公开(公告)号：CN114820366A

公开(公告)日：2022-07-29

申请号：CN202210445862.X

申请日：2022-04-26

Applicant: 哈尔滨理工大学

Inventor： 李谦 ,  陈国栋 ,  张根柱

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 深度学习已被大量应用于图像去雾领域，并取得优异表现。但现有的网络模型往往深度较深且包含大量参数，这会降低运算效率。为了实现轻量级网络和保持良好性能，提出了多尺度轻量级图像去雾网络(Multi‑scaleLightweightNetwork，MLNet)。使用多支路设计和多尺度卷积提取不同层次的特征信息，在网络中进行特征融合后重建残差图像，最终使用残差图像与输入图像求和得到恢复图像。

公开(公告)号：CN115270064A

公开(公告)日：2022-11-01

申请号：CN202210446261.0

申请日：2022-04-26

Applicant: 哈尔滨理工大学

Inventor： 张根柱 ,  张建林 ,  李谦

IPC: G06F17/16 ,  G06F17/18 ,  G06K9/62 ,  G06Q10/06

Abstract: 本发明公开了一种基于关联规则挖掘算法确定属性权重的三角模糊数多属性决策方法，其特征在于：包括以下步骤：S1:将初始三角模糊数型决策矩阵转化为三角模糊数型决策规范化矩阵；S2:求出各个属性的不同取值对于方案评价指标优劣程度的关联规则的置信度；S3:从历史决策信息中求出各个属性的影响因子；S4:根据决策规范化矩阵进行计算，求出各个属性的相似度差异指标；S5:根据相似度差异指标和属性的影响因子求出各个属性的权重；S6:将求得的权重带入决策规范化矩阵中，求得各个方案的加权综合属性值；S7:利用可能度排序法对各个备选方案的加权综合属性值进行排序择优，本发明可以利用在有大量历史决策数据可以参考的三角模糊数型的多属性决策问题中，例如人才考核、项目投资等。