-
公开(公告)号：CN119961140A
公开(公告)日：2025-05-09
申请号：CN202411706396.1
申请日：2024-11-26
Applicant: 北京航天计量测试技术研究所
IPC: G06F11/3668 , G06N3/10 , G06N5/01
Abstract: 本发明公开一种基于测试充分性的测试数据生成与优化方法，测试数据生成方法，通过将种子输入随机或者按照某种规则进行变换作为新的输入，差异模糊测试框架用于指导神经网络系统暴露异常行为，目的是最大化神经元级覆盖率，并为给定的深度网络模型生成更多的对抗性输入，无需参照其他深度网络模型或手动标记；测试数据优化方法，测试数据优先排序方法以特定条件对测试数据集中的每一个测试数据评估重要程度，然后按照重要程度由高到低的顺序依次选择并执行测试数据，使得重要程度高的测试数据被尽早执行，从而在测试资源受限的情况下提高测试效率；本发明能够根据测试充分性指标指导测试数据生成与优化，提高测试效率和测试可靠性。
-
公开(公告)号：CN119206410B
公开(公告)日：2025-03-28
申请号：CN202411710009.1
申请日：2024-11-27
Applicant: 北京航天计量测试技术研究所
IPC: G06V10/776 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/048 , G06N3/0499
Abstract: 本发明提出一种面向图像分类神经网络模型的可靠性预测方法，包括训练可靠性模型，然后利用训练完成的可靠性模型，对用于图像分类的、待预测的神经网络模型进行可靠性预测，其中，按照神经网络模型的训练和测试两方面，可靠性模型的输入特征包括模型训练因子和模型测试因子，所述模型训练因子表征影响神经网络可靠性的数据与模型因素，所述模型测试因子用于表征神经网络测试的充分性；可靠性模型的输出为神经网络模型的可靠性预测结果。本发明根据神经网络模型的特点，分解分析了其可靠性的影响因素和关键参数，构建了基于支持向量回归的神经网络模型可靠性预测方法，可以有效提升神经网络模型可靠性预测的准确性、泛化性和容错性。
-
公开(公告)号：CN119886269A
公开(公告)日：2025-04-25
申请号：CN202411673370.1
申请日：2024-11-21
Applicant: 北京航天计量测试技术研究所
Abstract: 一种人工智能主体深度强化学习不确定性估计方法，主要包括以下步骤：将基于深度强化学习的决策不确定性分解为偶然不确定性和认知不确定性；基于贝叶斯和非贝叶斯方法，计算每个不确定度的基本分量；合成获得标准不确定度以及扩展。该方法突破了传统深度强化学习不确定性估计的建模方法，以贝叶斯和非贝叶斯的方式评估不确定度，能够有效减少人工智能主体深度强化学习探索‑利用所需的时间。
-
公开(公告)号：CN119203796A
公开(公告)日：2024-12-27
申请号：CN202411710010.4
申请日：2024-11-27
Applicant: 北京航天计量测试技术研究所
Abstract: 本发明提出一种基于仿真环境的智能设备环境适应性评估方法，采用构建虚拟仿真环境的手段，从天气配置、工况配置、干扰配置三个维度生成不同的场景数据，然后根据指标体系，计算智能设备的在不同的场景中完成任务的得分，从而完成对智能设备环境适应性的评估；所述天气配置用于提供多种天气条件下的虚拟环境，工况配置用于提供验证环境中的模拟路况，由多种天气条件下的虚拟环境和验证环境中的模拟路况构成的场景数据流为视频格式，视频的每一帧为图片，干扰配置用于模拟电磁干扰对图片形成的扰动。
-
公开(公告)号：CN116756051A
公开(公告)日：2023-09-15
申请号：CN202311041164.4
申请日：2023-08-18
Applicant: 北京航天计量测试技术研究所
Abstract: 一种基于要素分解的深度神经网络测试充分性评估方法，主要步骤包括：测试要素分解，测试参数提取，重要性聚类，突变测试，指标计算，指标评价。该方法通过对黑盒测试与白盒测试方法的要素分解，融合两类方法，完善测试充分性评价机制，同时，结合模型可视化方法，使神经网络决策逻辑更加直观，加强评价的可解释性。该方法能够实现对深度神经网络测试充分性的有效评价，有利于牵引支撑人工智能技术的发展。
-
Patent Agency Ranking
公开(公告)号：CN119206410A
公开(公告)日：2024-12-27
申请号：CN202411710009.1
申请日：2024-11-27
Applicant: 北京航天计量测试技术研究所
