-
公开(公告)号：CN119167130A
公开(公告)日：2024-12-20
申请号：CN202311347281.3
申请日：2023-10-18
Applicant: 哈尔滨工业大学
IPC: G06F18/24 , G06F18/23213 , G06F18/10 , G06F18/213
Abstract: 基于CEEMDAN‑CWT的MI‑EEG混合时频表征方法以及表征系统，涉及数据处理技术领域。解决现有时频分析方法存在的计算量大和计算复杂度高的问题。方法为：获取MI‑EEG数据集并预处理；改进CEEMDAN算法，采用改进后的CEEMDAN算法对预处理后的MI‑EEG数据集进行分解，获得一系列的IMFs；采用样本熵方法计算一系列的IMFs，获得所有本征函数样本熵；采用K‑means聚类方法优化所有本征函数样本熵，获得具有关键信息的IMFs；CWT处理具有关键信息的IMFs，获得一系列的时频二维数据；相加一系列的时频二维数据，获得MI‑EEG信号的时频表征。本发明适用于MI‑EEG数据的处理。
-
公开(公告)号：CN109583506B
公开(公告)日：2020-06-09
申请号：CN201811489723.7
申请日：2018-12-06
Applicant: 哈尔滨工业大学
Abstract: 一种基于参数迁移学习的无监督图像识别方法，它属于图像识别技术领域。本发明解决了传统无监督图像识别方法存在的需要的无标签样本数量大，以及大量的无标签样本导致的训练时间长的问题。本发明直接对识别模型的参数进行迁移学习，只需要辅助领域的有标签样本和少量应用领域的无标签样本，即可对识别模型进行训练，本发明的方法克服了传统无监督图像识别方法的需要无标签样本数量大的问题，降低了对标签样本的依赖，解决了无监督识别问题，提高了模型的学习效率，更适用于数据规模较大的应用场景。本发明可以应用于图像识别技术领域。
-
公开(公告)号：CN115731439A
公开(公告)日：2023-03-03
申请号：CN202211473697.5
申请日：2022-11-22
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 基于双流特征融合的无监督脑电信号识别方法、计算机设备、存储介质和程序产品，属于信号识别技术领域，解决脑电信号识别样本数量需求过大和识别精度低问题。本发明的方法包括：基于双流特征融合的无监督脑电信号识别方法，通过引入传统特征降低特征提取算法对数据的需求，解决了无监督少样本条件下特征提取的困难。其次，通过引入图卷积网络，深入挖掘传统特征与深度特征的内在联系，降低了特征融合可能发生的信息缺失问题，实现特征间的高精度融合。与现有的基于迁移学习的脑电数据识别模型相比，本发明提出的网络有效提高了少样本条件下脑电数据的识别准确率，提升了模型的泛化性和鲁棒性。本发明适用于无监督少样本疲劳度脑电信号识别。
-
公开(公告)号：CN112364979B
公开(公告)日：2022-07-12
申请号：CN202011223719.3
申请日：2020-11-05
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
Abstract: 本发明公开了一种基于GoogLeNet的红外图像识别方法，属于图像识别技术领域。通过数据增强扩充训练数据集，降低了对数据集大小的依赖。通过改进GoogLeNet的网络结构提高模型对于尺度变化的鲁棒性。将在ImageNet典型数据集上训练好的GoogLeNet模型参数进行迁移学习，在红外数据集上进行参数微调，提高训练速度。本发明解决了目标尺度变化问题、样本不均衡问题、训练样本不足的问题。同时提升了训练的稳定性，有效提高了红外图像的识别准确率，提升了模型的泛化性和鲁棒性。
-
公开(公告)号：CN112364859A
公开(公告)日：2021-02-12
申请号：CN202011222614.6
申请日：2020-11-05
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
Abstract: 本发明公开了一种基于特征优选与融合的多谱段红外目标识别方法，属于图像识别技术领域。与目前研究的红外目标识别方法相比，本发明的方法使用了特征优选方法与特征融合方法。从两个不同的角度降低原始特征空间的冗余信息。训练分类器所需要的特征维度得到了大幅度的降低，提高了分类器的适泛性，在数据规模不是很大的应用场景同样适用。
-
Patent Agency Ranking
公开(公告)号：CN114692367A
公开(公告)日：2022-07-01
