-
公开(公告)号：CN114911787B
公开(公告)日：2023-10-27
申请号：CN202210613379.8
申请日：2022-05-31
Applicant: 南京大学
IPC: G06F16/215 , G06F40/216 , G06F40/289
Abstract: 本发明涉及一种融合位置和语义约束的多源POI数据清洗方法，属于数据处理技术领域。该方法执行如下步骤：步骤1，对收集到的多源POI数据进行GeoHash转换；步骤2，对转换后的字符串进行邻近点查询；步骤3，对步骤2中存在邻近点的窗口进行冗余处理；步骤4，构建分词方案；步骤5，对步骤4处理后的数据进行冗余处理；步骤6，基于步骤5重新构建的分词方案的词频统计完成POI数据重匹配。该方法能更加准确高效地完成数据清洗工作，清洗结果更加优秀，更切合实际且行之有效。
-
公开(公告)号：CN115100394A
公开(公告)日：2022-09-23
申请号：CN202210729862.2
申请日：2022-06-24
Applicant: 南京大学
IPC: G06V10/25 , G06V10/764 , G06V20/10 , G06V20/70
Abstract: 本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法，属于数据处理技术领域。该方法执行如下步骤：对城市街区内部的兴趣点数据按类别进行分类；创建规则格网将城市街区划分为若干格网单元；对每个格网单元内的兴趣点数据进行聚合，得到兴趣点聚合点数据；基于兴趣点聚合点数据创建Voronoi图，得到每个兴趣点聚合点数据对应的Voronoi多边形；计算城市街区内每个Voronoi多边形的面积，将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重，从而实现对城市街区的功能识别。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性，从而有助于提高基于兴趣点数据的城市街区功能区识别的准确率。
-
公开(公告)号：CN115049265A
公开(公告)日：2022-09-13
申请号：CN202210694675.5
申请日：2022-06-20
Applicant: 南京大学
Abstract: 本发明公开了TOPSIS引导城市居住小区宜居度神经网络评价方法，该方法包括以下步骤：S1、选取合适因素因子，构建城市居住小区宜居度评价指标体系；S2、根据熵值法确定各要素权重，并使用TOPSIS方法初步评价城市居住小区宜居度评分及排序；S3、根据城市居住小区宜居度评分排序，选择排名前n%、后n%的首尾两部分小区；S4、以前n%小区的宜居度值域范围为高宜居度值域，以后n%小区的宜居度值域范围为低宜居度值域；S5、利用样本训练神经网络模型。本发明利用TOPSIS得到宜居度高、宜居度低两种类别的城市居住小区样本，一定程度上克服了现有评价方法因子权重确定较为主观的问题。
-
公开(公告)号：CN114911787A
公开(公告)日：2022-08-16
申请号：CN202210613379.8
申请日：2022-05-31
Applicant: 南京大学
IPC: G06F16/215 , G06F40/216 , G06F40/289
Abstract: 本发明涉及一种融合位置和语义约束的多源POI数据清洗方法，属于数据处理技术领域。该方法执行如下步骤：步骤1，对收集到的多源POI数据进行GeoHash转换；步骤2，对转换后的字符串进行邻近点查询；步骤3，对步骤2中存在邻近点的窗口进行冗余处理；步骤4，构建分词方案；步骤5，对步骤4处理后的数据进行冗余处理；步骤6，基于步骤5重新构建的分词方案的词频统计完成POI数据重匹配。该方法能更加准确高效地完成数据清洗工作，清洗结果更加优秀，更切合实际且行之有效。
-
公开(公告)号：CN111259961A
公开(公告)日：2020-06-09
申请号：CN202010050545.9
申请日：2020-01-17
Applicant: 南京大学
Abstract: 本发明涉及一种基于主动学习的面向对象分类方法,所述方法提供了一种评估分割对象混合程度的新指标——明确度，能够将分割对象划分为“明确对象”和“不确定对象”。通过评估不确定对象（混合对象）对分类的影响并结合主动学习技术的优势，确定训练样本中20%的明确对象和80%的不确定对象的分配比例，是最佳比例，继而得到一个高效的主动学习采样策略，最终获得稳定优异的训练样本对象集。本发明克服了由于OBIA分割技术的限制，分割结果出现大量混合对象，而导致的分类表现不佳、不稳定的问题。
-
Patent Agency Ranking
