-
公开(公告)号：CN116245047A
公开(公告)日：2023-06-09
申请号：CN202310236628.0
申请日：2023-03-13
Applicant: 哈尔滨工程大学
IPC: G06F30/28 , G06F30/27 , G06N3/0475 , G06N3/094 , G06F113/08
Abstract: 本发明提供一种基于生成对抗网络的模拟气泡流方法，步骤一：对多气泡图像预处理，步骤二：提取多气泡图像中气泡的轮廓信息，步骤三：制作单个气泡图像训练数据集，步骤四：训练生成对抗网络，得到包含丰富形状的气泡的数据库；步骤五：基于随机游走算法设计气泡的流动路线，得到模拟多气泡图像；步骤六：生成气泡流；本发明提出了一种模拟气液两相流的技术；一方面，可以扩充算法的训练数据集，减少通过实验过程获取训练数据的时间消耗，高效地解决训练数据不足的问题；另一方面，模拟气泡流具有较丰富的多样性，利用其训练算法，可以提高算法的性能和通用性，增强算法的跟踪能力，从而在实际跟踪过程中得到具有可靠性的气泡轨迹信息。
-
公开(公告)号：CN115982141A
公开(公告)日：2023-04-18
申请号：CN202211542378.5
申请日：2022-12-03
Applicant: 哈尔滨工程大学
IPC: G06F16/215 , G06F16/9537 , G06F16/242 , G06F16/2458 , G06N3/0442
Abstract: 本发明公开了一种针对时序数据预测的特征优化方法，步骤1、获取待预测时序数据集；步骤2、使用相关性分析方法对时序数据集特征参数进行相关性计算，计算数据集各特征参数之间的相关系数；步骤3、根据步骤2得到其他特征参数与预测目标特征参数的相关系数，根据不同相关系数阈值选择得到若干特征参数子集；步骤4、将特征参数子集分别输入预先训练好的长短期记忆网络模型，输出预测目标特征参数as的预测值，根据各个特征参数子集对应预测值与真实值的误差得到预测目标特征参数as对应的最优特征子集，长短期记忆网络模型由训练时序数据集对应特征参数子集训练得到的；本发明对高维数据输入进行优化，剔除对预测无效的特征，建立最优特征子集。
-
公开(公告)号：CN112328588A
公开(公告)日：2021-02-05
申请号：CN202011352099.3
申请日：2020-11-27
Applicant: 哈尔滨工程大学
IPC: G06F16/215 , G06N3/04
Abstract: 本发明公开了一种工业故障诊断非平衡时序数据扩充方法，步骤一：准备训练数据集；步骤二：构建GRU‑BEGAN的网络结构；步骤三：训练构建的GRU‑BEGAN网络模型；步骤四：根据训练好的GRU‑BEGAN生成对抗网络模型去生成小样本类型的人工数据，训练完成后的模型输入简单随机变量z|t，生成符合时间t的时序数据，将生成的数据集扩充至原始数据的小样本类型中，根据扩充后的数据集建立1D/2D‑CNN故障诊断模型。本发明在模型结构和损失函数上的改进使得模型收敛更快、数据质量更高，利用端到端的GRU‑BEGAN模型去训练故障数据中小样本时序数据集，得到生成的人工数据去增强原始数据集，提高故障诊断模型精确度。
-
公开(公告)号：CN104062635A
公开(公告)日：2014-09-24
申请号：CN201410317419.X
申请日：2014-07-04
Applicant: 哈尔滨工程大学
IPC: G01S7/02
CPC classification number: G01S7/415
Abstract: 本发明属于海杂波图像下海浪参数分析技术领域，具体涉及一种海杂波图像下基于最小区间思想的海浪主波周期反演方法。本发明包括：基于雷达采集32幅空间域的连续海杂波图像，选取分析区域构成子图像序列；对子图像序列进行3维傅里叶变换得到三维图像谱；根据色散关系构造带通滤波器，滤除三维波数频率图像谱中的非海浪信号，并积分获得二维海浪图像谱；利用调制传递函数，计算二维海浪波数谱：计算二维频率方向谱和一维频率谱；计算包含海浪一维频率谱总体能量的80％的最小频率估计区间；计算主波频率；计算主波周期。发明克服了现有主波周期反演算法当海浪一维频率谱为非单峰、不平滑时对频率区间估计不准确的不足。
-
公开(公告)号：CN103969643A
公开(公告)日：2014-08-06
申请号：CN201410195939.8
申请日：2014-05-09
Applicant: 哈尔滨工程大学
Abstract: 本发明属于海浪遥感技术领域，具体涉及一种利用导航雷达获取的海杂波图像进行海浪参数反演的基于新型海浪色散关系带通滤波器进行X波段导航雷达反演海浪参数方法。本发明包括：雷达图像数据采集；雷达图像预处理；对笛卡尔坐标系下的图像序列应用傅里叶变换，得到雷达图像的三维波数频率图像谱；海浪谱信息提取；海浪信息反演。本发明的滤波器保留了船速对色散关系的影响，有效地解决了传统宽带通滤波器的带宽会随运动速度的增大而增大这一问题，使得可以在雷达平台随舰船运动情况下进行滤波；本发明的新型滤波器的带通边界推导中没有对任何量取近似值，减小了计算误差，不会对带通边界产生影响，带宽计算更加精确，提升了海浪反演精度。
