-
公开(公告)号：CN101893704B
公开(公告)日：2012-07-25
申请号：CN201010231397.7
申请日：2010-07-20
Applicant: 哈尔滨工业大学
Abstract: 一种基于粗糙集的雷达辐射源信号识别方法，它涉及信号识别技术领域，它解决了现有的利用粗糙K-均值方法识别雷达辐射源信号时，由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题。本发明的雷达辐射源信号识别方法首先获取雷达辐射源信号样本的脉冲描述字，然后利用粗糙集理论确定粗糙K-均值的聚类数和初始聚类中心，再通过粗糙K-均值获取RBF神经网络隐层神经元的中心，以获得RBF神经网络结构；最后将待识别的雷达辐射源信号的样本描述字输入所述RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。本发明适用于雷达辐射源信号识别。
-
公开(公告)号：CN102226844A
公开(公告)日：2011-10-26
申请号：CN201110077141.X
申请日：2011-03-29
Applicant: 哈尔滨工业大学
IPC: G01S19/39
Abstract: 基于双程转发测量体制和载波相位平滑伪码的编队小卫星星间测距方法，涉及无线电测量领域，它解决了现有的编队小卫星星间测距方法的星间测距同步误差较大，测距精度较低的问题。其方法：首先将伪码调制在双频载波，双频已调载波作为测距信号发射；然后，根据双程转发测量体制在发射主星提取测距信号；最后，经过解求整周模糊度，以及计算伪码相位差，得到载波测距值和伪码测距值，并将两种体制的测距结果一同送入星间测距信息校正器进行校正，利用大概率统计模型对测距信息进行验证并获得星间距离值，从而提高测距精度和置信度。本发明适用于星间距离在0～10km的编队小卫星的星间测距。
-
公开(公告)号：CN119339206A
公开(公告)日：2025-01-21
申请号：CN202411393313.8
申请日：2024-10-08
Applicant: 哈尔滨工业大学
IPC: G06V10/82 , G06V10/764 , G06V10/771 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/096
Abstract: 本发明提供一种基于特征空间校准的植物病害小样本分类方法及系统，属于数据处理领域。为解决现有深度学习算法在图像分类时需要大量带注释的数据集，但部分植物病害发病率低，图像数据少，限制深度学习算法在植物病害识别中大规模应用的问题。利用FAS评分对移除全连接层后的Swin‑Transformer V2网络的每一个特征输出层进行打分分析，选择分值最高的层作为特征向量，得到Swin‑Transformer V2F6网络，再进行植物病害特征空间校准。本发明在小样本病害分类的准确率可有效提高，相对于需要使用大量带注释的数据集来说，可在少量数据集的基础上提高识别的准确性。
-
公开(公告)号：CN114926445A
公开(公告)日：2022-08-19
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/08 , G06N3/04 , G06V10/82
Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。
-
公开(公告)号：CN109347601B
公开(公告)日：2021-03-16
申请号：CN201811189786.0
申请日：2018-10-12
Applicant: 哈尔滨工业大学
Abstract: 基于卷积神经网络的抗音调干扰LDPC码的译码方法，本发明涉及LDPC码的译码方法。本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候，译码性能准确率低的问题。过程为：1、建立用于LDPC码译码的卷积神经网络；2、确定卷积神经网络的初始参数；3、基于通信信号获得卷积神经网络的训练样本和测试样本；4、将训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；5、将测试样本输入训练好的卷积神经网络进行测试，得到最终训练好的卷积神经网络；6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。本发明属于通信技术领域。
-
Patent Agency Ranking
公开(公告)号：CN106405126B
公开(公告)日：2017-11-07
申请号：CN201610710094.0
申请日：2016-08-23
Applicant: 哈尔滨工业大学
IPC: G01N35/00
Abstract: 面向测土配方变量施肥应用的自动土样采集装置，涉及一种自动土样采集装置。是为了解决现有的测土配方施肥过程中存在土样采集费时费力的问题。本发明采用了动力学原理自动取土的方式，配合深松过程中深松铲的上下运动和农机的前进运动即可提供采土所需的动力，无需加装动力装置，易于操作和实现。通过控制电磁铁来实现样本盒的移动，从而实现不同地点土壤的分离保存，实现多个样本分别采样和分别保存。利用GPS定位信息可以记录每一个采样点的经纬度坐标，对每一块样土实现精确定位。本发明适用于测土配方变量施肥应用的自动土样采集场合。
-
公开(公告)号：CN107122922A
公开(公告)日：2017-09-01
申请号：CN201710371669.5
申请日：2017-05-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于排序学习的农机深松作业质量评价方法，解决了现有对农机深松作业质量的评价未采用客观的评价体系的问题。所述方法包括：采集多台农机在一次深松作业中的作业数据的步骤：作业数据包括多个等间隔时间节点和农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度和耕地深度数据；对农机作业数据进行预处理的步骤；从预处理后的作业数据中提取作业特征值，并将特征值与其对应的标签值作为训练样本集的步骤：特征值包括地块轨迹规整度、农机单位里程内的不良作业行为数量和耕地深度稳定值；采用排序学习法对训练样本集进行训练得到最优农机深松作业质量评价模型的步骤。采用该模型对农机的深松作业质量进行评价的步骤。
-
公开(公告)号：CN107067043A
公开(公告)日：2017-08-18
申请号：CN201710379786.6
申请日：2017-05-25
Applicant: 哈尔滨工业大学
Abstract: 一种农作物病虫害检测方法，涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理，然后搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，得到训练好的卷积神经网络，并对具有明确标签的可见光农作物病虫害图像的特征进行提取；利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；对新上传的农作物病虫害可见光图片特征提取，再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
-
公开(公告)号：CN106405126A
公开(公告)日：2017-02-15
申请号：CN201610710094.0
申请日：2016-08-23
Applicant: 哈尔滨工业大学
IPC: G01N35/00
Abstract: 面向测土配方变量施肥应用的自动土样采集装置，涉及一种自动土样采集装置。是为了解决现有的测土配方施肥过程中存在土样采集费时费力的问题。本发明采用了动力学原理自动取土的方式，配合深松过程中深松铲的上下运动和农机的前进运动即可提供采土所需的动力，无需加装动力装置，易于操作和实现。通过控制电磁铁来实现样本盒的移动，从而实现不同地点土壤的分离保存，实现多个样本分别采样和分别保存。利用GPS定位信息可以记录每一个采样点的经纬度坐标，对每一块样土实现精确定位。本发明适用于测土配方变量施肥应用的自动土样采集场合。
-
公开(公告)号：CN104881877A
公开(公告)日：2015-09-02
申请号：CN201510324631.3
申请日：2015-06-12
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/4671 , G06T7/60 , G06T7/73
Abstract: 基于FPGA的卷积与时序优化的图像关键点检测的方法，涉及图像处理技术领域。解决了现有的基于软件的图像特征点检测方法由于计算量大导致无法实时进行图像处理的问题。本发明先构建高斯金字塔，然后，构造差分高斯尺度空间；在差分高斯尺度空间中找到极值点，最后筛选特征点完成基于FPGA的卷积与时序优化的图像关键点检测。本发明适用于进行图像关键点检测。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.023 seconds)
