-
公开(公告)号：CN116962426A
公开(公告)日：2023-10-27
申请号：CN202311063716.1
申请日：2023-08-23
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： 孟宇龙 , 王聚军 , 徐东 , 赵佳媛 , 卢中玉 , 张新峰 , 李凤鸣 , 蔡成涛 , 王巍 , 王小芳 , 陆蓓婷 , 贺玉珍 , 蒋文创 , 刘书勇 , 付小晶 , 徐丽 , 高伟 , 李超 , 宁慧 , 唐立群 , 王宇华 , 刘成刚
IPC: H04L67/104 , H04L43/091 , H04L43/0888 , H04L43/0894
Abstract: 本发明公开了一种基于CPE‑BFT算法的区块链共识机制性能优化方法，本发明属于区块链共识领域，包括：构建共识性能评价模块，基于所述共识性能评价模块，评价区块链节点的共识能力；基于所述共识能力，选出资源受限节点，其中所述资源受限节点包括：节点委员会和常规节点；基于CPE‑BFT算法，在所述资源受限节点中选举出节点委员会，基于所述节点委员会，对所述常规节点进行领导共识。本发明在资源分布不平衡场景下，比现有技术算法拥有更高的系统吞吐量和更低的延时，即拥有更高的共识效率。
-
公开(公告)号：CN119202860A
公开(公告)日：2024-12-27
申请号：CN202411174571.7
申请日：2024-08-26
Applicant: 哈尔滨工程大学
IPC: G06F18/2411 , G06N3/0464 , G06F18/25 , G06N3/0442 , G06N3/048 , G06F18/214
Abstract: 一种基于深度学习的运动想象脑电信号分类方法、系统及存储介质，本发明属于脑机接口领域，具体涉及基于深度学习的运动想象脑电信号分类方法、系统及存储介质。本发明的目的是为了解决由于脑电信号信噪比低等原因导致的运动想象脑电信号分类识别准确率低的问题。过程为：获取二维原始脑电信号特征向量；对信号特征向量进行通道选择；构建EEG‑TCN‑LSTM卷积神经网络；获得训练好的EEG‑TCN‑LSTM；获取受试者待测二维脑电信号特征向量，对二维原始脑电信号特征向量进行通道选择，得到新的特征向量集合，将二维向量输入训练好的EEG‑TCN‑LSTM，训练好的EEG‑TCN‑LSTM输出每个运动想象类别的预测概率。
-
公开(公告)号：CN118097216A
公开(公告)日：2024-05-28
申请号：CN202311760397.X
申请日：2023-12-20
Applicant: 哈尔滨工程大学
Abstract: 一种融合特征金字塔和自适应原型选择的图像分类方法，它属于深度学习和图像分类领域。本发明解决了在小样本图像分类任务中，由于难以学习到丰富的知识以及易出现过拟合导致分类效果差的问题。本发明方法为：步骤一、搭建FResNet网络，将训练集中的图像依次输入到FResNet网络内，利用训练集中的图像对FResNet网络进行训练；直至对训练集中图像的分类准确率达到设定的阈值时停止训练，获得训练好的FResNet网络；步骤二、将待分类图像输入训练好的FResNet网络，利用训练好的FResNet网络输出待分类图像的特征向量，再根据待分类图像的特征向量确定待分类图像所属的类别。本发明可以应用于小样本图像分类。
-
公开(公告)号：CN114022714B
公开(公告)日：2024-04-16
申请号：CN202111333621.8
申请日：2021-11-11
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于Harris的数据增强图像分类方法及系统，它属于数据处理技术与计算机视觉技术相结合的学科交叉领域。本发明解决了采用现有的数据增强方法获得的图像分类准确率低的问题。本发明通过采用Harris算法进行数据增强，使训练好的卷积神经网络提取图像信息特征的强大功能得以充分利用，提高了对图像分类的准确率、鲁棒性以及泛化性能；与现有的数据增强算法相比，在相同难度的图像分类任务中，本发明方法的收敛速度较快，算法的运行效率更高，总回报增多，能够有效进行训练数据集的遮挡，加大训练难度，使分类算法的准确率上升了3.86％，从而提高了算法的性能。本发明可以应用于图像分类领域。
-
公开(公告)号：CN114187966A
公开(公告)日：2022-03-15
申请号：CN202111509958.X
申请日：2021-12-10
Applicant: 哈尔滨工程大学
Abstract: 一种基于生成对抗网络的单细胞RNA序列缺失值填补方法，它属于生物信息领域。本发明解决了采用现有方法对缺失数据填补的准确率低的问题。本发明通过生成对抗网络对RNA序列缺失值进行填补，在生成器部分，引入由DrImpute填补完成的数据作为方向约束，在使用自编码器生成缺失值的同时，在损失函数中加入方向约束项，并对解码层给予了一个Relu激活函数来解决填补后的数据出现负值的情况。实验证明，采用本发明的方法可以显著提高数据填补的准确率。本发明可以应用于对RNA序列缺失值进行填补。