-
Patent Agency Ranking
公开(公告)号：CN119249228A
公开(公告)日：2025-01-03
申请号：CN202411333632.X
申请日：2024-09-24
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06N3/0464 , G06F18/21 , G06F18/214
Abstract: 本发明提供一种基于神经网络和假设检验的开集识别方法，包括如下步骤：S1获取故障数据并对所述故障数据进行预处理，划分训练集、验证集和测试集；S2建立联合损失函数，并利用联合损失函数训练卷积神经网络(CNN)；S3完成训练后通过CNN倒数第二个全连接层提取的特征建立元识别系统；S4利用元识别系统的输出对CNN最后一个全连接层提取的特征进行校准；S5对校准后的特征进行假设检验并作出最终决策。本发明能够更加适应真实的开放环境，在保证已知故障识别准确率的前提下更好的拒绝未知故障，降低未知故障样本被模型分类到已知故障的风险。
-
公开(公告)号：CN111604911A
公开(公告)日：2020-09-01
申请号：CN202010596403.2
申请日：2020-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种辅助机械手臂，包括手臂底座、旋转座、机械臂和机械爪，以及控制器和与控制器连接的传感器芯片、控制开关、第一舵机、第二舵机、第三舵机；旋转座可转动设置在手臂底座上，在第一舵机带动下水平转动；机械臂采用机械连杆机构，其一端与旋转座上端通过销轴连接，在第二舵机带动下实现伸缩；机械爪设置在机械臂末端，在第三舵机带动下实现开合。传感器芯片实时采集用户手臂运动参数，并将采集结果信息传送至控制器；控制器控制第一舵机和第二舵机启停，并接收控制开关指令以控制第三舵机启停。还公开一种辅助机器人。本发明将用户小浮动手臂运动同步放大转换成机械臂的运动，结合机械爪开合，辅助行动不便人群完成所想完成的动作。
-
公开(公告)号：CN103969643B
公开(公告)日：2016-09-14
申请号：CN201410195939.8
申请日：2014-05-09
Applicant: 哈尔滨工程大学
Abstract: 本发明属于海浪遥感技术领域，具体涉及一种利用导航雷达获取的海杂波图像进行海浪参数反演的基于新型海浪色散关系带通滤波器进行X波段导航雷达反演海浪参数方法。本发明包括：雷达图像数据采集；雷达图像预处理；对笛卡尔坐标系下的图像序列应用傅里叶变换，得到雷达图像的三维波数频率图像谱；海浪谱信息提取；海浪信息反演。本发明的滤波器保留了船速对色散关系的影响，有效地解决了传统宽带通滤波器的带宽会随运动速度的增大而增大这一问题，使得可以在雷达平台随舰船运动情况下进行滤波；本发明的新型滤波器的带通边界推导中没有对任何量取近似值，减小了计算误差，不会对带通边界产生影响，带宽计算更加精确，提升了海浪反演精度。
-
公开(公告)号：CN115062528A
公开(公告)日：2022-09-16
申请号：CN202210295183.9
申请日：2022-03-23
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种针对工业过程时序数据的预测方法，属于工业过程时序数据预测领域。本发明包括：准备训练数据集；构建深度长短期记忆网络(Deep‑LSTM)模型,增加LSTM单元个数和网络层数；训练Deep‑LSTM网络模型；将测试数据集输入到训练完成后的Deep‑LSTM，通过网络可预测出λ个未知数据，并计算预测值与真实值的误差，验证网络的预测效果及精度。本发明针对时序数据预测中故障数据样本不足和预测精度的问题，利用改进的GRU‑BEGAN生成对抗网络模型生成人工样本来扩充原始数据集，并利用Deep‑LSTM模型预测工业过程时序数据。
-
公开(公告)号：CN113313000B
公开(公告)日：2022-04-29
申请号：CN202110546145.1
申请日：2021-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于光学图像的气液两相流智能识别方法，准备训练数据集和测试数据集；构建全卷积网络模型FCN；根据训练好的FCN全卷积网络模型识别气液两相流中的气泡：对于训练完成后的FCN全卷积网络模型，为模型输入一张气液两相流待识别的图片，通过网络可近乎精确识别图片中的气泡，计算并得到气泡识别的精确度。将基于深度监督学习和数据提取的FCN方法引入到气液两相流识别中，它可以通过多层卷积操作从像素级别自动提取信息，以提取抽象的语义概念，使用上采样层和多尺度融合技术来进一步优化结果，使高级子网多次融合了低级子网的特征，保持极高的分辨率，从而提高气泡识别的精度。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.026 seconds)
