-
公开(公告)号：CN117033941A
公开(公告)日：2023-11-10
申请号：CN202311056107.3
申请日：2023-08-22
Applicant: 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地 , 价值链技术(深圳)有限公司
Inventor： 王巍 , 韩子屹 , 蔡成涛 , 陆蓓婷 , 蒋文创 , 杨玉东 , 曲晓威 , 杨东梅 , 张海涛 , 王小芳 , 张万松 , 张越 , 庄园 , 苘大鹏 , 李伟 , 玄世昌 , 郭方方
Abstract: 本发明公开一种基于HMM和降噪自编码器的中文对抗样本恢复方法，涉及对抗文本处理技术领域，包括，获取对抗文本，对对抗文本进行符号清洗；基于隐马尔可夫模型将所述对抗文本中的拼音串转换为汉字序列，并将汉字序列拼接为汉字串；通过降噪自编码器对所述对抗文本中的汉字字符及汉字串进行噪声去除，得到候选词序列；通过置信度‑相似度解码器对所述候选词序列进行解码，得到修正文本；通过双向机器翻译对所述修正文本进行处理，生成恢复汉字文本。本发明能够实现中文对抗样本的高效恢复。
-
公开(公告)号：CN116796984A
公开(公告)日：2023-09-22
申请号：CN202310789090.6
申请日：2023-06-29
Applicant: 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地 , 知软技术(上海)有限公司
Inventor： 玄世昌 , 张静逸 , 苘大鹏 , 蔡成涛 , 王巍 , 周卫红 , 程雪蕾 , 陈征平 , 毕晓燕 , 孟宇龙 , 吕继光 , 吕宏武 , 冯光升 , 徐东 , 郭方方 , 李伟
IPC: G06Q10/0631 , G06Q10/0639
Abstract: 本发明公开了一种移动群智感知系统中的用户选择方法，包括：基于用户所在位置与任务区域位置之间的距离获取用户的移动能力和历史任务能力，对用户的移动能力和历史任务能力进行计算，获得用户的实效能力；获取用户的直接交互评价和间接推荐评价，对直接交互评价和间接推荐评价进行计算，获得用户的全局信用；对实效能力和全局信用进行计算，获得用户的综合指标，基于用户的综合指标选择用户。本发明提出的用户选择方案能够选择具有强实时性和可靠数据的高质量用户候选者作为感知任务中上传感知数据的工作者，不仅能够抵御移动网络中不可靠的数据聚合，而且满足了任务发布者获取有效数据的要求，达到了移动群智感知系统健康持续发展的目的。
-
公开(公告)号：CN120050193A
公开(公告)日：2025-05-27
申请号：CN202510204618.8
申请日：2025-02-24
Applicant: 哈尔滨工程大学
IPC: H04L41/147 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/048 , H04L41/16 , H04L43/0852 , H04W24/02
Abstract: 本发明公开了一种基于多尺度对比学习中的6G网络时延预测方法，属于网络时延预测领域。本发明方法首先通过多尺度随机裁剪方法和多尺度时间戳掩蔽方法处理的掩蔽了部分时间戳的多尺度6G网络时延样本对；然后通过调用基于多尺度扩张卷积的特征提取阶段中的相应方法来有效地从多个层次捕获多尺度6G网络时延样本对的特征，且通过一维卷积层增加数据的连续性以从全局视角获取全局特征；最后采用基于改进混合器的时延预测阶段中的相应方法来捕获6G网络时延的时间模式和特征。本发明将获取的多尺度6G网络时延的时间模式和特征来对6G网络时延数据集中测试集进行时延预测。
-
公开(公告)号：CN110611902B
公开(公告)日：2022-08-02
申请号：CN201910884528.2
申请日：2019-09-19
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于上下行频谱联合复用的D2D资源分配方法，属于无线通信技术领域。本发明首先对D2D信道分配变量和相关的约束条件进行建模；分别对复用模式下D2D用户和蜂窝用户的传输速率进行建模，以最大化D2D网络的吞吐量为目标，将D2D资源分配问题构建为混合整数非线性规划问题Φ；将问题Φ分解为功率分配问题Φ1和信道分配问题Φ2；利用拉格朗日对偶理论将问题Φ1转化为凸优化问题；将问题Φ1的解代入到Φ中，得到问题Φ2，将其转化为二分图最大权匹配问题，然后利用Hopcroft‑Karp算法进行求解，直到实现所有D2D用户的最佳信道资源分配，进而实现D2D网络吞吐量的最大化。
-
公开(公告)号：CN111083637B
公开(公告)日：2021-04-30
申请号：CN201911402611.8
申请日：2019-12-31
Applicant: 哈尔滨工程大学
