-
公开(公告)号：CN112417760A
公开(公告)日：2021-02-26
申请号：CN202011309350.8
申请日：2020-11-20
Applicant: 哈尔滨工程大学
Abstract: 基于竞争混合网络的舰船控制方法，本发明涉及舰船控制方法。本发明的目的是为了解决现有舰船在复杂环境中控制精度低的问题。过程为：一、建立个体智能体网络模型；二、建立优势混合网络模型；三、建立状态值混合网络模型；四、将个体观测历史输入到个体智能体网络模型中得到个体优势值函数以及个体状态值函数；将个体优势值函数传给优势混合网络模型，优势混合网络模型输出联合优势函数值；将个体状态值函数传给状态值混合网络模型，状态值混合网络模型输出联合状态值混合值；通过将联合优势函数值与联合状态值混合值相加得到联合动作值函数。本发明用于舰船控制领域。
-
公开(公告)号：CN111626343A
公开(公告)日：2020-09-04
申请号：CN202010403756.6
申请日：2020-05-13
Applicant: 哈尔滨工程大学
IPC: G06K9/62 , G06F40/295
Abstract: 一种基于PGM与PSO聚类的船舰数据关系抽取方法,涉及数据处理技术领域，针对现有技术中在构建面向知识图谱过程中关系抽取存在的船舰数据抽取准确率低以及效率低的问题，本发明用一个概率图模型来计算相似度分数，依据这个分数对不同候选对象之间的相似程度进行划分，以使实体对更好的进行匹配，使用灵活的相似度准则来消除实体匹配的歧义，可以抽取更多关系。对现有的聚类算法中的适应度函数进行了优化，增加了两个准则，不易局部最优解的情况，使其能够加速收敛，从而获得最优解，在构建面向知识图谱过程中关系抽取准确率以及效率高。
-
公开(公告)号：CN106227911B
公开(公告)日：2019-08-06
申请号：CN201610487736.5
申请日：2016-06-28
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明属于数据可视化分析领域，具体涉及一种基于电路图元素隐喻的主题演化可视化方法。包括：数据预处理，对文本数据进行预处理，进行分词、去停词操作，将文本集合处理成词库；采用LDA算法对文本集合进行处理，抽取主题，并记录与主题对应的词、文本以及时间和地点信息；以焊盘图标隐喻主题中的词，即词盘，词盘采用空心饼图形式表示，表示在此时间段内此词所处的地理分布比例等。该方法主要能够展示主题的内容、主题的强度随时间的变化及主题与主题间的演化关系以方便用户对主题的演化过程进行分析，还可展示各时段内同一主题强度的地理分布。
-
公开(公告)号：CN107609488A
公开(公告)日：2018-01-19
申请号：CN201710717199.3
申请日：2017-08-21
Applicant: 哈尔滨工程大学
IPC: G06K9/00 , G06N3/04 , G06N3/08 , G06F17/14 , G10L21/0208
Abstract: 本发明公开了一种基于深度卷积网络的舰船噪声识别分类方法，属于水下舰船噪声识别的领域。本发明主要是针对BP神经网络处理的文件数量少，提取特征不明显以及易陷入局部最优解的问题提出的解决方案。该发明首先根据MFCC将原始声音中的噪声去掉，提取出相应有效的特征，这个过程主要是去除干扰性大的噪声。将经过MFCC处理的声音文件转换成深度卷积网络可以接收的格式。通过深度卷积神经网络多层次的提取有效的特征，这样提取的特征的有效性更强，更具有普适性。针对现实中的大量声音数据进行识别分类，减少了人为的干预度，可以更好的区分出不同的舰船噪声，从而达到识别的目的。
-
公开(公告)号：CN107466072A
公开(公告)日：2017-12-12
申请号：CN201710599216.8
申请日：2017-07-21
Applicant: 哈尔滨工程大学
CPC classification number: Y02D70/38 , H04W28/18 , H04L69/14 , H04L69/24 , H04W40/20 , H04W40/248 , H04W74/0816 , H04W74/085 , H04W80/02
Abstract: 本发明提供了一种基于地理位置信息的多信道并行协商MAC协议实现方法，涉及多信道并行传输条件下的无线传感器网络领域，对原LPR-MAC协议在多信道并行协商过程中存在的信道冲突问题进行了分析，利用节点地理位置信息这一关键因素给出LPRLI-MAC协议的邻居表和P-坚持算法，解决了多对多和多对一的信道冲突问题，优化了多个发送端在多信道上的并行协商策略，降低了多个并行传输间的冲突概率，提高了数据传输率。
-
Patent Agency Ranking
公开(公告)号：CN107168944A
公开(公告)日：2017-09-15
申请号：CN201710237926.6
申请日：2017-04-13
Applicant: 哈尔滨工程大学
IPC: G06F17/27
CPC classification number: G06F17/2715 , G06F17/277
