-
公开(公告)号：CN116882539A
公开(公告)日：2023-10-13
申请号：CN202310601297.6
申请日：2023-05-26
Applicant: 海南大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/042 , G06N3/048 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F16/36
Abstract: 本发明公开基于改进的Re‑GCN模型的水质数据预测方法，包括如下步骤：获取水质数据并进行预处理，构建用于训练以及测试的水质数据时序知识图谱训练集和测试集；使用网格搜索进行超参数调优，将训练集输入预先构建的改进的Re‑GCN模型中进行迭代训练，计算损失函数，并以此为基础进行全局优化，直至迭代结束；将测试集导入训练后的模型中，通过评估指标评价模型，直到结果符合预期要求，输出预测模型；使用预测模型预测未来一段时间内的水质数据。本发明通过改进的Re‑GCN模型，提高了对水质数据预测的效率以及准确度。
-
公开(公告)号：CN116882538A
公开(公告)日：2023-10-13
申请号：CN202310601024.1
申请日：2023-05-26
Applicant: 海南大学
Abstract: 本发明公开一种海洋环境预测模型的训练方法及相关装置。该方法包括如下步骤：获取海洋环境数据并进行预处理；运用灰色关联分析模型对预处理后的环境数据分析，获得数据集；将数据集输入构建的时序知识图谱模型进行训练，以预测时序知识图谱中实体之间的关系，生成预测模型；按照预测目标的时序信息，使用已训练好的知识图谱预测模型，通过预测目标实体与其他实体之间的前后依赖关系，对海洋环境检测领域时序知识图谱进行链路预测；对链路预测的结果进行评估，基于评估结果对灰色关联分析模型和时序知识图谱预测模型进行优化和调整。本发明可以实现更高的预测准确率，以提高海洋环境检测领域的预测能力。
-
公开(公告)号：CN116862747A
公开(公告)日：2023-10-10
申请号：CN202310836936.7
申请日：2023-07-10
Applicant: 海南大学
Abstract: 本发明公开了一种基于CenSurE‑STAR‑TEBLID‑DCT的医学图像水印方法，包括：采用CenSurE‑STAR算法提取医学图像的关键点；利用TEBLID算法对医学图像的关键点进行描述，生成医学图像的特征描述符矩阵；对医学图像的特征描述符矩阵进行DCT变换，得到医学图像的特征向量；将医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至医学图像中。这样兼顾了CenSurE‑STAR计算速度快、尺度不变性和TEBLID计算速度快、鲁棒性强的优点，具有较强的鲁棒性和不可见性，能够有效保护原始医学图像信息的安全性，并在一定程度上避免了病人隐私泄露。
-
公开(公告)号：CN116824370A
公开(公告)日：2023-09-29
申请号：CN202310730827.7
申请日：2023-06-19
Applicant: 海南大学
IPC: G06V20/10 , G06V10/25 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及红外目标检测技术领域，尤其涉及一种基于密集双向金字塔网络的水上红外目标检测方法，通过对采集的水上红外图像按照统一尺寸进行自适应缩放，并将图像输入到特征提取网络中提取不同层次的多尺度深度特征图；将不同层次的多尺度特征图输入到密集双向金字塔网络，进行多尺度特征的融合，所述密集双向金字塔网络在多尺度融合特征输出前加入自适应双挤压激励通道注意力机制；将多尺度融合特征分别输入到分类预测网络和预测框回归网络，得到水上红外图像中所有目标的位置及类别信息。本发明丰富红外目标特征信息，突显特征中重要的目标信息，可有效提升水上红外目标检测的准确性和稳定性。
-
公开(公告)号：CN116699602A
公开(公告)日：2023-09-05
申请号：CN202310619119.6
申请日：2023-05-29
Applicant: 海南大学
IPC: G01S13/86 , G06V20/58 , G06V20/40 , G06V10/80 , G06V10/82 , G06F18/2321 , G01S13/931 , G01S7/41
Abstract: 本发明提供一种基于毫米波雷达和相机融合的目标检测系统及方法，该方法使用毫米波雷达和相机分别对目标进行检测，通过时间匹配对准后，对毫米波雷达采集的毫米波雷达原始数据进行距离FFT、多普勒FFT、CFAR恒虚警检测和DOA估计等算法处理，初步得到检测场景毫米波雷达感兴趣目标的3D点云数据，再通过真实的道路情况制定的规则对毫米波雷达感兴趣目标的3D点云数据进行初步筛选、聚类融合、有效目标提取等算法处理后，和来自同一时间经过YOLOv4算法目标检测后的相机数据在空间坐标系的统一转换下进行信息融合，实现了两个传感器检测性能的优势互补，有效解决自动驾驶系统和智能监控系统中单传感器目标检测信息不全面、错检和漏检的情况。
