-
公开(公告)号：CN118099766A
公开(公告)日：2024-05-28
申请号：CN202410244643.4
申请日：2024-03-05
Applicant: 哈尔滨工程大学
Abstract: 本发明属于电磁功能材料技术领域，提供了一种微波吸收超材料及其制备方法。本发明提供的微波吸收超材料中谐振结构层中谐振单元具有下式所示结构，有效提高了超材料的微波吸收效果，实现超材料在4.03GHz～6.23GHz的有效吸波(‑10dB以下)。进一步地，保护层和介质层的制备原料独立地为玻璃纤维增强环氧树脂预浸料；谐振结构层和反射层的制备原料独立地为碳纤维增强环氧树脂预浸料。相比金属材料容易与空气中的成分发生化学反应且在极端环境下会加快腐蚀速率，纤维增强环氧树脂复合材料由于纤维属于惰性材料，除了硝酸这类强酸外，水和一般的化学介质对其影响较小。同时，碳纤维增强环氧树脂预浸料相比金属材料质量密度更小，具有质轻的优势。
-
公开(公告)号：CN113427850B
公开(公告)日：2023-02-10
申请号：CN202110690590.5
申请日：2021-06-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种简易装配金字塔点阵夹芯结构及其制备方法，包括金属前面板、金属后面板、金字塔型点阵芯子；所述的金字塔型点阵芯子是由多个金字塔型点阵结构单胞构成，每个金字塔型点阵结构单胞是由四根杆件和一个节点组成连接件；金字塔型点阵芯子不同层的支撑杆件尺寸可以相同，也可以不同，以达到梯度结构的效果；所述的金字塔型点阵芯子是由节点相连，节点分为面板节点和中间节点，面板节点用于连接点阵与金属前面板和金属后面板，中间节点用于连接不同单胞。本发明具有较高的容错率，组装完成的结构可以进行一定程度上的调整。由于成本低廉，装配简单，本发明适用于工业化推广。有利于推进点阵夹芯结构的发展与应用。
-
公开(公告)号：CN113066023B
公开(公告)日：2022-12-13
申请号：CN202110297462.4
申请日：2021-03-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于计算机视觉与图像处理技术领域，具体涉及一种基于自校准卷积神经网络的SAR图像去斑方法。本发明通过在卷积神经网络中自校准模块的平均池化、双线性插值和空洞卷积操作，以及能够在不增加网络参数及复杂性的前提下，使得网络的感受野获得极大提升，从而实现更有效的SAR图像中斑点噪声抑制。本发明通过将卷积神经网络中自校准模块的特征分为两个分支特征进行处理，能够提取不同尺寸的上下文信息，从而在有效抑制SAR图像斑点噪声的前提下，实现更精准的SAR图像细节纹理保护。本发明实现了SAR图像的精准去斑，可以用于抑制SAR图像的斑点噪声，从而提高SAR图像清晰度，增强SAR图像的视觉效果。
-
公开(公告)号：CN110807372A
公开(公告)日：2020-02-18
申请号：CN201910976624.X
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习遥感目标识别技术领域，具体涉及提高对目标的计算速度的一种基于深度特征重组的快速光学遥感目标识别方法。本方法包括如下步骤：分别建立自下而上50层ResNets以及101层ResNets网络架构作为构建特征金字塔网络的基础，对遥感图像进行初步特征提取，提取出4个不同的尺度的特征C2，C3，C4，C5；将得到的4个特征分别通过自上而下路径的卷积网络进行相互叠加得到新特征M2，M3，M4，M5用来消除不同层之间的混叠效果。将得到的M5特征图加倍得到新特征P5，特征P6是通过对P5进行3x3，然后对特征P6进行ReLU激活函数，再通过3x3,并且步长为2的卷积，就可以得到特征p7。本发明既具有单阶段测试模型的速度优势，又具有双阶段测试模型的计算准确度。
-
公开(公告)号：CN109886356A
公开(公告)日：2019-06-14
申请号：CN201910177081.5
