-
公开(公告)号：CN113139656A
公开(公告)日：2021-07-20
申请号：CN202110453835.2
申请日：2021-04-26
Applicant: 大连海事大学
Abstract: 本发明公开了一种类脑快慢双通路无人自主决策方法，构建一种基于类脑多任务时序预测的能量对抗模型，其中包含一个生成网络和一个能量网络两部分；引入一种概率分布裁剪机制，用于轨迹潜在空间的高概率密度区域采样，进而设计有效的能量网络来确定最能代表未来的一条轨迹；本发明通过预训练的卷积神经网络模块识别视觉信息中目标并通过自编码器编码其空间特征。然后将每个目标特征按时间顺序输入行为快照长短记忆网络，用以建模目标的时间动态变化。利用时间动态排序机制，设定目标优先级，以甄别冗余信息，降低模型复杂度。本发明提出的类脑快慢双通路模型依靠串联与并联的简洁的类脑结构，可以在少量参数调整的低功耗环境下进行训练。
-
公开(公告)号：CN116736880A
公开(公告)日：2023-09-12
申请号：CN202310421892.1
申请日：2023-04-19
Applicant: 大连海事大学
IPC: G05D1/10
Abstract: 本发明公开了一种模型‑数据混合驱动固定翼无人机自主认知避障方法，包括以下步骤：建立慢通路瞬时机动避障模型；建立快通路自适应位姿控制模型；建立类脑快慢双通路混合驱动机动动作优化模型。本发明采用类脑快慢双通路架构，合理地设计长短期决策博弈策略，实现快慢通路各自有效强化机制，实施通路间动态博弈，最终决策选择中两个通路既相对独立、又相互增强，实现整个类脑快慢双通路模型在迭代、回馈中有效形成直觉习惯，从而提升自主认知性能，有效地进行人工智能模型与人脑认知机制之间的映射，真正将脑与认知中快慢双通路交互机制和原理启发式地构建所需的自主智能系统，使自主智能系统实现智能认知。
-
Patent Agency Ranking
公开(公告)号：CN110503680A
公开(公告)日：2019-11-26
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
公开(公告)号：CN119469172A
公开(公告)日：2025-02-18
申请号：CN202411618615.0
申请日：2024-11-13
Applicant: 大连海事大学
IPC: G01C21/26 , G06F18/25 , G06N3/092 , G06N3/0455 , G06N3/0464 , G06N3/006
Abstract: 本发明公开了一种基于转换器模型进行视听模态融合的具身视听导航方法，包括以下步骤：采集视觉信息和听觉信息；最大化预期折扣回报与奖励；分别使用两个编码器对视听感官进行特征提取；使用空间音频编码器进行特征映射；对视觉和听觉两个模态的信息进行融合；使用动态路径长度加权成功衡量声源为移动声源的任务的策略；使用近端策略优化算法训练网络。本发明能施更好地协同了视觉与听觉输入，使得视听模态得以更好地融合，以提高导航的准确性与精度。本发明使用转换器模型代替传统的门控循环单元，能满足在嘈杂环境以及动态声源任务中的高难度导航要求。本发明使用近端策略优化算法进行训练，节省了人力，提高了经济效益。
-
公开(公告)号：CN110503680B
公开(公告)日：2023-08-18
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
IPC: G06T7/50 , G06N3/0464
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
公开(公告)号：CN119740639A
公开(公告)日：2025-04-01
申请号：CN202510258379.4
申请日：2025-03-06
Applicant: 大连海事大学
IPC: G06N3/098 , G06F9/50 , G06N3/045 , G06N3/0464 , G06N3/096 , G06F18/213 , G06F18/23
Abstract: 本发明提供一种面向工业物联网的高效异构联邦学习方法，属于联邦学习技术领域。将神经网络模型分割为边缘特征提取器和全局分类器；边缘特征提取器部署在边缘设备上，全局分类器部署在服务器上；边缘设备上还集成有边缘分类器，与边缘特征提取器结合构成边缘模型；服务器基于同步时间聚合本轮边缘训练中边缘特征提取器的权重参数，更新全局模型；同时，通过运行时间模型计算每个边缘设备的运行时间；根据运行时间以及同步时间定制每个边缘模型的规格参数；将更新后的全局模型和边缘模型规格参数下发至对应边缘设备；各边缘设备根据下发的全局模型和模型规格参数生成用于下一轮边缘训练的边缘模型。通过上述步骤实现兼具效率与效能的异构联邦学习。
-
公开(公告)号：CN113139656B
公开(公告)日：2023-06-30
申请号：CN202110453835.2
申请日：2021-04-26
Applicant: 大连海事大学
IPC: G06V20/50 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/084 , G06V20/17
Abstract: 本发明公开了一种类脑快慢双通路无人自主决策方法，构建一种基于类脑多任务时序预测的能量对抗模型，其中包含一个生成网络和一个能量网络两部分；引入一种概率分布裁剪机制，用于轨迹潜在空间的高概率密度区域采样，进而设计有效的能量网络来确定最能代表未来的一条轨迹；本发明通过预训练的卷积神经网络模块识别视觉信息中目标并通过自编码器编码其空间特征。然后将每个目标特征按时间顺序输入行为快照长短记忆网络，用以建模目标的时间动态变化。利用时间动态排序机制，设定目标优先级，以甄别冗余信息，降低模型复杂度。本发明提出的类脑快慢双通路模型依靠串联与并联的简洁的类脑结构，可以在少量参数调整的低功耗环境下进行训练。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
