-
公开(公告)号：CN113139656A
公开(公告)日：2021-07-20
申请号：CN202110453835.2
申请日：2021-04-26
Applicant: 大连海事大学
Abstract: 本发明公开了一种类脑快慢双通路无人自主决策方法，构建一种基于类脑多任务时序预测的能量对抗模型，其中包含一个生成网络和一个能量网络两部分；引入一种概率分布裁剪机制，用于轨迹潜在空间的高概率密度区域采样，进而设计有效的能量网络来确定最能代表未来的一条轨迹；本发明通过预训练的卷积神经网络模块识别视觉信息中目标并通过自编码器编码其空间特征。然后将每个目标特征按时间顺序输入行为快照长短记忆网络，用以建模目标的时间动态变化。利用时间动态排序机制，设定目标优先级，以甄别冗余信息，降低模型复杂度。本发明提出的类脑快慢双通路模型依靠串联与并联的简洁的类脑结构，可以在少量参数调整的低功耗环境下进行训练。
-
公开(公告)号：CN116486294A
公开(公告)日：2023-07-25
申请号：CN202211567792.1
申请日：2022-12-07
Applicant: 大连海事大学
IPC: G06V20/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种融合卷积注意力机制和InceptionResNet的海浪等级识别方法，包括以下步骤：构建海浪图像数据集；将卷积注意力模块嵌入InceptionResNetV2网络中，构建海浪等级预测模型；调整并训练所述步骤2中构建的海浪等级预测模型，获得融合InceptionResNetV2网络和卷积注意力模块的海浪等级识别模型。本发明将InceptionResNet模块和卷积注意力模块结合，Inception模块使网络模型变得更深更宽，但对于算力的要求基本不变；CBAM模块通过给不同通道信息分配权重的差异，增强重要特征信息抑制不必要的特征信息，对提高预测精度提高了较大的帮助。本发明最终的网络模型比传统的卷积神经网络在算力需求基本不变的情况下，在拟合度和识别准确率上有着更明显的优势。
-
公开(公告)号：CN114330895B
公开(公告)日：2024-09-10
申请号：CN202111658013.4
申请日：2021-12-30
Applicant: 大连海事大学
IPC: G06Q10/04 , G06Q10/083 , G06Q50/40 , G06F16/2458 , G06F18/2431 , G06N20/20 , G06N5/01
Abstract: 本发明提供一种基于时序随机森林的短期船舶航速预测方法，包括以下步骤：获取建模数据并进行数据预处理；将时间序列数据引入随机森林学习器构建全新的预测模型框架；模型相关参数的设定；使用模型进行预测。本发明可以利用船舶的历史航行速度和海洋气象预报数据对短期船舶对水速度进行预测，避免了直接使用船舶发动机实时监控数据的现象，对于船载监控设备的要求较低，同时实现了事先对船舶速度进行预测和事后实验分析。本发明的模型平均绝对误差(MAE)、均方根误差(RMSE)、可决系数(R^2)均优于其他三种常用模型。
-
公开(公告)号：CN117994158A
公开(公告)日：2024-05-07
申请号：CN202410193922.2
申请日：2024-02-21
Applicant: 大连海事大学
Abstract: 本发明提供一种融合自监督盲点网络和噪声估计模块的真实图像去噪方法，包括：构建真实噪声图像数据集，将真实噪声图像数据集分为训练集和测试集；构建真实噪声去噪模型，包括：将NV模块、不可见噪声去噪模块和可见噪声去噪模块结合BSN网络；采用训练集对真实噪声去噪模型进行训练，得到训练后的真实噪声去噪模型；将测试集输入训练后的真实噪声去噪模型得到去噪图像，不仅能够有效的去除噪声还能保留原有图像细节，在自监督真实世界图像去噪领域展现出了最先进的性能。
-
Patent Agency Ranking
公开(公告)号：CN114330895A
公开(公告)日：2022-04-12
申请号：CN202111658013.4
申请日：2021-12-30
Applicant: 大连海事大学
IPC: G06Q10/04 , G06Q50/30 , G06F16/2458 , G06K9/62
