-
公开(公告)号：CN111460051B
公开(公告)日：2020-11-20
申请号：CN202010253442.2
申请日：2020-04-02
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于树形结构与逐层次节点删减的数据关联方法，得到角度观测值；计算三站交叉定位结果；计算交叉定位点角度误差；逐层建立一个树形结构，并进行初步的节点删减；对树形结构进行进一步的逐层次节点删减；获取最终的数据关联组合；本方法综合利用节点的当前角度误差与数据组合累积角度误差进行节点删减，有效地降低了计算复杂度，较好地兼顾了数据关联准确率与计算实时性的要求；本发明通过建立树形结构，并对每一层节点进行逐层处理与删减，可以保证较高的统计关联准确率，并有较低的运算复杂度。相对遍历所有数据关联组合的暴力破解法，该方法计算复杂度较低，速度快，有效的保证了算法实时性。
-
公开(公告)号：CN107565710B
公开(公告)日：2020-09-25
申请号：CN201710806382.0
申请日：2017-09-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了自动调节到最佳工作频率的磁耦合谐振式无线供电系统，属于无线电能传输技术领域。包括：发射装置、接收装置两部分。发射装置包括：直流电源1、高频逆变器2、LC谐振器3、电压电流检测器4、自动调频系统5、无线通信模块6。接收装置包括：LC谐振器7、整流滤波器8、负载9、无线通信模块10、电压电流检测器11。该无线供电系统提出了通过调节工作频率来达到最佳传输效率的方法，该方法能够在负载阻抗、传输距离等参数变化时，自动调整工作频率，使得系统能稳定在最佳工作频率。
-
公开(公告)号：CN111079859A
公开(公告)日：2020-04-28
申请号：CN201911407781.5
申请日：2019-12-31
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供一种无源多站多目标测向交叉定位与虚假点去除方法，包括如下步骤：步骤一、根据双站测向交叉定位原理，得出两两站点的双站交叉定位结果，给出交叉定位点集合；步骤二、根据真实目标附近交叉定位点密度明显高于虚假点这一特性，利用马氏距离定义椭圆邻域，提取高密度交叉定位点；步骤三、对高密度点集合进行DBSCAN聚类处理，取高密度点数最多的前NT个聚类作为真实目标所在的簇，每一簇的聚类中心即为真实目标位置，NT为目标个数。本发明利用一种高密度点提取方法，在保证目标点定位精度与虚假点去除性能的同时，降低了后续聚类数据处理的计算量。
-
公开(公告)号：CN107301419A
公开(公告)日：2017-10-27
申请号：CN201710381548.9
申请日：2017-05-26
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/4609 , G06K2209/21 , G06T7/194 , G06T2207/10016 , G06T2207/10048 , G06T2207/20081
Abstract: 本发明属于无人机目标的检测方法领域，具体涉及一种基于百分比击中击不中变换的红外弱小目标检测方法。具体包括1)选取训练样本；2)确定选取样本的前景结构元素FG和背景结构元素BG；3)确定待检测目标与结构元素最小匹配度P；4)读取待检测视频，计算最大匹配度Per；5)比较最小匹配度P与最大匹配度Per，分离图像目标与背景；6)显示检测结果，并读入下一帧图像，重复步骤4-5。本发明应用百分比击中击不中变换对红外弱小目标进行检测，不仅抗噪声性能好，并且达到了高检测率、低虚警率的检测效果。
-
公开(公告)号：CN114863425B
公开(公告)日：2024-10-29
申请号：CN202210346555.6
申请日：2022-03-31
Applicant: 哈尔滨工程大学
IPC: G06V20/69 , G06V10/82 , G06V10/764 , G06V10/774 , G06V10/40 , G06N3/0464 , G06N3/044 , G06N3/045 , G06N3/09 , G06N3/0895
Abstract: 本发明提供了一种基于有监督对比学习的尿红细胞的分类方法，步骤一：收集和扩充数据集；步骤二：构建基于ResNet‑50卷积神经网络的SRRN特征提取网络模型；步骤三：构造损失函数；步骤四：训练SRRN特征提取网络；步骤五：训练分类器；步骤六：测试模型；本发明使用SRRN网络模型训练后在测试集上准确率提高了0.36％；使用加入以欧式距离为基础的对比损失函数训练后的SRRN网络模型在测试集上的准确率提高了0.49％；以权重惩罚机制微调分类器后的模型在测试集上的准确率提高了0.71％；在模型测试阶段使用了TTA策略，模型在测试集上的准确率提高了0.13％，最后本发明准确率达到92.39％。
-
Patent Agency Ranking
公开(公告)号：CN110764063B
公开(公告)日：2024-04-30
