-
公开(公告)号：CN119625033A
公开(公告)日：2025-03-14
申请号：CN202411689014.9
申请日：2024-11-22
Applicant: 哈尔滨理工大学
Abstract: 在多目标跟踪，环境变化、传感器限制及不确定的动态目标数为目标的精确跟踪带来挑战。基于多特征辅助、高斯混合势概率假设密度滤波器、无迹卡尔曼滤波，本发明提出基于多特征辅助的高斯混合势概率假设密度滤波器的多目标跟踪模型。本发明在考虑目标动态性的基础上，构建包含状态信息的状态集合；通过量测模块引入多普勒信息和幅度信息，建立包含方位、多普勒信息和幅度信息的联合量测似然函数；基于GM‑CPHD滤波器推导出MFGM‑CPHD滤波过程，并采用UKF更新高斯分量均值和协方差。在多目标跟踪任务中本发明滤波器相比于GM‑CPHD滤波器和DI‑GM‑CPHD滤波器具有更高的跟踪精度和更好的性能。
-
公开(公告)号：CN119203557A
公开(公告)日：2024-12-27
申请号：CN202411320619.0
申请日：2024-09-23
Applicant: 哈尔滨理工大学
Abstract: 现代水下战争中，海洋环境的复杂多变会对声纳的探测能力产生很大的影响。水面舰艇和反潜直升机根据各自的特性执行搜索任务无法充分发挥协同作战的优势。本发明进行基于海洋环境影响因素的舰机协同探测方法研究，从实际场景出发，提出了一种声呐探测距离分析的优化方法，将待定搜索区域的声呐实际探测距离可视化，提出了舰机协同搜索算法，建立搜索平台运动模型，并对其进行了优化，得到了使舰机协同搜索算法达到最大搜索概率的关键参数调整策略。选用搜索概率作为评价指标，进行实验测试。研究表明，当水面舰艇与反潜直升机协同作战时，可以稳定地实现高探测概率。由此证明了基于海洋环境影响因素的舰机协同探测方法的可行性与有效性。
-
公开(公告)号：CN117872331A
公开(公告)日：2024-04-12
申请号：CN202311717687.6
申请日：2023-12-14
Applicant: 哈尔滨理工大学
Abstract: 现代战争中，探测和定位敌方潜艇是首要任务，但对于潜艇的探测仍存在很多困难，由于海洋环境的复杂多变，会对海洋信道中的声信号传播产生很大的影响，干预声纳的探测能力。本发明基于复杂海洋环境的水下协同探测方法，构建声纳水下探测能力分析体系，分析海洋环境因素对声纳探测能力的影响，利用声纳优质因数评价声纳性能，计算声纳探测距离并建立极坐标系，探讨声纳的探测能力；同时引入协同探测的概念，提出联合探测概率分布面，将不同平台的探测能力融合在一起。通过改变平台的布放位置和个数探讨不同布放方式的探测性能，以成功搜索概率和区域覆盖率作为评价指标，进行实验测试。研究表明，声纳水下探测能力与海洋环境密切相关，在水下联合探测中采用正方形布放形式具有更佳的探测性能，本文的研究成果可为水下探测任务中平台的布放提供参考。
-
公开(公告)号：CN117672540A
公开(公告)日：2024-03-08
申请号：CN202311372329.6
申请日：2023-10-23
Applicant: 哈尔滨理工大学
Abstract: 一种改进ARIMA‑GRNN模型与诺莫图的临床输血量预测及分析方法，为医疗机构不同科室及血站的血液储备提供数据参考，属于时间序列预测领域。本发明包括：基于求和自回归滑动平均模型(Autoregressive Integrated Moving Average model,ARIMA)与广义回归神经网络(Generalized Regression Neural Network,GRNN)，建立适合医疗机构的输血量预测ARIMA‑GRNN模型，根据医疗机构的用血量数据在训练过程中获取模型的最优参数，并基于Logistic模型利用R语言绘制诺莫图(Nomogram)，量化分析各因子对临床输血量的影响。实验结果表明，本发明建立的血液预测模型具有较好的预测效果，可为医疗机构不同科室及血站的血液储备提供数据参考。
-
公开(公告)号：CN116990821A
公开(公告)日：2023-11-03
申请号：CN202310602278.5
申请日：2023-05-25
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种水下目标跟踪方法，为克服在传统的直角坐标系下扩展卡尔曼滤波器误差大且易发散的情况，本发明在改进的极坐标系下使用扩展卡尔曼滤波器。该方法能够消除传统坐标系下的模型误差，提高跟踪精度。包括以下步骤：(1)利用被动声纳获取水下目标的方位信息；(2)将水下目标的方位信息转换为改进极坐标系下的距离和方位角；(3)建立改进极坐标系下的跟踪模型；(4)根据跟踪模型，进行目标的方位跟踪。与传统的水下目标跟踪方法相比，本发明在改进的极坐标系下建立跟踪模型，消除了模型误差，提高了跟踪精度。同时，本发明基于被动声纳进行跟踪，具有无源、被动、隐蔽等特点，适用于水下环境下对目标的监测和跟踪。
-
Patent Agency Ranking
公开(公告)号：CN116465628A
