-
公开(公告)号：CN116990821A
公开(公告)日：2023-11-03
申请号：CN202310602278.5
申请日：2023-05-25
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种水下目标跟踪方法，为克服在传统的直角坐标系下扩展卡尔曼滤波器误差大且易发散的情况，本发明在改进的极坐标系下使用扩展卡尔曼滤波器。该方法能够消除传统坐标系下的模型误差，提高跟踪精度。包括以下步骤：(1)利用被动声纳获取水下目标的方位信息；(2)将水下目标的方位信息转换为改进极坐标系下的距离和方位角；(3)建立改进极坐标系下的跟踪模型；(4)根据跟踪模型，进行目标的方位跟踪。与传统的水下目标跟踪方法相比，本发明在改进的极坐标系下建立跟踪模型，消除了模型误差，提高了跟踪精度。同时，本发明基于被动声纳进行跟踪，具有无源、被动、隐蔽等特点，适用于水下环境下对目标的监测和跟踪。
-
公开(公告)号：CN116465628A
公开(公告)日：2023-07-21
申请号：CN202310239905.3
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域。本发明是针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题而提出的。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图；选择多种不同规格和工况下已知标签数据作为多源域，其他规格和工况下少量已知标签数据作为目标域；使用多个源域数据训练多个ResNet‑34深度网络，并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略，使其能够自适应决定迁移到目标域的知识层级及内容；提出将源域知识迁移到VGG‑16深度网络得到多个目标域模型后，将其提取的特征依次输入同一个极限学习机中实现模型集成，通过极限学习机输出分类结果，最终建立滚动轴承故障诊断模型。经实验验证，所提方法可实现不同规格和工况下滚动轴承间的移诊断问题，并且具有较高的准确率。
-
公开(公告)号：CN113593590A
公开(公告)日：2021-11-02
申请号：CN202110835134.5
申请日：2021-07-23
Applicant: 哈尔滨理工大学
IPC: G10L21/0208
Abstract: 一种深度复值U‑Net网络的瞬态噪声抑制方法，解决了传统方法在低信噪比下语音可懂度低、语音信号失真大的问题，属于语音增强领域。本发明包括：根据时频域语音信号，通过语音存在概率、阈值确定瞬态噪声所在时间段；建立改进的深度复值U‑Net网络的瞬态噪声抑制模型，改进的深度复值U‑Net网络模型总共有十一个卷积块，五个编码块，五个解码块，一个专注力块；最后将得到的瞬态噪声时域段送入到深度复值U‑Net网络模型中进行增强，然后把得到的增强结果插回到原序列中得到增强语音；本方法把深度学习应用于瞬态噪声的抑制，极大地提高了语音的可懂度。
-
公开(公告)号：CN108696513B
公开(公告)日：2020-11-17
申请号：CN201810389995.3
申请日：2018-04-27
Applicant: 哈尔滨理工大学
Abstract: 针对现有无人机控制系统数据传输的可靠性差的问题，本发明提供一种丢包率低、无延迟、无阻塞的无人机控制系统，属于无人机通信领域。本发明设置在地面，包括数据通信模块、数据显示模块、任务控制模块和飞行数据存储模块；数据通信模块，用于利用UDP协议下的socket网络实现与无人机交互，包括接收无人机的飞行状态数据及向无人机发送控制指令；数据显示模块，用于根据接收的无人机的飞行状态显示无人机实时的飞行状态信息；数据存储模块，用于将无人机的飞行状态数据存储至数据库；任务控制模块，用于根据无人机的飞行状态数据，获得控制指令，控制无人机飞行路线。本发明在UDP协议的基础上实现，具备良好的可控性与可靠性。
-
公开(公告)号：CN111192598A
公开(公告)日：2020-05-22
申请号：CN202010012435.3
申请日：2020-01-07
Applicant: 哈尔滨理工大学
Abstract: 一种跳变连接深度神经网络的语音增强方法，解决了传统的深度神经网络DNN语音增强方法在低信噪比场景下语音有丢失、可懂度低的问题，属于语音增强领域。本发明包括：根据时域语音信号，提取时频域特征；确定训练目标，并将训练目标和提取的时频域特征送入到Skip-DNN模型中，进行训练，得到Skip-DNN语音增强模型；Skip-DNN模型的输入层、隐藏层和输出层之间采用跳变连接；S3、提取带噪语音特征，将其输入到Skip-DNN语音增强模型中，估计目标语音；S4、将目标语音与带噪语音合成，得到增强的纯净语音信号。
