-
公开(公告)号：CN120017187A
公开(公告)日：2025-05-16
申请号：CN202510238745.X
申请日：2025-03-03
Applicant: 哈尔滨工业大学
IPC: H04B17/309 , H04B17/345 , H04B17/391 , G06N3/092 , H04W84/18
Abstract: 本发明提供了一种自组网场景下的通信抗干扰方法及系统，包括以下步骤：发射机侦测信道获取信道信息；根据当前信道选择通信方案，所述通信方案包括发射功率、发射信道和空间位置；接收机计算误码率；干扰机根据误码率结合强化学习改变干扰方案，所述干扰方案包括干扰功率、干扰信道和空间位置；重复上述步骤，直至误码率大于预定阈值。本发明提供的自组网场景下的通信抗干扰方法及系统，可以实施感知电磁环境，根据干扰源的变化对发射方案进行动态调整，其次在保证通信质量的前提下，尽量减少资源浪费，最后对新增干扰措施的干扰源，也能迅速适应，保证通信质量。
-
公开(公告)号：CN119478578A
公开(公告)日：2025-02-18
申请号：CN202411393939.9
申请日：2024-10-08
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06N20/20
Abstract: 一种基于TOP2混合决策模型集成算法的图像识别方法及系统，属于图像数据处理技术领域。本发明的目的是为了降低模型的过拟合风险，并在各种数据集上都能显著提高模型的计算效率和测试精度。技术要点：初始化基模型随机种子、基于数据集训练多个基模型、决策矩阵初始化、基模型前向推断计算输出、更新决策矩阵、判断是否完成了所有的基模型的前向推断和对决策矩阵的更新并给出判断条件、重排决策矩阵、给出重排类别索引集合，根据最佳排序索引顺序导出类别索引的最佳排序集合、计算决策矩阵统计量、统计量符合统计显著性的判断。本发明适用于医疗影像分析、监控视频处理等多模型决策场景。
-
公开(公告)号：CN115265458B
公开(公告)日：2024-06-21
申请号：CN202210908931.6
申请日：2022-07-29
Applicant: 哈尔滨工业大学
Abstract: 本发明提供了一种基于轨迹点扩充及二维量化的自适应农机作业面积测算方法，属于农机作业面积测算技术领域。为了解决现有的农机工作面积测算方法不能有效处理重耕、漏耕的作业情况，不能高效率地、准确地测算农机工作面积的问题。包括以下步骤：步骤一、采集农机作业过程的经纬度坐标轨迹点，将经纬度坐标转换为平面xy坐标；步骤二、预处理以去除离群点和农机非正常作业状态下轨迹点；步骤三、设置机具宽度及最粗扩充距离，对轨迹点进行扩充；步骤四、对扩充后的轨迹点序列进行相对坐标转换及二维量化，对量化点进行权重赋值；步骤五、根据概率分布计算每一量化点面积并求和获得农机作业面积。本发明是一种高效率地、高精度的农机作业面积测算方法。
-
公开(公告)号：CN114898108A
公开(公告)日：2022-08-12
申请号：CN202210321733.X
申请日：2022-03-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于FPGA的CNN模型轻量化方法、一种目标检测方法及系统，涉及目标检测技术领域，用以解决现有基于FPGA的CNN模型在目标检测中能量效率较低导致不能满足低功耗、低延时计算需求的问题。本发明的技术要点包括：对SqueezeNet网络模型的卷积层进行定点化，定点化是指对计算和内存存储中的浮点数进行定点表示和运算，包括对输入特征图的定点化、对卷积层参数的定点化和对卷积层激活函数的定点化，其中，输入特征图和卷积层参数均为单精度浮点数；进而还提供一种包含上述SqueezeNet网络模型的目标检测方法及系统。本发明降低了检测网络的计算复杂度，适用于特定场景下的边缘计算平台，提升了检测模型的能量使用效率。
-
公开(公告)号：CN119339206A
公开(公告)日：2025-01-21
申请号：CN202411393313.8
申请日：2024-10-08
Applicant: 哈尔滨工业大学
IPC: G06V10/82 , G06V10/764 , G06V10/771 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/096
Abstract: 本发明提供一种基于特征空间校准的植物病害小样本分类方法及系统，属于数据处理领域。为解决现有深度学习算法在图像分类时需要大量带注释的数据集，但部分植物病害发病率低，图像数据少，限制深度学习算法在植物病害识别中大规模应用的问题。利用FAS评分对移除全连接层后的Swin‑Transformer V2网络的每一个特征输出层进行打分分析，选择分值最高的层作为特征向量，得到Swin‑Transformer V2F6网络，再进行植物病害特征空间校准。本发明在小样本病害分类的准确率可有效提高，相对于需要使用大量带注释的数据集来说，可在少量数据集的基础上提高识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114926445A
