公开(公告)号：CN1172172C

公开(公告)日：2004-10-20

申请号：CN02144766.7

申请日：2002-12-12

Applicant: 东北大学

Inventor： 丛德宏 ,  高大志 ,  陈明 ,  曹洋 ,  刘宏伟 ,  化春雷 ,  徐心和 ,  孙鹿君

IPC: G01M19/00 ,  A63F7/06 ,  G06F19/00

Abstract: 一种微型足球机器人小车性能测试装置属于机器人性能测试领域，被测数据采集器由定位、夹紧和测速三机构组成的机械平台来完成；被测小车夹紧在机械平台上，使小车左、右车轮分别与对应的两个惯性摩擦轮紧密接触，通过与机器人小车车轮同直径惯性摩擦轮的同步转动，其轴上编码器即时采集到小车轮转速；由中央控制器单片机、测速计数、显示驱动、存贮、电平转换单元构成检测控制器的电路；按照检测方法进行测试，将采集到的小车左、右两轮脉冲信号分两路送入计数单元的不同接口和存贮器；在中央控制器的单片机上按规定算法测算出小车左、右两轮的线速度、加速度和时间常数，并加以显示、存贮，按指令把测试数据由电平转换单元向上位机传输。

公开(公告)号：CN117933341B

公开(公告)日：2024-07-23

申请号：CN202410319788.6

申请日：2024-03-20

Applicant: 东北大学 ,  北京理工大学

Inventor： 商雅名 ,  袁野 ,  陈明 ,  季航旭 ,  王一舒 ,  马玉亮 ,  吴安彪

IPC: G06N3/082 ,  G06N3/0464

Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。

公开(公告)号：CN1419115A

公开(公告)日：2003-05-21

申请号：CN02144766.7

申请日：2002-12-12

Applicant: 东北大学

Inventor： 丛德宏 ,  高大志 ,  陈明 ,  曹洋 ,  刘宏伟 ,  化春雷 ,  徐心和 ,  孙鹿君

IPC: G01M19/00

Abstract: 一种微型足球机器人小车性能测试装置，属于机器人性能测试领域，由被测数据采集器、检测控制器和计算机组成；被测数据采集可使用两种结构来完成；其一是由定位机构夹紧机构和测速机构三部分组成的机械平台来完成，其二是将机器人小车放在数据采集器上，定位、夹紧后，小车电机的编码器插头直接联通在检测控制器的输入端口上，由检测控制器直接测出；由中央控制器的单片机、测速计数单元、显示驱动单元、存贮单元、通讯电平转换单元构成了本发明的检测控制器；相应研发的检测控制器电路和用汇编语言编辑的操作软件支持了检测控制器的运行；本发明实现了微型足球机器人小车参数的快速整定，动态特征便捷观察，为今后研究新控制算法提供了平台。

公开(公告)号：CN118509304A

公开(公告)日：2024-08-16

申请号：CN202410584137.X

申请日：2024-05-11

Applicant: 东北大学 ,  北京理工大学

Inventor： 陈明 ,  袁野 ,  商雅名 ,  王一舒 ,  季航旭 ,  马玉亮 ,  吴安彪

IPC: H04L41/0631 ,  H04L41/142 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06F18/22 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明公开了基于个性化PageRank和对比学习的属性网络异常节点检测方法，属于异常节点检测领域。提出基于PPR的自适应采样策略，根据属性网络中不同节点的中心性选择适配的子图规模并获得局部结构信息，以解决固定采样策略造成的上下文信息缺失或引入噪声进而导致降低检测准确度的问题。利用K最近邻算法单独从属性空间中寻找属性网络的节点最近邻居并获得全局属性信息，充分捕获节点的属性特征额外提供的异常信息。从局部结构和全局属性两个角度构建两个对比范式，并设计了直接针对异常节点检测的对比学习损失函数和异常值计算公式，既考虑子图蕴含的上下文信息与节点信息的一致性，还考虑了属性空间的一致性，提高了检测准确度。

公开(公告)号：CN117933341A

公开(公告)日：2024-04-26

申请号：CN202410319788.6

申请日：2024-03-20

Applicant: 东北大学 ,  北京理工大学

Inventor： 商雅名 ,  袁野 ,  陈明 ,  季航旭 ,  王一舒 ,  马玉亮 ,  吴安彪

IPC: G06N3/082 ,  G06N3/0464

Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。