Abstract: 本发明提供的是一种LDA并行优化方法。主要包括CO‑PLDA并行优化算法和基于高斯函数的词加权方法。通过采用齐普夫定律的通信优化策略和一种改进的词权重计算方法，在文本表示精度不受影响的前提下，提高文本的表示效率。本发明中提出的CO‑PLDA模型的计算时间和通信时间都要优于AD‑LDA，其中CO‑PLDA模型的通信开销约为AD‑LDA的20％，计算时间约为AD‑LDA的70％左右。可见，CO‑PLDA在不失文本表示精度的前提下，有效地提高了模型的文本表示效率，降低了模型并行的通信开销，同时也适当降低了模型的计算时间。通过实验证明了CO‑PLDA算法文本表示效果要比AD‑LDA更好。
-
公开(公告)号：CN107154258A
公开(公告)日：2017-09-12
申请号：CN201710229138.2
申请日：2017-04-10
Applicant: 哈尔滨工程大学
CPC classification number: G10L15/02 , G10L15/063 , G10L17/02 , G10L17/04 , G10L19/032 , G10L25/30
Abstract: 本发明提供的是一种基于负相关增量学习的声纹识别方法。一、对输入的语音信号进行预处理和特征提取；二、初始化网络集成，如果之前已存在网络集成，则复制当前所有网络；三、对网络集成进行训练；四、对网络集成中的每个网络进行结构调整；五、对当前网络进行筛选，选出其中最优的一部分网络；六、将当前得到的网络进行应用，如果有新数据到来，则从步骤一开始循环执行。本发明是以增量学习的方法对声纹识别进行研究，提高其在数据增量到来场景下的效率和识别准确率；基于负相关学习的增量学习算法能有效地解决增量问题。本发明分别从模型训练和模型选择两个方面进行改进，提出了一种新的算法以解决上述的问题，然后将其应用到增量学习中。
-
公开(公告)号：CN106095951A
公开(公告)日：2016-11-09
申请号：CN201610422994.5
申请日：2016-06-13
Applicant: 哈尔滨工程大学
IPC: G06F17/30
CPC classification number: G06F17/30333
Abstract: 基于负载均衡和查询日志的数据空间多维索引方法，涉及数据空间索引技术领域。旨在把倒排索引分布到不同的索引节点中，使得各个索引节点保持负载均衡，同时最小化查询处理涉及的通信开销和减少搜索空间。在垂直划分中，首先利用查询日志和实体中频繁出现的词，聚合索引token词，使用超图表示用户查询与倒排列表间的访问模式；在水平划分中，通过超图刻画用户查询与实体间的访问模式信息，把水平划分问题归约为超图划分问题，使得不同索引节点的负载保持均衡，并降低查询涉及的通信开销。结合垂直划分和水平划分策略，构建二维混合索引并扩展为三维索引。通过在公开数据集DBLP上进行实验表明本发明方法在吞吐量、查询响应时间及扩展性优于已有方法。
-
公开(公告)号：CN105975488A
公开(公告)日：2016-09-28
申请号：CN201610264735.4
申请日：2016-04-25
Applicant: 哈尔滨工程大学
IPC: G06F17/30
CPC classification number: G06F16/285 , G06F16/2471
Abstract: 一种关系数据库中基于主题类簇单元的关键词查询方法，涉及信息检索领域，尤其涉及一种关系数据库中基于主题类簇单元的关键词查询方法。本发明要为解决现有关键词在线查询方法存在查询过程中频繁的表连接所带来巨大时间开销的问题，而现有关键词离线查询方法对于内部结构复杂、数据量庞大的大规模数据库上的查询存在查询效率低的问题。一种关系数据库中基于主题类簇单元的关键词查询方法按以下步骤进行：1、主题类簇单元构建过程；①、基于数据表特性和查询日志垂直分组；②、提出主题类簇中表连接顺序优化方案；③、基于主题类簇元组关联图水平分组；2、建立基于关联规则的索引优化机制；3、将查询结果返回给用户。本发明应用于信息检索领域。
-
公开(公告)号：CN114580478B
公开(公告)日：2025-04-01
申请号：CN202210203998.X
申请日：2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/084 , G01D21/02
Abstract: 一种基于神经网络的环境参数确定方法，具体涉及一种基于神经网络的水下环境各参数的确定方法，本发明为了解决现有采取LPCC特征提取方法或MFCC特征提取方法获取水下环境参数的准确率低的问题，它包括S1、采集各时段的水下目标辐射噪声及对应的环境参数，将水下目标辐射噪声分为低频信号和高频信号；S2、对采集的各时段的水下目标辐射噪声进行预处理；S3、建立网络模型，将S2中预处理后的各时段的水下目标辐射噪声及对应的环境参数输入网络模型中进行训练，直到loss损失不变，得到训练好的网络模型；S4、采集待确定环境参数的水下目标辐射噪声，经过S2的预处理后，输入S3中得到的训练好的网络模型内，得到环境参数。属于环境参数确定领域。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.09 seconds)
