-
公开(公告)号：CN117475217B
公开(公告)日：2025-01-17
申请号：CN202311439963.7
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于SSBRID网络的高光谱图像分类方法，它属于遥感图像分类技术领域。本发明解决了现有卷积神经网络的参数多、模型尺寸大以及分类精度低的问题。本发明将二维卷积扩展到三维卷积，可以适应高光谱数据的三维的特点；同时，将非对称卷积核引入三维卷积层中，可以降低模型参数量，提升运行速度；最后，对三维卷积的输出特征进行重组，并送入二维卷积中，可以在减少网络的参数的同时，减小模型尺寸、通过共享信息减少空间冗余，并提高了分类精度。本发明方法可以应用于遥感图像分类。
-
公开(公告)号：CN117475308A
公开(公告)日：2024-01-30
申请号：CN202311439959.0
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06N3/0464 , G06V10/82
Abstract: 一种基于MADWA网络的高光谱图像像素级分类方法，它属于遥感图像分类领域。本发明解决了在噪声标签背景下现有深度神经网络分类准确性差的问题。本发明使用多尺度结构可以充分地学习真实标签及噪声标签数据信息，使网络学习信息的能力得到提升；并设计了光谱空间注意力结构，可以更加有效的关注每个维度所应学习的独特特征，以更加充分利用高光谱数据局部特征，提升了分类准确性。并且通过采用非对称卷积核，可以大幅度降低模型参数，提升运行速度，降低计算复杂度。本发明方法可以应用于遥感图像分类。
-
公开(公告)号：CN117475216A
公开(公告)日：2024-01-30
申请号：CN202311439960.3
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/42 , G06N3/0464 , G06V10/82 , G06V20/13 , G06V20/10 , G06V10/80
Abstract: 一种基于AGLT网络的高光谱与激光雷达数据融合分类方法，它属于高光谱图像分类领域。本发明解决了现有方法的分类性能差的问题。本发明可以从高光谱图像数据中捕获和学习高光谱空‑谱联合特征，从LiDAR‑DSM数据中获取高程特征；并将非对称卷积核引入视觉Transformer结构，充分利用了卷积神经网络强大的空间上下文信息提取能力和基于自注意力机制的视觉Transformer强大的远程依赖建模能力；设计Bi前馈单元用于视觉Transformer，以充分提取数据的全局和局部信息，提高了模型的分类性能。本发明方法可以应用于高光谱图像分类。
-
公开(公告)号：CN116016085B
公开(公告)日：2023-10-10
申请号：CN202310008646.3
申请日：2023-01-04
Applicant: 哈尔滨工程大学
IPC: H04L27/26
Abstract: 一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，涉及无线通讯技术领域。本发明是为了解决现有单音干扰抑制方法还存在对单音干扰的估计不够准确导致单音干扰抑制效果不佳的问题，同时还无法实现OTFS系统中对单音干扰的有效抑制的问题。本发明包括：利用单音干扰数据获得预估干扰中心；利用预估干扰中心初始化种群位置，根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置#imgabs0#利用#imgabs1#进行种群位置迭代更新，获得估计干扰中心#imgabs2#获取估计干扰中心为#imgabs3#时的平移矩阵#imgabs4#和#imgabs5#获得去除单音干扰后的信号；利用逆平移矩阵#imgabs6#和#imgabs7#还原去除单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号。本发明用于抑制OTFS单音干扰。
-
公开(公告)号：CN116016051B
公开(公告)日：2023-10-10
申请号：CN202211701282.9
申请日：2022-12-28
Applicant: 哈尔滨工程大学
Abstract: 基于基扩展模型的FBMC‑OQAM系统信道拟合与估计方法，为解决FBMC‑OQAM系统双选信道估计结果准确度低、浪费通信资源、通信质量难以保障的问题。基于离散随机优化算法确定FO系统的导频结构，调制由FO导频符号、FO全零符号和FO数据符号组成的帧结构，生成基带发送信号；用基带发送信号和时频双选信道的脉冲响应得基带接收数据；用基扩展模型拟合时频双选信道信息，基带接收数据得到FO离散系统模型，根据FO离散系统模型的BEM表示获取时频双选信道的信道系数矩阵；构造无子载波间干扰结构，建立分布式压缩感知框架，将信道系数向量引入感知框架，得到新感知框架；利用稀疏自适应正交子空间追踪算法重构信道系数，得到估计的时频双选信道信息。
