公开(公告)号：CN109005048A

公开(公告)日：2018-12-14

申请号：CN201810519647.3

申请日：2018-05-28

Applicant: 哈尔滨工程大学

Inventor： 周连科 ,  赵昱杰 ,  谢晓东 ,  褚慈 ,  薛冬梅 ,  王念滨 ,  王红滨 ,  李秀明 ,  王勇军 ,  迟熙翔

IPC: H04L12/24

Abstract: 本发明属于可视化数据技术领域，公开了基于力引导的点布局优化算法，包括如下步骤：步骤(1)：定义节点集合，边集合和无向图G；步骤(2)：设置系统中吸引力的总大小，系统中排斥力的总大小和总量级函数；步骤(3)：定义M(0)；步骤(4)：用算法聚集阶段迭代的总数和算法分裂阶段迭代的总数表示；步骤(5)：计算吸引力和排斥力在X轴方向和Y轴方向上的分量；步骤(6)：用笛卡尔坐标空间内X、Y轴方向上的排斥力和吸引力表示第t次迭代时节点在X、Y轴方向上受到的合力，然后获取节点迭代后的坐标；步骤(7)：迭代次数等于一个固定值时，迭代停止，算法结束。本发明解决传统算法中迭代次数多的问题，具有更好的扩展性。

公开(公告)号：CN107194404B

公开(公告)日：2021-04-20

申请号：CN201710237910.5

申请日：2017-04-13

Applicant: 哈尔滨工程大学

Inventor： 王红滨 ,  何鸣 ,  宋奎勇 ,  周连科 ,  王念滨 ,  郎泽宇 ,  王瑛琦 ,  顾正浩 ,  李浩然 ,  迟熙翔

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供的是一种基于卷积神经网络的水下目标特征提取方法。1、将原始辐射噪声信号的采样序列，分成25个连续部分，每个部分再设置25个采样点；2、将第j段数据信号的采样样本做归一化和中心化处理；进行短时傅里叶变换得到LoFAR图；4、将向量赋值到已有3维张量中；5、将得到特征向量输入到全连接层进行分类并计算与标签数据的误差，检查损失误差是否低于误差阈值，若低于则停止网络训练，否则进入步骤6；6、使用梯度下降方法对网络从后向前逐层进行参数调整，并转入步骤2。本发明方法的识别率与传统卷积神经网络算法相比，对特征图层进行了空间信息多维度的加权操作，来弥补因全连接层的一维向量化所带来的空间信息丢失的缺陷。

公开(公告)号：CN107194404A

公开(公告)日：2017-09-22

申请号：CN201710237910.5

申请日：2017-04-13

Applicant: 哈尔滨工程大学

Inventor： 王红滨 ,  何鸣 ,  宋奎勇 ,  周连科 ,  王念滨 ,  郎泽宇 ,  王瑛琦 ,  顾正浩 ,  李浩然 ,  迟熙翔

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

CPC classification number: G06K9/4628 ,  G06K9/6262 ,  G06N3/0454 ,  G06N3/084

Abstract: 本发明提供的是一种基于卷积神经网络的水下目标特征提取方法。1、将原始辐射噪声信号的采样序列，分成25个连续部分，每个部分再设置25个采样点；2、将第j段数据信号的采样样本做归一化和中心化处理；进行短时傅里叶变换得到LoFAR图；4、将向量赋值到已有3维张量中；5、将得到特征向量输入到全连接层进行分类并计算与标签数据的误差，检查损失误差是否低于误差阈值，若低于则停止网络训练，否则进入步骤6；6、使用梯度下降方法对网络从后向前逐层进行参数调整，并转入步骤2。本发明方法的识别率与传统卷积神经网络算法相比，对特征图层进行了空间信息多维度的加权操作，来弥补因全连接层的一维向量化所带来的空间信息丢失的缺陷。