-
Patent Agency Ranking
公开(公告)号：CN113642245A
公开(公告)日：2021-11-12
申请号：CN202110975058.8
申请日：2021-08-24
Applicant: 哈尔滨工程大学
Abstract: 一种舰船辐射噪声数据集的构建方法，它属于水声信号识别领域。本发明解决了实采舰船辐射噪音样本稀缺的问题。本发明根据现有的舰船辐射噪声数据实采样本，利用仿真技术生成符合实际需要的舰船辐射噪声，将仿真舰船辐射噪声和实采的海洋噪声一起作为原始噪声数据集，将LOFAR谱用于预处理，保留关键特征，最后用GAN实现样本扩展，从而获得更多的数据集来满足深度学习大数据量的需求。本发明可以应用于对舰船辐射噪声数据集的构建。
-
公开(公告)号：CN113467481A
公开(公告)日：2021-10-01
申请号：CN202110918358.2
申请日：2021-08-11
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 一种基于改进Sarsa算法的路径规划方法，属于强化学习和路径规划领域。本发明为了解决基于传统Sarsa算法的路径规划过程存在规划收敛速度较慢、规划效率较低的问题。本发明针对于待进行路径规划的区域建立地图模型，引入路径矩阵P(s，a)，在智能体探索的过程中，动态调整贪婪因子ε，采用ε‑greedy策略进行动作选择，智能体采取动作a后，环境会反馈一个奖励R并进入到下一个状态s′；并基于路径矩阵更新Q值表，从而基于改进的Sarsa算法实现路径规划。主要用于机器人的路径规划。
-
公开(公告)号：CN119400249A
公开(公告)日：2025-02-07
申请号：CN202411423822.0
申请日：2024-10-12
Applicant: 哈尔滨工程大学
Abstract: 一种基于图自动编码器的scRNA‑seq数据特征学习方法，它属于生物信息技术领域。本发明解决了传统自编码器模型忽视了scRNA‑seq数据中的细胞之间的关联关系以及难以捕获到scRNA‑seq数据的有效特征表示的问题。本发明从图自动编码器的角度提供一种能够处理大规模数据集且具有高度可扩展性的scRNAseq数据特征学习方法，以根据单个细胞的基因表达谱将特征重新学习并重构表达矩阵，能够捕捉到scRNA‑seq数据中的细胞之间的关联关系以及捕获到scRNA‑seq数据的有效特征表示，得到的矩阵可再进行降维、聚类等生物学分析，可以得到更好的聚类精度及更准确丰富的生物学信息，可以获得更好的下游分析效果。本发明方法可以用于获取scRNA‑seq数据特征。
-
公开(公告)号：CN117373542A
公开(公告)日：2024-01-09
申请号：CN202311374297.3
申请日：2023-10-23
Applicant: 哈尔滨工程大学
Abstract: 一种基于非负矩阵分解的scRNA‑seq数据补值方法，它属于深度学习和数据补值方法技术领域。本发明解决了利用现有方法对单细胞RNA测序数据中缺失值进行补值的准确率低的问题。本发明采取的主要技术方案为：步骤1、根据基因数据对细胞进行过滤，获得过滤后剩余细胞的RNA测序数据；对过滤后剩余细胞的RNA测序数据进行归一化、基因筛选和对数转换生成矩阵X；步骤2、对矩阵X进行分解，得到特征矩阵和系数矩阵；步骤3、根据特征矩阵构造自编码器的输入矩阵，将输入矩阵作为自编码器的输入，通过自编码器输出填补后的特征矩阵；步骤四4、对填补后的特征矩阵依次进行分解还原、对数还原和反归一化，得到补值结果。本发明方法可以应用于RNA测序数据补值。
-
公开(公告)号：CN116383696A
公开(公告)日：2023-07-04
申请号：CN202310164204.8
申请日：2023-02-24
Applicant: 哈尔滨工程大学
IPC: G06F18/24 , G06F18/213 , G06F18/00 , G06F3/01 , G06N3/08 , G06N3/0464 , G06N3/0442
Abstract: 一种基于深度学习的脑电信号分类识别方法及系统，本发明涉及基于深度学习的脑电信号分类识别方法及系统。本发明针对由于脑电信号信噪比低等原因导致的脑电信号分类识别准确率低的问题。过程为：1：获取原始脑电信号数据集，处理为一维原始脑电信号特征向量；2：采用EMD分解算法对脑电信号进行扩充，得到新的脑电信号数据样本；3：构建改进CNN卷积神经网络，获得一维脑电空间特征；4：构建改进LSTM循环神经网络，获得一维脑电时间特征；5：构建自动编码器对拼接后的时空特征进行特征重构，重构后输入分类器，完成运动想象任务的分类识别；6：采集受试者待测脑电信号，完成运动想象任务的分类识别。本发明属于脑机接口领域。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.103 seconds)
