-
公开(公告)号：CN119004207A
公开(公告)日：2024-11-22
申请号：CN202411089353.3
申请日：2024-08-08
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/243 , G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0455 , G06N3/082 , G06N3/084 , G06F123/02
Abstract: 一种基于深度学习的多源航迹关联方法，属于航迹关联算法领域；多源航迹关联通过关联算法，将从不同传感器或数据源中获取的航迹信息关联到同一目标上；深度学习方法是一种基于神经网络的数据驱动方法，应用于航迹密度高的场景；一种基于深度学习的多源航迹关联方法包括：输入层部分，用于对航迹数据预处理；GRU‑Transformer网络模型部分，用于对输入的数据信号进行提取航迹数据在时序上的特征；马氏距离相关性计算部分，用于考虑数据特征之间的相关性，适用于具有多个特征的数据；sigmod分类输出部分，利用特征进行分类输出；将未知航迹数据与机动目标一一关联；进行对比实验测试方法性能；本发明实现航迹关联，提高关联正确率。
-
公开(公告)号：CN114429565A
公开(公告)日：2022-05-03
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN114429564A
公开(公告)日：2022-05-03
申请号：CN202210018148.2
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于双支路的高光谱和LiADR数据协同分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入已配准好的高光谱和LiDAR的.tif数据，将数据输入到双分支网络；使用剪枝方法对高光谱图像进行波段选择；分别对空间和光谱进行特征提取；采用空洞卷积对LiDAR分支进行特征提取；将高光谱图像分支和LiDAR数据分支所提取的特征进行拼接；最后使用softmax对拼接的特征进行分类，获得样本分类标签；本发明基于双支路的高光谱和LiADR数据协同分类方法，利用高光谱和LiDAR数据各自的特点，优势互补，提高分类精度。
-
公开(公告)号：CN114429565B
公开(公告)日：2024-11-26
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN116628595A
公开(公告)日：2023-08-22
申请号：CN202310670386.6
申请日：2023-06-07
Applicant: 哈尔滨理工大学
IPC: G06F18/2415 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06F18/22 , G06F18/213 , G06N3/084 , G06F18/25
Abstract: 一种基于神经网络的空中电磁辐射源的航迹关联方法，属于航迹关联算法领域。传统的航迹关联方法基本上是对航迹信息进行两两关联判断的，这种流程在比较繁琐，且判断标准人为因素影响较大，对关联结果造成干扰。一种基于神经网络的空中电磁辐射源的航迹关联方法，包括：构建基于CNN‑LSTM的航迹关联网络结构，CNN‑LSTM的航迹关联网络结构包括：输入层部分，用于输入待处理的航迹数据；CNN‑LSTM网络模型部分，用于对输入的数据信号进行空间特征的提取以及提取航迹数据在时序上的特征；特征拼接部分，用于将形成新的特征，建立分类器；SoftMax分类输出部分，利用第三部分的特征进行分类输出；将未知航迹数据与机动目标一一关联。本发明实现航迹关联，提高关联正确率。
-
Patent Agency Ranking
公开(公告)号：CN119272107A
公开(公告)日：2025-01-07
申请号：CN202411285363.4
申请日：2024-09-13
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 一种基于YOLOv8的Link11信号检测与识别方法，属于通信领域信号检测与识别领域。现有的信号检测方法存在计算复杂、性能欠佳等不足，信号识别方法存在训练效率低及算法的识别能力较差的问题。一种基于YOLOv8的Link11信号检测与识别方法，所述方法通过以下步骤实现：基于MATLAB产生的信号制作数据集，对数据集信号进行预处理，以优化信号，使得处理后的信号方便后续的处理；进行时频分析处理并将转化的时频图送入YOLO网络；在YOLO网络中进行特征学习，训练网络；将训练好的网络权重对信号进行检测识别，对提取的特征向量进行分类识别。本发明使用YOLOv8模型对Link11数据链通信信号检测与识别，在现有的基础上进一步提升信号的检测率和识别率。
