: 哈尔滨工程大学
IPC: G06K9/00 , G06N3/04 , G06N3/08 , G06F17/14 , G10L21/0208
Abstract: 本发明公开了一种基于深度卷积网络的舰船噪声识别分类方法，属于水下舰船噪声识别的领域。本发明主要是针对BP神经网络处理的文件数量少，提取特征不明显以及易陷入局部最优解的问题提出的解决方案。该发明首先根据MFCC将原始声音中的噪声去掉，提取出相应有效的特征，这个过程主要是去除干扰性大的噪声。将经过MFCC处理的声音文件转换成深度卷积网络可以接收的格式。通过深度卷积神经网络多层次的提取有效的特征，这样提取的特征的有效性更强，更具有普适性。针对现实中的大量声音数据进行识别分类，减少了人为的干预度，可以更好的区分出不同的舰船噪声，从而达到识别的目的。
-
公开(公告)号：CN107592622B
公开(公告)日：2021-09-17
申请号：CN201710599176.7
申请日：2017-07-21
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于地理位置信息的机会型并行传输MAC协议，引入地理位置信息这一要素，对局部并行映射表和并行控制算法两方面进行改进，提出了基于地理位置信息的机会型并行传输MAC协议。在此基础上，对并行映射表和并行控制算法的相应部进行了改进；发送端节点通过局部并行映射表的记录检索到所有可能受到自身干扰的两跳范围内的节点，并依次比较其与每个节点的距离值和自身传输半径之间的关系，满足条件的记录进入映射表中，在最大程度上排除受干扰节点的数量；接收端节点通过与多个发送端节点的距离比较，选取其中最小的一个进行数据通信，在解决隐藏终端问题的同时，提高数据传输的成功率。
-
公开(公告)号：CN107194411A
公开(公告)日：2017-09-22
申请号：CN201710237933.6
申请日：2017-04-13
Applicant: 哈尔滨工程大学
IPC: G06K9/62
CPC classification number: G06K9/6257 , G06K9/6269
Abstract: 本发明提供的是一种改进的分层级联的支持向量机并行化方法。通过改进的Cascade SVM算法得到了优化：首先，改进算法中c的引入，用于在层级训练过程中，衡量每一层训练中得到的模型支持向量个数的变化情况。其次，通过调整模型训练过程中的合并策略和层次结构，每层训练得到的支持向量的合并方式由两两合并，优化调整为全部合并之后再进行平均切分，这样避免了两两进行合并方式中存在过滤非边界样本不足的缺点。本发明可以保证不失分类精度的前提下，同时借助当前主流的Spark并行框架，有效地缩短模型训练时间，提高模型的训练和分类效率。
-
Patent Agency Ranking
公开(公告)号：CN107466072B
公开(公告)日：2020-11-10
申请号：CN201710599216.8
申请日：2017-07-21
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种基于地理位置信息的多信道并行协商MAC协议实现方法，涉及多信道并行传输条件下的无线传感器网络领域，对原LPR‑MAC协议在多信道并行协商过程中存在的信道冲突问题进行了分析，利用节点地理位置信息这一关键因素给出LPRLI‑MAC协议的邻居表和P‑坚持算法，解决了多对多和多对一的信道冲突问题，优化了多个发送端在多信道上的并行协商策略，降低了多个并行传输间的冲突概率，提高了数据传输率。
-
公开(公告)号：CN107592622A
公开(公告)日：2018-01-16
申请号：CN201710599176.7
申请日：2017-07-21
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于地理位置信息的机会型并行传输MAC协议，引入地理位置信息这一要素，对局部并行映射表和并行控制算法两方面进行改进，提出了基于地理位置信息的机会型并行传输MAC协议。在此基础上，对并行映射表和并行控制算法的相应部进行了改进；发送端节点通过局部并行映射表的记录检索到所有可能受到自身干扰的两跳范围内的节点，并依次比较其与每个节点的距离值和自身传输半径之间的关系，满足条件的记录进入映射表中，在最大程度上排除受干扰节点的数量；接收端节点通过与多个发送端节点的距离比较，选取其中最小的一个进行数据通信，在解决隐藏终端问题的同时，提高数据传输的成功率。
-
公开(公告)号：CN107609488A
公开(公告)日：2018-01-19
申请号：CN201710717199.3
申请日：2017-08-21
Applicant: 哈尔滨工程大学
IPC: G06K9/00 , G06N3/04 , G06N3/08 , G06F17/14 , G10L21/0208
Abstract: 本发明公开了一种基于深度卷积网络的舰船噪声识别分类方法，属于水下舰船噪声识别的领域。本发明主要是针对BP神经网络处理的文件数量少，提取特征不明显以及易陷入局部最优解的问题提出的解决方案。该发明首先根据MFCC将原始声音中的噪声去掉，提取出相应有效的特征，这个过程主要是去除干扰性大的噪声。将经过MFCC处理的声音文件转换成深度卷积网络可以接收的格式。通过深度卷积神经网络多层次的提取有效的特征，这样提取的特征的有效性更强，更具有普适性。针对现实中的大量声音数据进行识别分类，减少了人为的干预度，可以更好的区分出不同的舰船噪声，从而达到识别的目的。
-
公开(公告)号：CN107466072A
公开(公告)日：2017-12-12
申请号：CN201710599216.8
申请日：2017-07-21
Applicant: 哈尔滨工程大学
CPC classification number: Y02D70/38 , H04W28/18 , H04L69/14 , H04L69/24 , H04W40/20 , H04W40/248 , H04W74/0816 , H04W74/085 , H04W80/02
Abstract: 本发明提供了一种基于地理位置信息的多信道并行协商MAC协议实现方法，涉及多信道并行传输条件下的无线传感器网络领域，对原LPR-MAC协议在多信道并行协商过程中存在的信道冲突问题进行了分析，利用节点地理位置信息这一关键因素给出LPRLI-MAC协议的邻居表和P-坚持算法，解决了多对多和多对一的信道冲突问题，优化了多个发送端在多信道上的并行协商策略，降低了多个并行传输间的冲突概率，提高了数据传输率。
-
公开(公告)号：CN107168944A
公开(公告)日：2017-09-15
申请号：CN201710237926.6
申请日：2017-04-13
Applicant: 哈尔滨工程大学
IPC: G06F17/27
CPC classification number: G06F17/2715 , G06F17/277
Abstract: 本发明提供的是一种LDA并行优化方法。主要包括CO‑PLDA并行优化算法和基于高斯函数的词加权方法。通过采用齐普夫定律的通信优化策略和一种改进的词权重计算方法，在文本表示精度不受影响的前提下，提高文本的表示效率。本发明中提出的CO‑PLDA模型的计算时间和通信时间都要优于AD‑LDA，其中CO‑PLDA模型的通信开销约为AD‑LDA的20％，计算时间约为AD‑LDA的70％左右。可见，CO‑PLDA在不失文本表示精度的前提下，有效地提高了模型的文本表示效率，降低了模型并行的通信开销，同时也适当降低了模型的计算时间。通过实验证明了CO‑PLDA算法文本表示效果要比AD‑LDA更好。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
