-
公开(公告)号：CN115993582A
公开(公告)日：2023-04-21
申请号：CN202211695720.5
申请日：2022-12-28
Applicant: 哈尔滨工业大学
Abstract: 一种基于深度强化学习的雷达波形博弈系统构建方法、装置、计算机及储存介质，涉及雷达信号处理与智能博弈领域。本发明解决了智能认知雷达在干扰场景与样式复杂多变的情况下，抗干扰波形无法快速有效的判断决策的问题。方法包括：雷达与干扰环境进行数据交互，获取仿真干扰波形；根据当前时刻回波波形与前一时刻的回波波形，计算获得抗干扰行为的奖励值，并存入记忆库；离线训练模块采用记忆库储存的数据进行神经网络的训练与更新，获得预训练模型；在线学习模块加载离线训练模块的预训练模型，进行雷达的在线学习，获得深度强化学习的雷达波形博弈系统。本发明应用于认知雷达波形对抗博弈智能决策领域。
-
公开(公告)号：CN113327196B
公开(公告)日：2023-04-07
申请号：CN202110488060.2
申请日：2021-04-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向MR图像超分辨的联合字典训练优化方法，属于MR图像重建领域。步骤一：输入训练图像块对字典大小K，其中，表示空间X的训练样本，是空间Y的训练样本；步骤二：初始化和n＝0，t＝1；步骤三：循环，对于i＝1,2,....,N执行如下优化公式；且步骤四：更新归一下的列向量，结束循环；步骤五：根据下面公式更新步骤六：输出字典对和本方法有效减小了重构的误差，提升了图像的重构精度。
-
公开(公告)号：CN111583592B
公开(公告)日：2021-07-27
申请号：CN202010374572.1
申请日：2020-05-06
Applicant: 哈尔滨工业大学
Abstract: 一种基于多维卷积神经网络的实验环境安全预警方法，采集实验室数据，进行数据预处理，得到归一化样本集，利用多维卷积神经网络对隐藏故障信息进行深度挖掘，随后根据模型的预测分辨结果与所测实验室数据对应的人工标注标签的偏差来调整故障诊断模型内部权重参数，最后对实验室安全预警模型的进行性能测试，使基于多维卷积神经网络的实验室安全预警模型的正确率得到进一步的提升。本发明所得结论准确，可以及时对安全隐患进行发现并预警，阻止安全事故的发生。
-
公开(公告)号：CN111709522A
公开(公告)日：2020-09-25
申请号：CN202010436453.4
申请日：2020-05-21
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于服务器-嵌入式协同的深度学习目标检测系统。服务器端包括知识库、训练模型、测试结果统计分析和计算资源监控模块，知识库包括数据管理模块，训练模型包括深度学习网络训练模块和模型压缩模块，测试结果统计分析包括模型测试模块，计算资源监控模块用于对系统的CPU、GPU资源进行实时监控，便于用户根据实际情况合理利用计算资源；嵌入端包括主控制器ARM和协处理器FPGA，主控制器ARM负责外部图像输入、图像预处理、NMS算法、叠加检测信息和图像输出任务；协处理器FPGA负责深度网络推理中的卷积层、捷径层和上采样层加速。本发明解决现深度学习网络模型由服务器端的训练到嵌入式端的快速部署问题。
-
公开(公告)号：CN104063717B
公开(公告)日：2017-03-22
申请号：CN201410325740.2
申请日：2014-07-09
Applicant: 哈尔滨工业大学
IPC: G06K9/64
Abstract: 局部结构保持的全局监督图嵌入复杂系统监测数据可视化方法，属于复杂系统监测数据处理技术领域。本发明为了解决现有复杂系统监测数据维度高、尺度大、可视化难度大的问题。它包括以下步骤：采集复杂系统的m类n维监测数据，计算获得标签信息相同的监测数据与相互邻近的监测数据；再计算获得监测数据的同类权重矩阵和邻近权重矩阵，进而获得嵌入图的权重矩阵；再获得对角矩阵D和拉普拉斯矩阵L；最后根据特征映射公式计算获得线性映射矩阵A，进而获得m类n维监测数据xi在可视的二维或三维空间的映射，实现复杂系统监测数据的可视化。本发明用于复杂系统监测数据的可视化。
-
Patent Agency Ranking
公开(公告)号：CN104063622A
公开(公告)日：2014-09-24
申请号：CN201410323477.3
申请日：2014-07-08
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于相似性度量的复杂系统监测数据的可视化方法，属于复杂系统技术领域，本发明为解决复杂系统测试数据往往具有维度高、尺度大的特性，是典型的高维多元数据，可视化分析难度大的问题。本发明方法包括以下步骤：第一步：构造映射图；第二步：计算权重；第三步：特征映射，将复杂系统监测数据X为m类n维矩阵降维，将高维数据降到人眼可见的二维或三维，在可见空间中观察数据点之间的结构关系，从而实现高维数据可视化呈现。
-
公开(公告)号：CN103336913A
公开(公告)日：2013-10-02
申请号：CN201310317283.8
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 一种适合于空间锂离子电池状态监测和截止电压预测的方法，属于空间应用和电池管理技术领域。本发明解决了现有的电池截止电压预测方法复杂的问题。一种适合于空间锂离子电池状态监测和截止电压预测的方法，所述方法为：步骤一：建立电池退化状态模型；步骤二：结合电池退化模型建立间接的电池容量预测模型，对电池容量进行预测，进而实现对电池状态的监测；步骤三：根据历史时刻的截止电压参数建立截止电压预测模型，进而实现对截止电压的预测。本发明根据锂离子电池的性能退化过程及其机理，可以更好的建立锂离子电池的截止电压预测模型，使电池的容量预测简单易行。本发明适用于建立锂离子电池的截止电压预测模型。
-
公开(公告)号：CN103336912A
公开(公告)日：2013-10-02
申请号：CN201310317217.0
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于ARI算法的锂离子电池截止电压的预测方法，属于锂离子电池的截止电压预测领域。为了解决现有ARI模型为线性模型对锂离子电池后期出现截止电压加速变化时，预测准确性低的问题，首先，提取锂离子电池每个充放电周期中的截止电压原始数据，保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理，获得处理后的数据；其次，将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定，获得ARI模型；然后，将预测步长的加速因子引入到步骤二获得的ARI模型中进行拟合，获得ND-ARI预测模型，通过采用ND-ARI预测模型实现锂离子电池截止电压的预测。本发明主要适用于对锂离子电池的截止电压预测。
-
公开(公告)号：CN119935096A
公开(公告)日：2025-05-06
申请号：CN202510009093.2
申请日：2025-01-03
Applicant: 哈尔滨工业大学
Abstract: 基于自适应动态模板的MAV机载目标跟踪方法和系统，属于目标跟踪技术领域，解决MAV机载跟踪中跟踪性能和计算复杂度难以平衡问题。本发明的方法包括：设置初始模板、临近模板和记忆模板，将当前帧搜索特征、初始模板、临近模板、记忆模板输入自适应模版融合STF模块，生成最终模板；将最终模板与搜索模板进行相关操作，得到响应图，判断当前跟踪状态，更新临近模板和记忆模板；记忆模板生成模块采用时间上串联的方式，提炼整合历史跟踪结果中的关键信息，使得有限的模板特征内存能够包含全部的历史信息。自适模板融合模块利用模板与搜索特征间的相似度矩阵，实现在不同跟踪阶段对模板权重的动态调整。本发明适用于MAV机载目标跟踪。
-
公开(公告)号：CN113744132B
公开(公告)日：2024-09-27
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T7/00 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.025 seconds)