公开(公告)号：CN104008209B
公开(公告)日：2017-02-01
申请号：CN201410277320.1
申请日：2014-06-20
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明针对MongoDB集群设计了大规模地理数据存储方案，在MongoDB集群中以GeoJSON格式结构化的方式组织地理数据，使得采用分布式高速MongoDB集群高效存储大规模地理数据成为可能。针对该地理数据存储方案，本发明提出了地理数据的读写方法以及可实现该地理数据读写方法的驱动程序。本发明以OGR类库为地理数据读写驱动的设计架构，以GeoJSON格式结构化的读写MongoDB集群地理数据源。本发明采用OGR函数库，在地理数据与MongoDB集群之间通过内存中构建的OGR对象建立桥梁，使针对MongoDB集群的地理数据高效读写成为可能，使得高性能地理分析算法可以运行在MongoDB数据库集群之上。
-
公开(公告)号：CN102768356B
公开(公告)日：2013-08-28
申请号：CN201210275677.7
申请日：2012-08-03
Applicant: 南京大学
Abstract: 本发明涉及一种利用多时相雷达数据检测海上静止目标的方法。该方法使用的数据为多时相的ENVISATASAR影像，首先对于多景ENVISATASAR数据使用基于双参数的恒虚警率（CFAR）算法提取海上目标，针对ENVISATASAR数据提出了优选的算法参数，使得双参数CFAR适用于ENVISATASAR数据。对于多时相的海上目标，使用一种基于RANSAC算法的海上目标点匹配方法进行匹配，经匹配后的点目标中相互重合的点就为海上静止目标。该方法能够有效地检测海上钻井平台等海上静止目标，从而快速、及时、准确地监测海域石油开发等资源和环境状况。
-
公开(公告)号：CN115393704A
公开(公告)日：2022-11-25
申请号：CN202210695358.5
申请日：2022-06-20
Applicant: 南京大学
IPC: G06V20/10 , G06V10/26 , G06V10/54 , G06V10/764
Abstract: 本发明公开一种面向对象的稻虾田遥感自动化监测方法，本自动化监测方法包括以下步骤：S1、获取分析单元；S2、选取稻虾田样本；S3、判定分割对象是否为稻虾田和S4、得到检测结果。本发明基于对象单元实现了大范围的稻虾田监测，避免了基于像素分析中的“椒盐效应”等问题，提高了监测精度，具体实施中自动提取样本且无需人工调整参数，提高了监测的自动化程度。
-
公开(公告)号：CN104008552B
公开(公告)日：2017-01-25
申请号：CN201410266813.5
申请日：2014-06-16
Applicant: 南京大学 , 南京市国土资源信息中心
Abstract: 本发明涉及一种基于动态时间弯曲的时序SAR影像耕地提取方法，步骤包括：构建时序SAR影像；提取耕地参考时间序列；计算待分类像元时间序列与耕地参考时间序列之间的动态时间弯曲距离；计算结果阈值分割，待分类像元归类为耕地与非耕地；分割结果空域滤波，滤除孤立的耕地像元，填补连片耕地之间的缝隙，得到耕地的最终提取结果。本发明考虑到耕地时间序列特有的“时间轴弯曲”现象，使用动态时间弯曲距离（DTW）作为相似性度量标准，从而实现耕地像元与非耕地像元的划分，解决了传统方法无法适应时间轴畸变的时间序列相似性度量这一问题，提高了耕地的提取精度。本发明方法适应性强，提取精度可达82%以上，能够满足实际生产的需要。
-
公开(公告)号：CN103440489B
公开(公告)日：2017-01-11
申请号：CN201310423428.2
申请日：2013-09-16
Applicant: 南京大学
IPC: G06K9/46
Abstract: 本发明涉及一种像素级SAR影像时间序列的水体提取方法，该方法首先，对SAR影像数据集进行预处理，经过高精度匹配，构建像素级SAR影像时间序列，生成时间序列文本数据；其次，采样选取纯净水体像元和混合水体像元的时间序列，选取DTW作为时间序列的相似性度量，计算其DTW值作为最大阈值；然后计算所有像元的像素级SAR影像时间序列与纯净水体像元时间序列的DTW值，采用最大阈值方法分割SAR影像，获取二值图像；最后，采用8邻域搜索方法对二值图像进行操作以提高水体识别精度。该方法能够准确提取稳定的水资源分布范围，提取结果不受山体阴影、雨季积水及部分植被的影响，能够满足水体制图的要求。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.026 seconds)