申请号：CN202011602926.X
申请日：2020-12-29
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
IPC: G06F30/20 , G06F113/08
Abstract: 本发明公开一种基于成像仿真的飞机尾焰红外隐身粒子优选方法。步骤1：确定红外隐身粒子的直径、密度、喷射流量和复折射率，使用计算流体力学仿真软件对含红外隐身粒子飞机尾焰的稳态三维流场进行仿真计算；步骤2：以稳态三维流场为输入条件，基于物理模型计算含红外隐身粒子飞机尾焰的辐射参数三维空间分布；步骤3：以辐射参数三维空间分布为输入条件，通过成像仿真计算方法获得飞机尾焰的红外辐射强度I；步骤4：设得到的未添加红外隐身粒子时飞机尾焰的红外辐射强度为IG，添加红外隐身粒子后飞机尾焰的红外辐射强度为IP，则计算红外隐身粒子的尾焰辐射抑制率；步骤5：优选其中辐射抑制率最大的粒子。本发明通过仿真建模和数字化成像计算解决实物测量试验难度大、试验成本高的问题。
-
公开(公告)号：CN109583506A
公开(公告)日：2019-04-05
申请号：CN201811489723.7
申请日：2018-12-06
Applicant: 哈尔滨工业大学
Abstract: 一种基于参数迁移学习的无监督图像识别方法，它属于图像识别技术领域。本发明解决了传统无监督图像识别方法存在的需要的无标签样本数量大，以及大量的无标签样本导致的训练时间长的问题。本发明直接对识别模型的参数进行迁移学习，只需要辅助领域的有标签样本和少量应用领域的无标签样本，即可对识别模型进行训练，本发明的方法克服了传统无监督图像识别方法的需要无标签样本数量大的问题，降低了对标签样本的依赖，解决了无监督识别问题，提高了模型的学习效率，更适用于数据规模较大的应用场景。本发明可以应用于图像识别技术领域。
-
公开(公告)号：CN112364859B
公开(公告)日：2024-03-19
申请号：CN202011222614.6
申请日：2020-11-05
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
IPC: G06V10/25 , G06V10/771 , G06V10/80 , G06V10/764 , G06V10/77
Abstract: 本发明公开了一种基于特征优选与融合的多谱段红外目标识别方法，属于图像识别技术领域。与目前研究的红外目标识别方法相比，本发明的方法使用了特征优选方法与特征融合方法。从两个不同的角度降低原始特征空间的冗余信息。训练分类器所需要的特征维度得到了大幅度的降低，提高了分类器的适泛性，在数据规模不是很大的应用场景同样适用。
-
公开(公告)号：CN114692368A
公开(公告)日：2022-07-01
申请号：CN202011608365.4
申请日：2020-12-29
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
IPC: G06F30/20
Abstract: 本发明公开了一种飞机尾焰红外图像光线跟踪优化仿真方法。步骤一、首先在某一像素区域内进行随机位置采样，确定需要计算尾焰出射辐射亮度的视线方向；步骤二、沿确定的视线方向进行跟踪，确定视线与飞机尾焰的相交位置，并随机采样视线与尾焰的相交路径深度，计算采样视线路径的辐射亮度贡献；步骤三、对步骤二得到的采样视线路径辐射亮度贡献进行蒙特卡洛积分，计算出整个视线方向的飞机尾焰出射辐射亮度；步骤四、重复步骤一到三，通过蒙特卡洛积分计算出每个像素对应的平均辐射亮度，生成飞机尾焰红外图像。本发明针对飞机尾焰发射能力强、吸收能力弱的问题。
-
公开(公告)号：CN112364979A
公开(公告)日：2021-02-12
申请号：CN202011223719.3
申请日：2020-11-05
Applicant: 哈尔滨工业大学 , 中国电子科技集团公司信息科学研究院
Abstract: 本发明公开了一种基于GoogLeNet的红外图像识别方法，属于图像识别技术领域。通过数据增强扩充训练数据集，降低了对数据集大小的依赖。通过改进GoogLeNet的网络结构提高模型对于尺度变化的鲁棒性。将在ImageNet典型数据集上训练好的GoogLeNet模型参数进行迁移学习，在红外数据集上进行参数微调，提高训练速度。本发明解决了目标尺度变化问题、样本不均衡问题、训练样本不足的问题。同时提升了训练的稳定性，有效提高了红外图像的识别准确率，提升了模型的泛化性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
