-
公开(公告)号：CN101893704A
公开(公告)日：2010-11-24
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：CN114926445B
公开(公告)日：2024-03-26
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/084 , G06N3/0464 , 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：CN110120042B
公开(公告)日：2023-07-14
申请号：CN201910400617.5
申请日：2019-05-13
Applicant: 哈尔滨工业大学
Abstract: 一种基于SLIC超像素和自动阈值分割的农作物图像病虫害区域提取方法，涉及基于图像处理的农作物病虫害检测领域。本发明通过对上传图像信息进行图像预处理，然后根据SLIC超像素分割算法将图像分割为若干超像素区域，从而提取病虫害叶片的边缘信息；以分割为超像素的图片为基础，通过直方图相交法合并超像素区域，从而将农作物叶片从背景干扰中提取出来。最后通过对叶片进行像素点遍历，利用叶片图像中正常区域与病虫害区域图像纹理相差较大的原理，设置自动阈值迭代将病虫害区域与健康区域分割开，具有较高的提取精度和效率。
-
公开(公告)号：CN115830389A
公开(公告)日：2023-03-21
申请号：CN202211623017.3
申请日：2022-12-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06N3/0464 , G06Q50/02
Abstract: 本发明公开了一种基于负样本编码增强的农作物病害细粒度分类方法及系统，涉及深度学习技术领域。本发明的技术要点包括：对现有的样本编码技术One‑Hot进行了拓展，增加了All‑Zeros的全“0”样本编码；同时对于收集到的健康样本不足的情况，提出了使用PhotoShop中的内容识别填充进行图像生成与数量扩充的方法；进一步，对现有的深度学习架构进行了调整，移除了最后一层的SoftmaxLayer。本发明使得改进后的网络在学习病害样本的同时，也可以抑制对健康样本的学习，从而在现实场景下，遇到没有病害的健康样本或者无关复杂背景时，能够输出更低的置信度从而保证模型的判别能力。
-
公开(公告)号：CN114978196A
公开(公告)日：2022-08-30
申请号：CN202210469859.1
申请日：2022-04-30
Applicant: 哈尔滨工业大学
IPC: H03M13/13
Abstract: 一种多核极化码快速串行抵消列表译码方法，涉及极化码译码技术领域，用以解决现有的多核极化码串行抵消列表译码算法的高延迟问题。本发明的技术要点包括：对于由F2核矩阵和F3核矩阵组成的多核极化码，利用串行抵消列表译码算法进行译码，在对完全多叉树结构的深度优先遍历过程中，针对核矩阵为F2或F3的节点，提供递归计算各条路径的似然值和码字序列的不同公式；针对特殊外码Rate‑1和Rate‑0的节点，提供另外的更新流程，包括码字序列的计算和路径度量的更新计算。本发明丰富了极化码的码长应用范围，降低了对应的译码延迟。
-
Patent Agency Ranking
公开(公告)号：CN114937021A
公开(公告)日：2022-08-23
申请号：CN202210605763.3
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: 本发明提供了一种基于Swin‑Transformer的农作物病害细粒度分类方法，涉及深度学习技术领域，主要针对农作物病害细粒度分类任务中由于类别差异较为细微，不能提取到不同病害独有的特征而引发误分类问题。包括以下步骤：步骤一、采集农作物病害图像，对图像标注病害标签，对标注后的病害图像进行预处理，再随机划分得到训练样本和测试样本；步骤二、设计Swin‑Transformer网络结构，输入训练样本对Swin‑Transformer网络进行迭代训练并更新网络参数，同时采用测试样本对每轮训练的网络结构进行测试，记录并保存训练结果和测试结果，根据最优的测试结果确定网络模型；步骤三：将待检测样本进行预处理，再将待检测样本输入至网络模型得到相应的类别评分，选取最高评分的类别作为输出结果。
-
公开(公告)号：CN114866093A
公开(公告)日：2022-08-05
申请号：CN202210469866.1
申请日：2022-04-30
Applicant: 哈尔滨工业大学
IPC: H03M13/13
Abstract: 一种面向极化码快速串行抵消列表译码的高效码本选择方法，涉及极化码译码技术领域，用以解决现有极化码快速串行抵消列表译码方法运算冗余、译码延迟高的问题。本发明对于两种外码：Rate‑1和SPC外码，根据码字错误图样分别计算获得L条路径对应的多个路径可靠性度量和待选码字；在每组多个路径可靠性度量中选择路径可靠性度量最小值，获得最小路径度量集合PM及待选最优码字集合；利用小根堆排序方法在集合PM中进行比较，选出集合中数值最小的路径可靠性度量PM1，并在待选最优码字集合中选择与其对应的码字作为最优码字；将PM1弹出集合PM，重复上述步骤，每一次选出数值最小的路径可靠性度量PM2、……、PMn，及其对应的最优码字，直至获取L个最优码字。
-
公开(公告)号：CN109327879B
公开(公告)日：2020-09-22
申请号：CN201811189797.9
申请日：2018-10-12
Applicant: 哈尔滨工业大学
Abstract: 基于接收端的车载自组网路由协议的数据传输方法，属于认知车载自组网路由协议的数据传输技术领域。现有的车载自组网路由协议存在路由效率低、时延大、信号故障概率大的问题。一种基于接收端的车载自组网路由协议的数据传输方法，建立简单的车载自组网运动网络模型；以接收端为核心；在该路由协议下，利用认知无线电技术，采用频谱感知的手段，使主用户覆盖范围内的节点有机会通过空闲状态的通道，将网络中待传输的数据包，经过单跳或者多跳，传送到目标节点。本发明极大的改善了传统路由协议时延高、并提高可靠性。
-
公开(公告)号：CN107067043B
公开(公告)日：2020-07-24
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：CN109167600A
公开(公告)日：2019-01-08
申请号：CN201811189788.X
申请日：2018-10-12
Applicant: 哈尔滨工业大学
Abstract: 基于深度置信网络的抗音调干扰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码译码的深度置信网络的网络结构；2、确定深度置信网络的初始参数；3、基于通信信号获得深度置信网络的训练样本和测试样本；4、将训练样本输入到深度置信网络的输入层，经过隐藏层，到达输出层，得到训练好的深度置信网络；5、将测试样本输入4训练好的深度置信网络进行测试，得到最终训练好的深度置信网络；6、利用最终训练好的深度置信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。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.033 seconds)