申请号：CN201910976041.7
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明属于电子对抗技术领域，具体涉及使搜索效果更快更明显的一种基于SDIF与PRI变换法结合的雷达信号分选方法。本方法包括如下步骤：对雷达信号进行预分组；利用SDIF方法对预分选后的雷达分组建立到达时间级差直方图；依据雷达信号模型时域特点快速搜索提取雷达信号；建立一级差直方图快速分析参差信号；判断是否仍有复杂类型雷达信号残留；查询各模块分选结果。本发明的有益效果在于：预分选与主分选结合，将SDIF与PRI变换法结合作为主分选，SDIF部分对复杂雷达电磁环境中常规信号、参差信号、脉间捷变频以及脉组捷变频信号进行快速而有效的分选，PRI变换法部分分选剩余的抖动信号，各部分算法各司其职，承上启下，组合成有效快速的综合分选算法。
-
公开(公告)号：CN109598294B
公开(公告)日：2023-06-13
申请号：CN201811407872.4
申请日：2018-11-23
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G16H50/20
Abstract: 本发明提供一种基于软硬件平台的云端视网膜OCT识别智能诊断系统及其使用方法，包括光学相干断层扫描仪、医生客户端计算机、云端视网膜OCT识别服务器和交换机；所述光学相干断层扫描仪与医生客户端计算机相连接，医生客户端计算机通过交换机和云端视网膜OCT识别服务器相连接。本发明能快速正确鉴别脉络膜新生血管、糖尿病黄斑水肿、玻璃膜疣以及正常视网膜的OCT图像，本发明提出的一种基于嵌入式软硬件平台的眼科视网膜OCT云端服务器的智能诊断系统可以对诊前疾病的筛查、预防，就诊时医疗图像辅助诊断、检验结果分析、手术辅助，以及就诊后的医疗随访、慢性病监测、康复协助、健康管理等。
-
公开(公告)号：CN110473167B
公开(公告)日：2022-06-17
申请号：CN201910615378.5
申请日：2019-07-09
Applicant: 哈尔滨工程大学
IPC: G06T7/00 , G06T7/11 , G06T7/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G16H30/40 , G16H50/20 , G01N33/493
Abstract: 本发明涉及医学图像处理领域，具体涉及一种基于深度学习的尿沉渣图像识别系统及方法。图像采集模块对尿液样本采集得到原始图像；图像分割模块对原始图像进行分割处理，得到分割好的尿沉渣成分图像；基于深度学习的图像识别模块对分割好的尿沉渣成分图像进行识别，整合三个网络模型的识别结果，得到基于深度学习的图像识别模块的输出；计数模块对输出结果进行统计处理，得到定量的医学指标参考；系统输出为基于深度学习的图像识别模块的结果和计数模块的结果。本发明可以自动实现端到端的特征提取与分类，有效提取出尿沉渣有形成分中难以被肉眼发现的微小特征，从而高质量地解决11种尿沉渣成分的复杂分类问题，具有很强的医学应用价值。
-
公开(公告)号：CN113343796A
公开(公告)日：2021-09-03
申请号：CN202110569016.4
申请日：2021-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习与雷达信号调制识别技术领域，具体涉及一种基于知识蒸馏的雷达信号调制方式识别方法。本发明结合知识蒸馏的思想，利用知识蒸馏的网络压缩方法设计轻量化网络，对设备内存要求低，有利于集成到芯片，部署到终端设备。本发明提出利用两个教师网络完成知识蒸馏训练，将低信噪比情况下时频结构受损严重的雷达信号单独训练第二教师网络，得到软标签作为监督信息，能够提高轻量化网络在低信噪比情况下的识别正确率。本发明所提到的网络都采用的是残差网络，能够提取到时频图像更深层的特征，对多种雷达信号具有良好的适应性。本发明在使识别网络轻量化的同时，能够在较低信噪比下对雷达信号的调制方式有较高的识别正确率。
-
公开(公告)号：CN112598620A
公开(公告)日：2021-04-02
申请号：CN202011333284.8
申请日：2020-11-25
Applicant: 哈尔滨工程大学
Abstract: 本发明尿沉渣中透明管型、病理管型以及粘液丝的识别方法，步骤1：收集分割后的尿液有形成分显微图片，按比例随机划分为训练集和测试集；步骤2：训练集数据的预处理；步骤3：构建urine_8Net尿液有形成分识别网络；步骤4：设置所用的网络参数；步骤5：训练基于步骤3所述urine_8Net尿液有形成分识别模型；步骤6：利用步骤1、2得到的尿沉渣图像测试集对所得模型进行测试，得到测试集中管型成分的识别结果及总体准确率。本发明能够自动提取图像特征，对选取的尿液有形成分进行有效的细粒度识别，具有准确率高，识别速度快的特点，在临床中的尿沉渣识别检验有着广阔的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.022 seconds)