Abstract: 本发明属于无线定位技术领域，特别是涉及一种联合MIMO基站与非MIMO基站的高精度定位方法。该方法包括以下步骤：获取MIMO通信基站的基站标识符以及天线数量；由MIMO通信基站发送PRS定位参考信号；获取非MIMO辅助定位基站的基站标识符；由非MIMO辅助定位基站发送PRS定位参考信号；移动用户设备接收来自MIMO通信基站和非MIMO辅助定位基站的定位参考信号波形，并选取MIMO通信基站作为基准基站，计算出信号到达时间差和信号到达角度；根据所获得的信号到达角度和信号到达时间差混合解算移动用户设备的位置。本发明减少了阵列天线的需求数量，降低了基站硬件要求，节约了成本。提升了信号质量和可用基站数量，提高了定位的稳定性。提高了移动用户设备的定位精度。
-
Patent Agency Ranking
公开(公告)号：CN112055306A
公开(公告)日：2020-12-08
申请号：CN202010955879.0
申请日：2020-09-11
Applicant: 哈尔滨工程大学
Abstract: 本发明属于室内定位技术领域，具体涉及一种用于减小TDOA定位误差的参考基站选择方法。本发明解决了LOS和NLOS混合的环境下如何选择参考基站的问题，避免参考基站NLOS误差导致所有TDOA值都含有NLOS误差的极端情况，从而保证参考基站测量精度，进而提升定位精度。本发明的一种用于减小TDOA定位误差的参考基站选择方法可以识别出测量误差较小的基站，以这个基站为参考基站可以减小TDOA定位误差。
-
公开(公告)号：CN111432364A
公开(公告)日：2020-07-17
申请号：CN202010216383.1
申请日：2020-03-25
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于径向基函数神经网络的非视距误差抑制方法，包括：将原始多径TOA样本数据进行标准化分类预处理，得到标准化分类的多径TOA样本数据；建立径向基函数神经网络，并使用量子人工蜂群对径向基函数神经网络进行优化，该径向基函数神经网络由隐层和输出层组成；由标准化分类的多径TOA样本数据训练径向基函数神经网络；使用径向基函数神经网络识别并剔除未知多径TOA数据中的非视距误差。本发明提高移动用户设备的定位精度；不增加任何额外冗余基站，降低部署成本；不带来额外的解算复杂度，提升定位效率。
-
公开(公告)号：CN110992126A
公开(公告)日：2020-04-10
申请号：CN201911066246.8
申请日：2019-11-04
Applicant: 哈尔滨工程大学
IPC: G06Q30/06
Abstract: 本发明属于无线通信技术领域，具体涉及基于流量分享的超额预售方法。本发明根据数据购买者不同的QoS偏好以超额预售方法提供不同的数据共享服务，允许数据购买者取消订单，提高数据共享服务的灵活性。本发明能够保证数据流量交易管理者获得经济收益，使数据购买者可以选择不同QoS的网络服务，并允许数据购买者取消预订和超额预售，提高数据流量交易过程中的灵活性的同时优化管理收益。本发明关注数据共享过程中的平台管理收益，以超额预售方法降低管理平台的数据流量虚耗，减少管理经济损失，优化平台管理收益，以提高数据共享过程中管理者参与积极性。本发明可用于管理数据流量交易，为用户提供网络服务。
-
公开(公告)号：CN110535700A
公开(公告)日：2019-12-03
申请号：CN201910813878.X
申请日：2019-08-30
Applicant: 哈尔滨工程大学
IPC: H04L12/24
Abstract: 本发明公开了一种多用户多边缘服务器场景下的计算卸载方法，属于移动云计算领域。本发明包括以下具体步骤：1.控制器依据收集到的全体用户信息及系统的目标，利用多用户多边缘服务器场景下的计算卸载建模方法对多用户多边缘服务器计算卸载问题进行建模，得到双层优化模型。2.控制器根据上一步得到的初始问题模型的特点，将原始的双层优化问题转化为等价的单层优化问题。3.控制器利用分支限界法对上一步得到的单层优化问题模型进行求解。本发明本发明提出的方法同时考虑到用户的计算时延和计算能量问题，满足用户需求的多样性，极大的提高了经济效益；发明提出的方法同时考虑用户在本地和云端计算代价，有效减少了总体用户的计算代价。
-
公开(公告)号：CN110458033A
公开(公告)日：2019-11-15
申请号：CN201910644318.6
申请日：2019-07-17
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于可穿戴位置传感器的人体行为序列识别方法，具体步骤包括：数据采集、数据分割、识别。解决了使用可穿戴传感器进行人体行为识别中，对运动序列进行划分时步骤繁琐、模型复杂度较高的问题，通过结合参考传感器标签的高程和水平信息的变化，在识别前，对数据预先进行0级、1级、2级三个参考级别的分割，而不依赖于复杂的模型，实现了高效的对运动序列的划分以及识别，降低分割过程模型复杂度。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.022 seconds)