Abstract: 本发明提供一种基于时序随机森林的短期船舶航速预测方法，包括以下步骤：获取建模数据并进行数据预处理；将时间序列数据引入随机森林学习器构建全新的预测模型框架；模型相关参数的设定；使用模型进行预测。本发明可以利用船舶的历史航行速度和海洋气象预报数据对短期船舶对水速度进行预测，避免了直接使用船舶发动机实时监控数据的现象，对于船载监控设备的要求较低，同时实现了事先对船舶速度进行预测和事后实验分析。本发明的模型平均绝对误差(MAE)、均方根误差(RMSE)、可决系数(R^2)均优于其他三种常用模型。
-
公开(公告)号：CN116644312A
公开(公告)日：2023-08-25
申请号：CN202310448990.4
申请日：2023-04-24
Applicant: 大连海事大学
IPC: G06F18/214 , G06N3/0442 , G06N3/006
Abstract: 本发明提供一种基于潜在不变特征转换的动态船速预测方法。本发明方法，包括：获取数据并对数据进行预处理得到数据集；进行第t’+1至第t’+k时刻的船舶对水速度预测，包括：对训练集进行数据分解，根据分解后的数据建构模型，向模型输入第t’+1时刻的参数，得到第t’+1时刻的船舶对水速度预测值，将第t’+1时刻的船舶对水速度预测值更新至训练集，对更新后的训练集进行数据分解并在模型迭代，对于第a次迭代，输入第t’+a+1时刻的参数；在进行k‑1次迭代后，得到第t’+1时刻至第t’+k时刻的船舶对水速度预测值。本发明的技术方案解决了现有技术中的动态船速预测周期较短的问题。
-
公开(公告)号：CN113139656B
公开(公告)日：2023-06-30
申请号：CN202110453835.2
申请日：2021-04-26
Applicant: 大连海事大学
IPC: G06V20/50 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/084 , G06V20/17
Abstract: 本发明公开了一种类脑快慢双通路无人自主决策方法，构建一种基于类脑多任务时序预测的能量对抗模型，其中包含一个生成网络和一个能量网络两部分；引入一种概率分布裁剪机制，用于轨迹潜在空间的高概率密度区域采样，进而设计有效的能量网络来确定最能代表未来的一条轨迹；本发明通过预训练的卷积神经网络模块识别视觉信息中目标并通过自编码器编码其空间特征。然后将每个目标特征按时间顺序输入行为快照长短记忆网络，用以建模目标的时间动态变化。利用时间动态排序机制，设定目标优先级，以甄别冗余信息，降低模型复杂度。本发明提出的类脑快慢双通路模型依靠串联与并联的简洁的类脑结构，可以在少量参数调整的低功耗环境下进行训练。
-
公开(公告)号：CN112733908B
公开(公告)日：2023-06-23
申请号：CN202011629289.5
申请日：2020-12-31
Applicant: 大连海事大学
IPC: G06F18/20 , G06N3/0442 , G06N3/0455
Abstract: 本发明公开了一种高精度的车辆轨迹多模态预测方法，包括以下步骤：对车辆轨迹进行编码；使用概率分布剪裁模块剪裁轨迹；解码生成轨迹；使用能量网络判别轨迹质量；训练损失函数。本发明使用以能量函数为核心的能量网络实现对于训练轨迹样本的拟合，因而在理论上实现了在充分拟合数据的前提下对于轨迹多样性生成的需要。本发明的多样性轨迹预测方法采用数据驱动的方式，将同一时刻的车辆轨迹编码为隐层状态向量后加入池化层以提供车辆的交互轨迹生成。本发明采用了基于概率分布裁剪机制实现对于能够生成高质量轨迹样本的概率分布裁剪，显著降低了采样难度的同时也有更高的机会采集到高概率区域样本，生成质量更高、更加真实的车辆轨迹。
-
公开(公告)号：CN112733908A
公开(公告)日：2021-04-30
申请号：CN202011629289.5
申请日：2020-12-31
Applicant: 大连海事大学
Abstract: 本发明公开了一种高精度的车辆轨迹多模态预测方法，包括以下步骤：对车辆轨迹进行编码；使用概率分布剪裁模块剪裁轨迹；解码生成轨迹；使用能量网络判别轨迹质量；训练损失函数。本发明使用以能量函数为核心的能量网络实现对于训练轨迹样本的拟合，因而在理论上实现了在充分拟合数据的前提下对于轨迹多样性生成的需要。本发明的多样性轨迹预测方法采用数据驱动的方式，将同一时刻的车辆轨迹编码为隐层状态向量后加入池化层以提供车辆的交互轨迹生成。本发明采用了基于概率分布裁剪机制实现对于能够生成高质量轨迹样本的概率分布裁剪，显著降低了采样难度的同时也有更高的机会采集到高概率区域样本，生成质量更高、更加真实的车辆轨迹。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