公开(公告)日：2022-08-19
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/08 , G06N3/04 , G06V10/82
Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。
-
公开(公告)号：CN109347601B
公开(公告)日：2021-03-16
申请号：CN201811189786.0
申请日：2018-10-12
Applicant: 哈尔滨工业大学
Abstract: 基于卷积神经网络的抗音调干扰LDPC码的译码方法，本发明涉及LDPC码的译码方法。本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候，译码性能准确率低的问题。过程为：1、建立用于LDPC码译码的卷积神经网络；2、确定卷积神经网络的初始参数；3、基于通信信号获得卷积神经网络的训练样本和测试样本；4、将训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；5、将测试样本输入训练好的卷积神经网络进行测试，得到最终训练好的卷积神经网络；6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。本发明属于通信技术领域。
-
公开(公告)号：CN119496530A
公开(公告)日：2025-02-21
申请号：CN202411672284.9
申请日：2024-11-21
Applicant: 哈尔滨工业大学
Abstract: 一种无线充电智能反射面辅助无线信能同传系统参数优化方法，属于无线通信技术领域。本发明针对现有无线信能同传系统参数设计不能使无线信能同传高效率运行的问题。包括：基于主动波束形成w、智能反射面被动波束形成Θ和用户功率分割比ρ，以加权速率和最大为目标建立非凸初始优化函数；同时设定约束条件；对非凸初始优化函数使用拉格朗日对偶变换，通过引入辅助变量的方法提取信噪比项后，再引入辅助变量进行二次变换，得到解耦后优化函数；使用交替优化的方法对解耦后优化函数进行迭代求解，直到相邻迭代结果中得到的加权速率和的差值满足预设精度值，输出参数优化值。本发明用于无线信能同传系统的参数优化。
-
公开(公告)号：CN118859133A
公开(公告)日：2024-10-29
申请号：CN202410878179.4
申请日：2024-07-02
Applicant: 哈尔滨工业大学
IPC: G01S7/38 , G06F18/2411 , G06F18/213 , G06N3/092 , G06N3/045 , G06N3/006 , G01S7/41
Abstract: 一种基于强化学习的雷达对抗自主决策方法，它属于雷达对抗自主决策领域。本发明解决了现有干扰方法存在的干扰效果差以及干扰效率低的问题。本发明采用基于融合改进的麻雀搜索算法与支持向量机的雷达辐射源工作状态自动识别技术，可以避免现有方法收集和分析非合作方雷达信号所需时间长的问题，提高了干扰的效率；并结合Q‑learning算法和多臂匪徒策略来生成干扰决策和干扰参数，显著提高了干扰样式和干扰参数选择的效率以及适应性，并保证了干扰的效果。本发明方法可以应用于雷达对抗自主决策。
-
公开(公告)号：CN114926445B
公开(公告)日：2024-03-26
申请号：CN202210605942.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/764 , G06N3/084 , G06N3/0464 , G06V10/82
Abstract: 一种基于孪生网络的小样本农作物病害图像识别方法及系统，涉及图像识别领域，为解决现有小样本识别方法，易导致训练过拟合、识别准确率较低的问题。具体过程为：步骤一：每种病害类别的训练样本中分别随机选取一张图像作为参照样本；步骤二：设计孪生网络结构，按照三元组模式将一个参照样本、一个与参照样本病害类别相同的样本和一个其他病害类别的样本输入至网络，迭代训练后得到孪生网络模型，记录并保存各参照样本的映射结果；步骤三：分别设定各病害的距离判定阈值；步骤四：将待检测样本输入至孪生网络模型，计算其映射结果；并计算其与各参照样本间的距离，选取其中的最小值，将其与该类别的距离判定阈值比较并输出判定结果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.019 seconds)