-
Patent Agency Ranking
公开(公告)号：CN116400581A
公开(公告)日：2023-07-07
申请号：CN202310238904.7
申请日：2023-03-14
Applicant: 海南大学
IPC: G05B11/42
Abstract: 本发明基于正切换系统建模方法、无扰切换技术以及PID控制方法，针对污水处理过程中的污水排放排放量和出水量进行数据采集，公开了一种针对多模态系统的无扰切换PID控制方法。该方法有助于提高控制精度，同时也可以提高系统运行的稳定性。该方法在建模时充分考虑了控制变量的非负性、多模态性等特点以及控制器切换振荡问题，基于此设计了无扰切换PID控制器。无扰切换策略的提出实现了控制器平滑切换、提高了系统的稳定性。同时，线性规划方法的应用大大提高了计算效率，对于解决复杂系统的计算具有更大的优势。
-
公开(公告)号：CN116385247A
公开(公告)日：2023-07-04
申请号：CN202310410635.8
申请日：2023-04-18
Applicant: 海南大学
Abstract: 本申请涉及图像水印技术领域，公开了一种基于DWT‑DCT‑NSST的医学图像鲁棒水印方法，包括：在DWT‑DCT变换域下对原始医学图像进行加密，得到加密医学图像；对加密医学图像进行NSST变换，获得对应的低频子带图像；根据低频子带图像的信息，构造加密医学图像的特征序列；将加密医学图像的特征序列和加密水印进行异或运算，以将水印信息嵌入至加密医学图像中。上述方法考虑了在密文域下进行水印的嵌入，可获取加密医学图像多尺度多方向分析下的图像特征，能够很好地表达医学图像的主要信息，并且通过对密文域医学图像实现信息的零水印嵌入，使得水印信息以及原始医学图像的安全性都能得到较好的保障，保证了水印的鲁棒性。
-
公开(公告)号：CN116342359A
公开(公告)日：2023-06-27
申请号：CN202111539196.8
申请日：2021-12-15
Applicant: 海南大学
IPC: G06T1/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于AlexNet和DCT的医学图像鲁棒水印方法，属于多媒体信号处理领域。本发明的步骤是：首先利用LogisticMap的性质在频域对水印进行置乱加密；然后通过对医学图像用AlexNet和DCT变换提取一个特征向量来进行水印的嵌入，将特征向量与二值水印相关联得到一个二值逻辑序列，并将该二值序列存于第三方；再通过对待测医学图像用AlexNet和DCT变换提取其特征向量，并与存于第三方的二值序列相关联来进行水印的提取。本发明是基于AlexNet和DCT的医学图像数字水印技术，有较好的鲁棒性，针对旋转、水平左移、垂直下移等几何攻击尤为突出，水印的嵌入不改变原始加密体数据的内容，是一种零水印技术。
-
公开(公告)号：CN113793289B
公开(公告)日：2023-06-20
申请号：CN202111063980.6
申请日：2021-09-10
Applicant: 海南大学
IPC: G06T5/50 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于CNN和NSCT的多光谱图像和全色图像模糊融合方法，所述方法使用NSCT分别提取DUMS和MLPAN图像的多尺度多方向的低频子带图像和高频方向子带图像，再使用ResNet中残差模块及非线性特性构建浅层的细节提取网络以提取更丰富的细节信息，并使用模糊融合规则将提取的细节信息和MLPAN的第一层高频子带进行融合得到注入细节，最后利用ResNet模块的非线性构建细节注入网络，以注入细节和DUMS图像为输入，MS图像为输出，对其进行训练，得到最终的融合图像。本发明的融合模型设计的网络结构简单，容易训练，防止过拟合，泛化能力强，能够在保留光谱信息的同时提高空间分辨率，从而获得同时具有高空间分辨率和高光谱分辨率的图像。
-
公开(公告)号：CN112419190B
公开(公告)日：2023-06-20
申请号：CN202011325028.4
申请日：2020-11-24
Applicant: 海南大学
Abstract: 本发明提供一种基于局部统计信息和几何距离的脉冲噪声滤波方法，所述方法具体包括以下步骤：S1：对待测图像的所有噪声像素进行滤波处理，获得滤波后的图像；S2：判断滤波后的图像是否符合判断规则，若不符合则重新获取滤波后的图像。通过以上的步骤可以对噪声像素的图像进行滤波去噪，得到更加干净的像素。
-
-
-
-
-
-
-
-
-
Search Results
397
records
(took 0.054 seconds)
