-
公开(公告)号:CN108171318B
公开(公告)日:2022-05-27
申请号:CN201711236180.3
申请日:2017-11-30
Applicant: 河南大学
Abstract: 本发明采用模拟退火和高斯函数的集成方法对全连接层初始化权值和传统滤波器进行优化:首先提取样本的隐层特征映射作为先验信息,并利用模拟退火寻得最优解作为全连接层初始化权值,进而加快权值更新和卷积神经网络收敛;其次在卷积层引入高斯函数,通过高斯函数运算对图像进行平滑,降低噪声对特征提取的干扰,进而提升了卷积神经网络的性能。从而解决了在现有技术中卷积神经网络训练过程中梯度下降易陷入局部最优以及特征提取过程中噪声干扰过大等问题。
-
公开(公告)号:CN110267198A
公开(公告)日:2019-09-20
申请号:CN201910561560.7
申请日:2019-06-26
Applicant: 河南大学
Abstract: 本发明公开了一种基于双层因子图置信度传递的分布式协作定位方法,其中,该方法包括:采用双曲线渐进线模型估计待定位代理节点位置分布;构建了用于解决协作定位的双层因子图置信度传递模型,第一层因子图传递置信位置完成待定位代理节点位置分布估计;并传递上述估计结果作为第二层因子图对应节点的先验消息;第二层因子图采用参数化置信度传递计算策略完成所有节点定位;本发明应用于无线传感器网络协作定位中,具有较低的通信开销和计算复杂度,提升了协作定位技术在实际应用中的可行性。
-
公开(公告)号:CN110267198B
公开(公告)日:2021-03-30
申请号:CN201910561560.7
申请日:2019-06-26
Applicant: 河南大学
Abstract: 本发明公开了一种基于双层因子图置信度传递的分布式协作定位方法,其中,该方法包括:采用双曲线渐进线模型估计待定位代理节点位置分布;构建了用于解决协作定位的双层因子图置信度传递模型,第一层因子图传递置信位置完成待定位代理节点位置分布估计;并传递上述估计结果作为第二层因子图对应节点的先验消息;第二层因子图采用参数化置信度传递计算策略完成所有节点定位;本发明应用于无线传感器网络协作定位中,具有较低的通信开销和计算复杂度,提升了协作定位技术在实际应用中的可行性。
-
公开(公告)号:CN110225454B
公开(公告)日:2020-12-18
申请号:CN201910561527.4
申请日:2019-06-26
Applicant: 河南大学
Abstract: 本发明公开了一种基于置信度传递的分布式容积卡尔曼滤波协作定位方法。其中,该方法包括:无线传感器网络中移动代理节点初始状态满足高斯分布,并将移动代理节点协作定位建模为时变因子图中多变量节点的边缘后验分布估计问题;其次,提出了高斯参数化置信度传递与重构策略,以及分布式容积卡尔曼滤波方法,计算因子图上每个变量节点的后验分布,进而获得每个移动代理节点定位结果。本发明公开协作定位方法中相邻代理节点之间只需传递高斯参数化置信度,具有良好的扩展性和鲁棒性,较低的通信开销和计算复杂度,提升整体网络定位精度和效率。
-
公开(公告)号:CN108171318A
公开(公告)日:2018-06-15
申请号:CN201711236180.3
申请日:2017-11-30
Applicant: 河南大学
Abstract: 本发明采用模拟退火和高斯函数的集成方法对全连接层初始化权值和传统滤波器进行优化:首先提取样本的隐层特征映射作为先验信息,并利用模拟退火寻得最优解作为全连接层初始化权值,进而加快权值更新和卷积神经网络收敛;其次在卷积层引入高斯函数,通过高斯函数运算对图像进行平滑,降低噪声对特征提取的干扰,进而提升了卷积神经网络的性能。从而解决了在现有技术中卷积神经网络训练过程中梯度下降易陷入局部最优以及特征提取过程中噪声干扰过大等问题。
-
公开(公告)号:CN110225454A
公开(公告)日:2019-09-10
申请号:CN201910561527.4
申请日:2019-06-26
Applicant: 河南大学
Abstract: 本发明公开了一种基于置信度传递的分布式容积卡尔曼滤波协作定位方法。其中,该方法包括:无线传感器网络中移动代理节点初始状态满足高斯分布,并将移动代理节点协作定位建模为时变因子图中多变量节点的边缘后验分布估计问题;其次,提出了高斯参数化置信度传递与重构策略,以及分布式容积卡尔曼滤波方法,计算因子图上每个变量节点的后验分布,进而获得每个移动代理节点定位结果。本发明公开协作定位方法中相邻代理节点之间只需传递高斯参数化置信度,具有良好的扩展性和鲁棒性,较低的通信开销和计算复杂度,提升整体网络定位精度和效率。
-
-
-
-
-