公开(公告)日：2023-07-21
申请号：CN202310239905.3
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域。本发明是针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题而提出的。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图；选择多种不同规格和工况下已知标签数据作为多源域，其他规格和工况下少量已知标签数据作为目标域；使用多个源域数据训练多个ResNet‑34深度网络，并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略，使其能够自适应决定迁移到目标域的知识层级及内容；提出将源域知识迁移到VGG‑16深度网络得到多个目标域模型后，将其提取的特征依次输入同一个极限学习机中实现模型集成，通过极限学习机输出分类结果，最终建立滚动轴承故障诊断模型。经实验验证，所提方法可实现不同规格和工况下滚动轴承间的移诊断问题，并且具有较高的准确率。
-
公开(公告)号：CN113593590A
公开(公告)日：2021-11-02
申请号：CN202110835134.5
申请日：2021-07-23
Applicant: 哈尔滨理工大学
IPC: G10L21/0208
Abstract: 一种深度复值U‑Net网络的瞬态噪声抑制方法，解决了传统方法在低信噪比下语音可懂度低、语音信号失真大的问题，属于语音增强领域。本发明包括：根据时频域语音信号，通过语音存在概率、阈值确定瞬态噪声所在时间段；建立改进的深度复值U‑Net网络的瞬态噪声抑制模型，改进的深度复值U‑Net网络模型总共有十一个卷积块，五个编码块，五个解码块，一个专注力块；最后将得到的瞬态噪声时域段送入到深度复值U‑Net网络模型中进行增强，然后把得到的增强结果插回到原序列中得到增强语音；本方法把深度学习应用于瞬态噪声的抑制，极大地提高了语音的可懂度。
-
公开(公告)号：CN108696513B
公开(公告)日：2020-11-17
申请号：CN201810389995.3
申请日：2018-04-27
Applicant: 哈尔滨理工大学
Abstract: 针对现有无人机控制系统数据传输的可靠性差的问题，本发明提供一种丢包率低、无延迟、无阻塞的无人机控制系统，属于无人机通信领域。本发明设置在地面，包括数据通信模块、数据显示模块、任务控制模块和飞行数据存储模块；数据通信模块，用于利用UDP协议下的socket网络实现与无人机交互，包括接收无人机的飞行状态数据及向无人机发送控制指令；数据显示模块，用于根据接收的无人机的飞行状态显示无人机实时的飞行状态信息；数据存储模块，用于将无人机的飞行状态数据存储至数据库；任务控制模块，用于根据无人机的飞行状态数据，获得控制指令，控制无人机飞行路线。本发明在UDP协议的基础上实现，具备良好的可控性与可靠性。
-
公开(公告)号：CN111192598A
公开(公告)日：2020-05-22
申请号：CN202010012435.3
申请日：2020-01-07
Applicant: 哈尔滨理工大学
Abstract: 一种跳变连接深度神经网络的语音增强方法，解决了传统的深度神经网络DNN语音增强方法在低信噪比场景下语音有丢失、可懂度低的问题，属于语音增强领域。本发明包括：根据时域语音信号，提取时频域特征；确定训练目标，并将训练目标和提取的时频域特征送入到Skip-DNN模型中，进行训练，得到Skip-DNN语音增强模型；Skip-DNN模型的输入层、隐藏层和输出层之间采用跳变连接；S3、提取带噪语音特征，将其输入到Skip-DNN语音增强模型中，估计目标语音；S4、将目标语音与带噪语音合成，得到增强的纯净语音信号。
-
公开(公告)号：CN109633555A
公开(公告)日：2019-04-16
申请号：CN201910148699.9
申请日：2019-02-28
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种提高搜索成功率及减少迭代计算量、改善精度及增强实时性效果的基于遗传MUSIC算法的水下目标定位方法，属于水下探测领域。本发明包括：S1、获取对水下目标定位的阵列接收数据，结合MUSIC算法，获得MUSIC谱的表达式，将该表达式作为适应度函数；S2、设定遗传算法的参数，确定初始化种群；S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估，计算适应度大小；S4、判断当前的种群是否满足预先设定停止迭代条件，若是，转入S6，若否，转入S5；S5、对当代种群通过选择、交叉、变异操作产生子代，构建下一代种群，转入S3；S6、迭代停止，输出当代种群中个体最优解，并通过判断适应度来确定目标的入射角度。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.026 seconds)