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 一种基于三分支神经网络的目标追踪方法，属于计算机视觉技术领域。视觉目标跟踪属于视频分析，作为计算机视觉领域的一个重要分支，它的基本任务是根据给定的目标在初始帧的位置信息，预测目标在视频序列中的位置、区域以及运动轨迹。针对视觉目标追踪的精度低和速度慢，易受遮挡、背景混淆、尺寸变化、剧烈的表观变化、光照变化等影响。提出了一种基于三分支神经网络的目标追踪方法。与传统视觉目标追踪技术不同的是：利用三分支神经网络对目标进行追踪能够对目标有鲁棒性高的表示能力，可以应对目标表观的显著变化，对背景有更好的区分性，同时能有效地避免算法的漂移。在追踪速度也远远超过其他算法。
-
Patent Agency Ranking
公开(公告)号：CN109871902A
公开(公告)日：2019-06-11
申请号：CN201910177075.X
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。
-
公开(公告)号：CN109871902B
公开(公告)日：2022-12-13
申请号：CN201910177075.X
申请日：2019-03-08
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。
-
公开(公告)号：CN109934282B
公开(公告)日：2022-05-31
申请号：CN201910176375.6
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于合成孔径雷达小样本目标识别领域，具体涉及一种基于SAGAN样本扩充和辅助信息的SAR目标分类方法。本研究根据SAR的数据样本图像的特性，对Inception结构进行优化和改进，并添加适当的正则化条件，联合上述的GAN小样本生成和GAN小样本超分辨率的成果，对SAR小样本目标进行精确的识别。本发明提出了一种更适用于SAR遥感图像的网络，使得其能够学习不同种类目标区域的特征，从而生成新的较为逼真的目标区域图像，解决了SAR小样本的数据量少的问题。解决了针对合成孔径雷达SAR遥感图像中的目标区域，一种基于自注意力生成对抗网络样本扩充和辅助信息的SAR目标分类方法，本发明主要涉及生成式对抗网络来扩充SAR新样本数据，并基于Restnet50结构网络用以SAR小样本目标识别。
-
公开(公告)号：CN113066023A
公开(公告)日：2021-07-02
申请号：CN202110297462.4
申请日：2021-03-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于计算机视觉与图像处理技术领域，具体涉及一种基于自校准卷积神经网络的SAR图像去斑方法。本发明通过在卷积神经网络中自校准模块的平均池化、双线性插值和空洞卷积操作，以及能够在不增加网络参数及复杂性的前提下，使得网络的感受野获得极大提升，从而实现更有效的SAR图像中斑点噪声抑制。本发明通过将卷积神经网络中自校准模块的特征分为两个分支特征进行处理，能够提取不同尺寸的上下文信息，从而在有效抑制SAR图像斑点噪声的前提下，实现更精准的SAR图像细节纹理保护。本发明实现了SAR图像的精准去斑，可以用于抑制SAR图像的斑点噪声，从而提高SAR图像清晰度，增强SAR图像的视觉效果。
-
公开(公告)号：CN110060699A
公开(公告)日：2019-07-26
申请号：CN201910421602.7
申请日：2019-05-21
Applicant: 哈尔滨工程大学
IPC: G10L21/0272 , G10L21/0208
Abstract: 本发明提供的是一种基于深度稀疏展开的单信道语音分离方法。步骤一、将输入的混沌、纯净语音进行信号预处理，进行特征的提取；步骤二、结合稀疏NMF和深度展开对单信道语音语音分离问题进行模型建立；步骤三、将建立好的模型与提取的特征进行模型训练，得到基本系数；步骤四、再次输入混沌、纯净语音信号数据进行测试，经过傅里叶逆变换后，最终得到纯净语音。该方法将稀疏非负矩阵分离与深度展开方法相结合，对语音分离具有一定效果。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.028 seconds)