-
公开(公告)号：CN119135489A
公开(公告)日：2024-12-13
申请号：CN202411302521.2
申请日：2024-09-18
Applicant: 哈尔滨理工大学
IPC: H04L27/00 , G06N3/0442 , G06N3/0464
Abstract: 一种基于深度学习的通信信号调制识别方法，属于信号调制识别领域。通用的信号调制方式识别模型是根据识别需求制定完全不同的识别系统，提取信号特征依赖个人经验，为了在复杂背景环境下既快又准地进行信号调制，设计基于深度学习的通信信号调制识别方法，通信信号数据集为公开数据集RML2016.10A；采用短时傅里叶变换提取通信信号时频特征，将通信信号在时间和频率上进行局部化分析，时频图中的每个点代表在相应的时间和频率上信号的特性；构建卷积神经网络CNN和长短期记忆网络LSTM结合的通信信号调制识别网络模型，将经短时傅里叶变换提取到的时频特征作为网络模型的输入，通过网络模型输出通信信号的调制方式。本发明提高了识别结果的精度。
-
公开(公告)号：CN116962127A
公开(公告)日：2023-10-27
申请号：CN202310672480.5
申请日：2023-06-07
Applicant: 哈尔滨理工大学
IPC: H04L27/00 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06F18/213 , G06F18/2415 , G06F18/25 , G06F123/02
Abstract: 一种基于深度学习的Link11信号检测与识别方法，属于信号的检测与识别方法的领域。现有的通信信号识别存在检测和识别的准确率低的问题。一种基于深度学习的Link11信号检测与识别方法，包括：构建Link11数据集；采用完全连接的深度神经网络构建检测Link11信号的深度神经网络；利用步骤二构建的深度神经网络检测Link11信号；基于CNN网络和LSTM网络融合形成新的识别网络，以对Link11信号进行调制识别。本发明将卷积神经网络（CNN）与长期短期记忆（LSTM）网络融合共同提取信号特征，实现高精度的识别。
-
公开(公告)号：CN116743534A
公开(公告)日：2023-09-12
申请号：CN202310672494.7
申请日：2023-06-07
Applicant: 哈尔滨理工大学
IPC: H04L27/00 , H04L27/26 , G06F18/10 , G06F18/2132 , G06F18/241 , G06F18/27 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/0985
Abstract: 一种基于Transformer网络的数字信号调制识别方法，属于数字信号调制识别方法领域。现有的调制识别技术的识别率低。一种基于Transformer网络的数字信号调制识别方法，包括：对输入信号进行预处理，以将IQ信号组合成能作为Transformer的输入序列；构建线性投影层，形成Transformer编码器的输入；利用Transformer编码器提取信号特征；选择Transformer编码器最终输出的第一行作为MLP Head的输入，将MLP Head的输出作为最终的分类结果；对接收到的信号进行解析，估计各个参数：结合循环重叠功率谱改进小波变换的算法，以及盲载频估计的步骤。本发明方法结合全局信息提取更强大的特征，所需参数少，计算速度快，识别精度高。
-
公开(公告)号：CN116720115A
公开(公告)日：2023-09-08
申请号：CN202310620893.9
申请日：2023-05-29
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/21 , G06N3/045 , G06N3/08 , H04L27/00
Abstract: 一种基于深度学习的常规通信信号调制识别方法，属于信号调制识别方法领域。基于深度学习和卷积神经网络的自动调制识别方法从信号时频域数据中获取隐藏特征信息时，没有通用标准或细则来判断如何设定模型训练的参数和如何判断适合的网络结构。一种基于深度学习的常规通信信号调制识别方法：提取常规通信信号特征；利用提起特征，基于Transformer搭建生成对抗网络模型；生成对抗网络模型包含一对相互对抗的网络；对预输入深度学习网络模型的数据进行预处理；将长I/Q数据序列组变换为多个长度相等的短I/Q数据序列组，将得到的这组短I/Q数据序列组作为TRN的输入；进行闭集识别以及未知调制方式的信号进行开集识别。本发明设计基于Transformer网络模型，适用于闭集识别和开集识别。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.021 seconds)
