-
公开(公告)号：CN116994044A
公开(公告)日：2023-11-03
申请号：CN202310931310.4
申请日：2023-07-27
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/46 , G06N3/04 , G06N3/094
Abstract: 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法，涉及图像异常检测领域。解决现有的编码器等模型具有较大的容量，缺陷与正常区域的特征差别不明显；图像重建思想的方法大都只考虑了图像的单一模态，不能充分利用图像数据不同模态之间的关联性的问题。本发明提供以下方案，获取数据：将公开图像数据集分为训练数据集和验证数据集；数据处理：将训练数据集的对抗网络分为a、b两个主分支，得到#imgabs0#和#imgabs1#上述#imgabs2#和#imgabs3#为生成对抗网络中生成器所需的待重建图像；构建网络模型框架；设计模型损失函数；训练与测试网络，还适用于图像检测技术领域中。
-
公开(公告)号：CN116206144A
公开(公告)日：2023-06-02
申请号：CN202211434389.1
申请日：2022-11-16
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06V20/13 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明实施方式中的基于视觉模糊和旋转预测森林图像中毁林因素的分类方法，该框架使用新的数据增强方法，即使面对云层或极端天气，该模型的性能也不会受到干扰。此外，即使应用数据旋转和自监督方法，模型的分类预测也可以保持稳定。本发明创新地将数据模糊与数据旋转自监督学习相结合，使模型可以更全面与准确的学习数据的特征表示。同时，应用这种数据增强进行表示学习可以后的更加强健、稳定的模型效果，避免因为数据污染而造成的结果干扰。将所提的网络模型应用于毁林因素图片数据的分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN114970825A
公开(公告)日：2022-08-30
申请号：CN202210623693.4
申请日：2022-06-03
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于时空融合图神经网络的交通流量预测方法，属于交通流时空数据预测领域。针对现有框架使用单独的模块来处理时空相关性以及只使用独立的组件来捕获局部或全局异构依赖关系，提出一种基于时空融合图神经网络的交通流量预测方法。本发明创新性地使用一种数据驱动的“时间图”生成方法，以补偿空间图可能无法反映的几种现有相关性，通过对不同时间段并行处理的各种时空图进行新的融合操作，可以有效地学习隐藏的时空依赖关系。同时，将该融合图模块和一个新的门卷积模块集成到一个统一的层中，可以学习更多的时空相关性来处理长序列。将所提的网络模型应用于交通流量预测，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN114638310A
公开(公告)日：2022-06-17
申请号：CN202210281313.3
申请日：2022-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题，提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合，使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐，同时还通过域对抗模型进行对抗训练，能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
-
Patent Agency Ranking
公开(公告)号：CN116862864A
公开(公告)日：2023-10-10
申请号：CN202310819263.4
申请日：2023-07-06
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G01R31/12 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/098
Abstract: 一种基于多模态联合学习的变压器缺陷检测方法，本发明涉及油浸式变压器纸质绝缘件内部缺陷检测分类准确率低问题。传统缺陷检测方法即只考虑了时间序列的时序特征，而忽略了时间序列的其他特征，从而导致缺陷检测效果无法进一步提升，使缺陷检测准确率较低。为改善这一问题，本发明提出了一种通过联合时序模态和噪声模态，并在两个模态融合过程中引入了细粒度双线性融合方法以更加充分的提取两种模态中更有价值的特征，从而解决了单模态时序缺陷检测的弊端。实验表明，该方法能有效利用多模态之间的关系，提高了缺陷检测性能和分类准确率。本发明应用于油浸式变压器纸质绝缘件内部缺陷检测。
-
公开(公告)号：CN116206145A
公开(公告)日：2023-06-02
申请号：CN202211434963.3
申请日：2022-11-16
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明实施方式中的基于伪标记和真假数据识别的遥感图像分类方法，该框架使用人工伪标签作为未标记数据的标签，因此也可以使用标签训练未标记数据。针对模型可能对未标记数据分类错误的情况，提出了一种混合表示学习方法。混合不同的数据生成伪数据并利用所有数据可以克服伪标签的缺点。本发明创新地将伪标记算法与假数据识别算法相结合，使模型可以更全面与准确的学习数据的特征表示。同时，由伪标记带来的半监督学习算法，可以大大地减少实验的资源成本的消耗，以最小的代价完成目标。将所提的网络模型应用于半监督遥感图片数据的分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN111310029A
公开(公告)日：2020-06-19
申请号：CN202010065292.2
申请日：2020-01-20
Applicant: 哈尔滨理工大学
IPC: G06F16/9535 , G06Q30/06 , G06Q30/02 , G06F16/35 , G06F40/284 , G06N3/04
Abstract: 本发明提出了一种基于用户商品画像和潜在因子特征提取的混合推荐方法，所述混合推荐方法包括以下步骤：S100通过用户画像和商品本身的信息提取用户和商品的显式特征表示；S200通过把用户和商品映射到潜在空间，得到用户和商品的潜在因子特征表示；S300利用栈式降噪自编码器对显式特征和潜在因子特征进行特征提取，得到鲁棒性更强的低维特征表示。本发明同时考虑到用户和商品的显式特征空间和潜在因子特征空间，并且将两种特征空间综合考虑在内，克服了单一推荐模型的弊端，解决了物品的冷启动问题，同时本发明采用SDAE对高维特征进行提取，有效避免了“维度灾难”问题，由于在训练过程中添加了随机噪声，极大地提高了算法的鲁棒性。
-
公开(公告)号：CN115879505A
公开(公告)日：2023-03-31
申请号：CN202211428341.X
申请日：2022-11-15
Applicant: 哈尔滨理工大学
IPC: G06N3/0455 , G06N3/047 , G06N3/088
Abstract: 本发明提出了一种自适应相关感知无监督深度学习异常检测方法，属于信息物理系统(CPS)领域，如智能生活、工业控制和数字医疗保健。同时，在CPS的背景下考虑了互联网和物联网中存在的各种安全问题。其中，基于无监督深度学习的异常检测模型通过潜在特征学习在许多CPS领域取得了良好的效果。然而，数据之间的相关性并没有引起足够的重视，挖掘它们之间的隐含关系，缺乏自适应训练，这对于在更复杂的数据环境中CPS的安全至关重要。因此，本文提出了一种自适应相关感知的无监督深度学习用于CPS异常检测。构造有向图结构来表示数据之间的隐式相关性，并采用动态图自适应更新设计提取特征和重构特征，估计概率分布和异常能量，完成异常检测。
-
公开(公告)号：CN109327342B
公开(公告)日：2019-12-17
申请号：CN201811425107.5
申请日：2018-11-27
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种基于任务驱动的自适应SDN仿真系统及仿真平台，所述系统包括图形化控制平台、控制器模块以及虚拟网络环境；本发明将控制器模块与图形化控制平台分离，并将其分别运行在不同的虚拟机中，图形化控制平台通过RPC调用控制器模块，并利用Json传输数据；而对其他模块的调用则通过GET、POST提交请求到相关页面等方式来获取数据，并将其设置或显示到图形化控制平台。控制平台通过捕获用户基于任务需求设定的各种配置信息，生成设置报文并发送到控制器端以激发网络进行自适应调整。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.02 seconds)