-
Patent Agency Ranking
公开(公告)号：CN116192576A
公开(公告)日：2023-05-30
申请号：CN202310191895.0
申请日：2023-03-02
Applicant: 哈尔滨工程大学
Abstract: 一种用于FBMC系统抗频率选择性衰落的PSRO原型滤波器，涉及无线通信技术领域，针对现有技术中FBMC系统使用滤波器时，抗多径干扰能力较弱的问题，本申请使用频域采样定理推导正对称滚降系数，采用基于辛格函数设计原型滤波器。利用海森堡不确定参数和方向参数进行时频局域性度量，确保该滤波器的时间局域性性更趋于理想情况，频率局域性具所需效果，从而使得FBMC系统使用该滤波器时具有更小的保护时间和较好的抗多径干扰能力。
-
公开(公告)号：CN110333739B
公开(公告)日：2020-07-31
申请号：CN201910775602.7
申请日：2019-08-21
Applicant: 哈尔滨工程大学
Abstract: 一种基于强化学习的AUV行为规划及动作控制方法，属于水下机器人技术领域。为了解决AUV规划复杂任务时过于依靠人工经验，以及基于智能算法设计的控制方法需要精确的环境模型，从而导致训练经验局限，在现实环境中应用困难的问题。本发明将AUV探测隧洞定义为总任务；完成任务对应的行为包括：趋向目标、墙壁跟踪和避障；将机器人在水下需要完成所规划的行为而产生的控制指令定义为动作；AUV在执行隧洞探测任务时，使用深度强化学习DQN算法进行实时行为规划，构建对应的深度学习的行为网络，完成隧洞探测任务的规划。通过DDPG方法训练AUV的动作网络，将AUV视为环境模型，得到力到状态的映射，从而实现AUV的动作控制。
-
公开(公告)号：CN111239746A
公开(公告)日：2020-06-05
申请号：CN202010071446.9
申请日：2020-01-21
Applicant: 哈尔滨工程大学
Abstract: 一种堤坝裂缝检测水下机器人及使用方法，它涉及一种机器人及使用方法，具体涉及一种堤坝裂缝检测水下机器人及使用方法。本发明为了解决当前水下堤坝裂缝检测难度大、精度低的问题。本发明所述水下机器人包括载体框架、动力系统、裂缝检测系统、导航定位系统、浮力平衡系统、耐压舱及下位机系统；所述动力系统、所述裂缝检测系统、所述导航定位系统、所述浮力平衡系统、耐压舱及下位机系统均安装在所述载体框架内。本发明属于水下机器人领域。
-
公开(公告)号：CN108312151B
公开(公告)日：2020-02-07
申请号：CN201810057279.5
申请日：2018-01-22
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种漂流探测水下机器人装置及控制方法，属于探测水下机器人技术领域。机器人主体是鱼雷型结构，在机器人艏部搭载水文探测设备ADCP(声学多普勒剖面测速仪)、测距声呐、应急抛载；中间舱段为耐压舱，耐压舱内分为能源舱和控制舱两部分，能源舱内有两块高能量密度锂电池，分别用于动力和控制供电；尾段搭载保形天线(包含北斗定位与通讯、无线电和WiFi)、DVL、深度计、测距声呐。在机器人尾部左右两侧布置高效率推进器，在机器人前后各设置一个垂向槽道推进器。本发明根据机器人周围环境、任务指令，智能实现选择漂流模式的开启或关闭，从而实现低功耗、长航程，长时间的探测监控任务。
-
公开(公告)号：CN206475196U
公开(公告)日：2017-09-08
申请号：CN201720158144.9
申请日：2017-02-22
Applicant: 哈尔滨工程大学
Abstract: 本实用新型提供一种双体探测水下机器人装置，机器人主体是由中间翼形体和对称设置在中间翼形体两侧的两个流线型艇体组成双体结构，在中间翼形体的尾端设置有升降舵，中间翼形体内设置有核心控制舱和前后布置的两个垂向推进器舱，每个垂向推进器舱内设置有垂向推进器，每个流线型艇体尾部的侧面设置有稳定翼，每个流线型艇体尾部上均设置有翼型垂直翼，每个流线型艇体的尾端设置有主推推进器，两个流线型艇体内还设置有电池舱和探测设备舱，所述机器人主体上还设置有壁碰声呐。本实用新型根据相对流速，做出智能决策，切换不同的操纵方式，从而保持姿态稳定，实现定速续航，姿态保持，悬停监测等功能。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.087 seconds)