IPC: G06V10/776 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/048 , G06N3/0499
Abstract: 本发明提出一种面向图像分类神经网络模型的可靠性预测方法，包括训练可靠性模型，然后利用训练完成的可靠性模型，对用于图像分类的、待预测的神经网络模型进行可靠性预测，其中，按照神经网络模型的训练和测试两方面，可靠性模型的输入特征包括模型训练因子和模型测试因子，所述模型训练因子表征影响神经网络可靠性的数据与模型因素，所述模型测试因子用于表征神经网络测试的充分性；可靠性模型的输出为神经网络模型的可靠性预测结果。本发明根据神经网络模型的特点，分解分析了其可靠性的影响因素和关键参数，构建了基于支持向量回归的神经网络模型可靠性预测方法，可以有效提升神经网络模型可靠性预测的准确性、泛化性和容错性。
-
公开(公告)号：CN116756051B
公开(公告)日：2023-11-07
申请号：CN202311041164.4
申请日：2023-08-18
Applicant: 北京航天计量测试技术研究所
Abstract: 一种基于要素分解的深度神经网络测试充分性评估方法，主要步骤包括：测试要素分解，测试参数提取，重要性聚类，突变测试，指标计算，指标评价。该方法通过对黑盒测试与白盒测试方法的要素分解，融合两类方法，完善测试充分性评价机制，同时，结合模型可视化方法，使神经网络决策逻辑更加直观，加强评价的可解释性。该方法能够实现对深度神经网络测试充分性的有效评价，有利于牵引支撑人工智能技术的发展。
-
公开(公告)号：CN115790644A
公开(公告)日：2023-03-14
申请号：CN202211299967.5
申请日：2022-10-24
Applicant: 北京航天计量测试技术研究所
Abstract: 本发明提出一种太阳射电瞄准定标方法及系统，根据GPS定位，计算太阳方位和指向，再按照天线指向精度测量扫描法，通过调整天线角度，将天线方位、俯仰分别转动，得到不同指向角度下的功率输出曲线，计算天线俯仰角和方位，并进行修正。本发明提出一种太阳射电瞄准定标系统，包括信息接收模块、信息处理模块、功率分析模块、曲线拟合模块、坐标转换模块和修正模块。将采集得到的功率曲线与太阳标准辐射模型进行曲线拟合，在拟合曲线峰值处读取太阳坐标位置，根据太阳坐标转换为系统所在地的方位和俯仰角，完成指向定位。因为本发明使用的是太阳射电信号进行定向，因此不受野外环境的干扰，同时可以保证精度和速度。
-
公开(公告)号：CN114255349A
公开(公告)日：2022-03-29
申请号：CN202111349656.0
申请日：2021-11-15
Applicant: 北京航天计量测试技术研究所
Abstract: 本发明提供一种全天时星敏感器实时星点提取方法，首先将原始图像数据的格式转换成AXI Stream的流媒体格式，以实现流水线过程的速率控制；以TopHat算法为核心进行星点图像与背景图像的剥离；利用邻域的灰度均值信息进行局部法提取有效的星点区域；最后再通过流水线顺序遍历的连通域标记方法得到图像上星点的准确质心位置；一方面，该方法相比简单的全局方法具有较强的背景噪声抗性，能够在白昼高背景干扰的情况下实现天体的稳定捕获；另一方面，本发明的全天时星敏感器星点提取方法还可以借助高阶综合编译工具在FPGA平台上得以以流水线处理的形式实现。
-
公开(公告)号：CN119886206A
公开(公告)日：2025-04-25
申请号：CN202411608475.9
申请日：2024-11-12
Applicant: 北京航天计量测试技术研究所
IPC: G06N3/044 , G06N3/0442 , G06N3/0499 , G06N3/096
Abstract: 本发明涉及一种基于多层特征差异的神经网络持续学习性在线评估方法。首先对持续学习过程中被测神经网络每一层的网络参数进行提取，网络参数中包括权重矩阵和偏置向量；然后基于相邻学习任务的权重，针对每一层进行网络参数相似性的提取；紧接着构建长短记忆循环神经模型作为评估模型，以被测网络模型的层深作为时序数据对循环网络评估模型进行训练，评估模型的输入为每一层的被测神经网络的参数相似度，最终输出为被测神经网络当前是否发生遗忘现象；最后，利用训练好的评估模型进行智能神经网络模型的持续学习状态的评估，通过提取当前状态于上一状态的参数相似度参数，输入到循环网络评估模型中，对当前持续学习的状态进行识别评估。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.035 seconds)