-
Patent Agency Ranking
公开(公告)号：CN109633555A
公开(公告)日：2019-04-16
申请号：CN201910148699.9
申请日：2019-02-28
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种提高搜索成功率及减少迭代计算量、改善精度及增强实时性效果的基于遗传MUSIC算法的水下目标定位方法，属于水下探测领域。本发明包括：S1、获取对水下目标定位的阵列接收数据，结合MUSIC算法，获得MUSIC谱的表达式，将该表达式作为适应度函数；S2、设定遗传算法的参数，确定初始化种群；S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估，计算适应度大小；S4、判断当前的种群是否满足预先设定停止迭代条件，若是，转入S6，若否，转入S5；S5、对当代种群通过选择、交叉、变异操作产生子代，构建下一代种群，转入S3；S6、迭代停止，输出当代种群中个体最优解，并通过判断适应度来确定目标的入射角度。
-
公开(公告)号：CN108696513A
公开(公告)日：2018-10-23
申请号：CN201810389995.3
申请日：2018-04-27
Applicant: 哈尔滨理工大学
CPC classification number: H04L69/162 , G01C23/00 , G05D1/102 , G08C17/02 , H04L67/12 , H04L69/164
Abstract: 针对现有无人机控制系统数据传输的可靠性差的问题，本发明提供一种丢包率低、无延迟、无阻塞的无人机控制系统，属于无人机通信领域。本发明设置在地面，包括数据通信模块、数据显示模块、任务控制模块和飞行数据存储模块；数据通信模块，用于利用UDP协议下的socket网络实现与无人机交互，包括接收无人机的飞行状态数据及向无人机发送控制指令；数据显示模块，用于根据接收的无人机的飞行状态显示无人机实时的飞行状态信息；数据存储模块，用于将无人机的飞行状态数据存储至数据库；任务控制模块，用于根据无人机的飞行状态数据，获得控制指令，控制无人机飞行路线。本发明在UDP协议的基础上实现，具备良好的可控性与可靠性。
-
公开(公告)号：CN105528504B
公开(公告)日：2018-09-04
申请号：CN201610115922.6
申请日：2016-03-01
Applicant: 哈尔滨理工大学
IPC: G06F17/50
Abstract: 基于CFOA‑MKHSVM的滚动轴承健康状态评估方法，属于轴承故障评估技术领域。本发明是为了更有效评估滚动轴承性能退化程度。本发明方法先提取轴承振动信号的时域、频域统计特征及基于小波包的时频特征。针对滚动轴承各状态数据分布不均匀、数据异构的问题，采用超球体支持向量机识别并进行多核凸组合优化。为消除人为选择分类器多参数的盲目性，以及容易选入局部最优问题，将果蝇算法与混沌理论相结合，对多参数进行寻优。同时构建混沌优化果蝇算法—多核超球体支持向量机CFOA‑MKHSVM模型，并提出归一化差别系数评估指标。经实验，与SVDD算法评估指标进行对比，验证了所提指标的有效性，实现了滚动轴承健康状态的定量评估。
-
公开(公告)号：CN107908863A
公开(公告)日：2018-04-13
申请号：CN201711123328.2
申请日：2017-11-14
Applicant: 哈尔滨理工大学
CPC classification number: G06F17/5009 , G06K9/00496 , G06K9/00516
Abstract: 本发明提出了一种基于EMD理论与HHT变换的水轮机运转状态判定方法，包括以下步骤：步骤1、利用压力传感器采集压力脉动信号；步骤2、对压力脉动信号进行降采样处理；步骤3、利用小波变换对降采样处理后的压力脉动信号进行去噪，获得压力脉动重构信号；步骤4、向压力脉动重构信号中加入已知频率的高频正弦信号，利用镜像延拓法确定压力脉动重构信号的新边界；步骤5、利用EMD分解法对压力脉动重构信号进行分解，得到各个IMF分量；步骤6、对EMD分解得到的各个IMF分量进行逐一Hilbert变换，得到压力脉动重构信号的瞬时能量谱；步骤7、根据瞬时能量谱进行水轮机运转状态的判定。本发明对于分析水轮机的运转的故障状态具有重要的意义。
-
公开(公告)号：CN113723491B
公开(公告)日：2024-12-06
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0895
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.023 seconds)
