一个基于非下采样剪切变换的新型图像融合方法

    公开(公告)号:CN109801248A

    公开(公告)日:2019-05-24

    申请号:CN201811555330.1

    申请日:2018-12-18

    Abstract: 一个基于非下采样剪切变换的新型图像融合方法,包括以下步骤:步骤1:输入源图像A和源图像B,并将所述源图像A和源图像B进行L级NSST分解,分别得到源图像A和源图像B的低频分量和高频分量;步骤2:采用加权局部能量加权和和基于八邻域的改进拉普拉斯算子规则融合低频分量;步骤3:计算分别得到源图像A和源图像B两者高频分量的修正拉普拉斯和和修正拉普拉斯,并使用和修正拉普拉斯最大值融合高频分量;步骤4:使用NSST逆变换将高频融合分量和低频融合分量重构得到最终的融合图像。采用非下采样剪切波将原图像分解为高频和低频,NSST的多尺度和多方向特性能有效减少吉布斯型振铃现象的发生,并且可获得源图像更多的空间细节和结构信息。

    基于多任务学习的问答方法

    公开(公告)号:CN109885671B

    公开(公告)日:2022-10-14

    申请号:CN201910152570.5

    申请日:2019-02-28

    Abstract: 本发明涉及一种基于多任务学习的问答方法,属于人工智能领域,包括步骤:S1:为每个任务配备特定于任务的siamese编码器,将预处理后的句子编码为分布式向量表示;S2:利用一个共享的表示学习层在不同的任务之间共享高级信息;S3:特定于任务的softmax层分类,对于第k个任务中的问答对及其标签最后的特征表示形式被输入特定于任务的softmax层进行二进制分类;S4:多任务学习:训练多任务学习模型,使交叉熵损失函数最小化。本发明利用从不同角度学习到的多视图注意力,使这些任务能够相互作用,学习更全面的句子表示,多视角注意方案还可以有效地从不同的表征视角收集注意信息,提高表征学习的整体水平。

    基于多任务学习的问答方法

    公开(公告)号:CN109885671A

    公开(公告)日:2019-06-14

    申请号:CN201910152570.5

    申请日:2019-02-28

    Abstract: 本发明涉及一种基于多任务学习的问答方法,属于人工智能领域,包括步骤:S1:为每个任务配备特定于任务的siamese编码器,将预处理后的句子编码为分布式向量表示;S2:利用一个共享的表示学习层在不同的任务之间共享高级信息;S3:特定于任务的softmax层分类,对于第k个任务中的问答对 及其标签 最后的特征表示形式被输入特定于任务的softmax层进行二进制分类;S4:多任务学习:训练多任务学习模型,使交叉熵损失函数最小化。本发明利用从不同角度学习到的多视图注意力,使这些任务能够相互作用,学习更全面的句子表示,多视角注意方案还可以有效地从不同的表征视角收集注意信息,提高表征学习的整体水平。

    一种基于压电纤维复合材料的柔性变形机翼控制系统

    公开(公告)号:CN114084342A

    公开(公告)日:2022-02-25

    申请号:CN202111497620.7

    申请日:2021-12-09

    Abstract: 本发明涉及基于压电纤维复合材料的柔性变形机翼控制系统,涉及柔性变形机翼。通过此系统既对柔性机翼进行变形控制,又能在机翼产生变形的情况下实现抑制机翼时空耦合的振动,可有效提升飞行器的飞行效率,提高飞行器适应复杂飞行环境的能力,使机翼更快速地达到最优的气动性能,并且更好地完成飞行任务。本发明通过总控中心综合决策机翼形变过程中的振动问题,将振动程度运用专家经验划分为不同的档次,由总控中心判定是否需要微型控制器单独抑制局部区域的振动。若面向于大幅度的形变和整体振动抑制,则需要判定总控中心对所有的微型控制器和压电纤维复合材料进行协同,以实现机翼快速、平衡地变形。

Patent Agency Ranking