-
公开(公告)号：CN119469172A
公开(公告)日：2025-02-18
申请号：CN202411618615.0
申请日：2024-11-13
Applicant: 大连海事大学
IPC: G01C21/26 , G06F18/25 , G06N3/092 , G06N3/0455 , G06N3/0464 , G06N3/006
Abstract: 本发明公开了一种基于转换器模型进行视听模态融合的具身视听导航方法，包括以下步骤：采集视觉信息和听觉信息；最大化预期折扣回报与奖励；分别使用两个编码器对视听感官进行特征提取；使用空间音频编码器进行特征映射；对视觉和听觉两个模态的信息进行融合；使用动态路径长度加权成功衡量声源为移动声源的任务的策略；使用近端策略优化算法训练网络。本发明能施更好地协同了视觉与听觉输入，使得视听模态得以更好地融合，以提高导航的准确性与精度。本发明使用转换器模型代替传统的门控循环单元，能满足在嘈杂环境以及动态声源任务中的高难度导航要求。本发明使用近端策略优化算法进行训练，节省了人力，提高了经济效益。
-
公开(公告)号：CN118798253A
公开(公告)日：2024-10-18
申请号：CN202410776941.8
申请日：2024-06-17
Applicant: 大连海事大学
Abstract: 本发明是一种基于深度强化学习的多智能体逃逸方法，包括以下步骤：获取追方智能体和逃方智能体数量信息、物理尺寸信息、移动信息和追逃环境物理信息；构建追方智能体和逃方智能体各自生成两个演员网络和两个评论家网络分别命名为演员网络、演员网络的目标网络、评论家网络、评论家网络的目标网络；采用MADDPG对追方智能体和逃方智能体各自生成两个演员网络和两个评论家网络进行训练，得到逃方智能体逃脱追方智能体追捕的逃逸算法；追方智能体和逃方智能体的测试集数据，采用逃方智能体逃脱追方智能体追捕的逃逸算法进行测试，得到逃方智能体逃脱追方智能体逃脱任务的完成率，该方法提高多智能体在逃逸任务中的总体性能和效率。
-
公开(公告)号：CN114942456B
公开(公告)日：2024-09-10
申请号：CN202210580928.6
申请日：2022-05-25
Applicant: 大连海事大学
Abstract: 本发明公开了一种应用不同相关间距伪距观测量的单频差分GNSS接收机，包括天线接口、射频模块、基带和数据处理模块、通信模块以及电源和时钟模块，本发明为了解决现有单频定位稳定性差，而伪距差分定位技术至少需要两台接收机和接收机间通信设备的问题。本发明的应用基准间距和流动间距分别跟踪卫星获得相互独立的伪距观测量，应用基准间距伪距进行定位解算和伪距修正量的计算，并发送给流动间距进行伪距差分定位解算。本发明采用不同相关间距的伪距观测量进行差分定位解算，实现单接机的伪距差分定位，提高现有单频接收机的定位可靠性和稳定性，消除了伪距差分定位需要的通信设备。
-
公开(公告)号：CN117760461A
公开(公告)日：2024-03-26
申请号：CN202311778750.7
申请日：2023-12-21
Applicant: 大连海事大学
Abstract: 本发明公开了一种用于导航状态估计的卫星视觉惯性里程计紧耦合系统，该系统包括Visual模块、惯性传感器模块、里程计模块、GNSS模块、数据处理模块和非线性优化模块；所述数据处理模块包括三维RISS数据处理、原始GNSS数据处理、Visual数据检测与跟踪、GNSS数据初始化和VR初始化。由于现有的视觉惯性导航方法存在惯性器件漂移的问题；该系统将视觉数据，惯性数据和里程计数据与多星座GNSS原始测量数据紧耦合在一起，基于在线的粗到精初始化方法，用于初始化全球导航卫星系统和视觉惯性状态，因此该系统具备实时估计能力，且适用于各种复杂环境。
-
公开(公告)号：CN110503680B
公开(公告)日：2023-08-18
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
IPC: G06T7/50 , G06N3/0464
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
Patent Agency Ranking
公开(公告)号：CN110797123B
公开(公告)日：2023-05-26
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
公开(公告)号：CN110516613B
公开(公告)日：2023-04-18
申请号：CN201910807214.2
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种第一视角下的行人轨迹预测方法，采用编解码结构结合循环卷积网络来预测第一视角下行人轨迹策略。原始图像经过编码得到的行人轨迹信息的特征向量，然后进行解码特征向量，预测出未来的行人的轨迹信息。在公共数据集和自己采集到的数据集里，本发明都会准确的预测出多个行人的未来10帧的轨迹信息，最终预测轨迹和最终实际轨迹之间的L2距离误差提高到40，比现有方法提高了30个像素精度。本发明提出了预测行人轨迹的时空卷积循环网络方法，利用一维卷积进行编解码处理，通过时空卷积网络预测，在目前的相关方法中，实现较简单、数据获取和处理清晰、简洁，实用性强。
-
公开(公告)号：CN115834459A
公开(公告)日：2023-03-21
申请号：CN202211236647.5
申请日：2022-10-10
Applicant: 大连海事大学
Abstract: 本发明提供一种链路泛洪攻击流量动态清洗系统及方法，系统包括控制平面和数据平面，所述控制平面和数据平面通过南向接口进行数据交互，所述南向接口包括p4runtime和VNF管理南向接口；所述控制平面包括SDN控制器；所述数据平面包括P4可编程交换机和流量清洗服务器；所述P4可编程交换机用于根据SDN控制器下发的防御策略和流清洗规则转发网络流量、检测和识别攻击流，并按照清洗规则清洗攻击流量；所述流量清洗服务器接收P4可编程交换机发送的无法采用“匹配‑动作”模式清洗的攻击流，并将攻击流发送给指定流量清洗VNF处理。本发明基于P4交换机和流量清洗VNF对LFA流量进行动态清洗。
-
公开(公告)号：CN115144872A
公开(公告)日：2022-10-04
申请号：CN202210639286.2
申请日：2022-06-07
Applicant: 大连海事大学
Abstract: 本发明公开了一种能够实时估计卫星差分码偏差的双频GNSS接收机，包括天线接口、射频模块、基带和数据处理模块、通信模块以及电源和时钟模块。由于现有的卫星DCB产品由IGS提供，且具有24小时的延迟，即需要很高的而成本又不具有实时性，制约了卫星DCB的应用；本发明的能够实时估计卫星差分码偏差(DCB)的双频GNSS接收机包括接收机信号处理和数据处理，所述信号处理用于改变接收机内的跟踪策略得到不同相关间距的伪距和载波相位观测量，所述数据处理用于进行卫星DCB估计。本发明采用载波相位平滑伪距，本地电离层TEC分布和最小二乘算法估计卫星DCB，实现卫星DCB的实时估计，提高卫星DCB的实时性。
-
公开(公告)号：CN113676476B
公开(公告)日：2022-07-08
申请号：CN202110957573.3
申请日：2021-08-18
Applicant: 大连海事大学
Abstract: 本发明提供一种基于动作可编程软件定义网络的加密跳变方法，包括：识别通信路径上的源交换机和目的交换机；控制器向数据平面下发流表规则，并对源交换机安装加密动作程序，对目的交换机安装解密动作程序；由数据发送主机向源交换机发送明文数据包，源交换机执行对应的加密动作程序，对数据包载荷加密，得到密文数据包；密文数据包经过网络传输到目的交换机；目的交换机执行对应的解密动作程序，完成对数据包载荷的解密操作，得到明文数据包，最后将明文数据包转发给数据接收主机。经过一个跳变周期，控制器更新源目的交换机的流表规则和动作程序，实现加密算法和密钥的跳变。本发明由网络完成数据包加解密和加密跳变，对终端透明且不会中断通信。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.03 seconds)
