一种波形智能分类方法
    11.
    发明授权

    公开(公告)号:CN114065817B

    公开(公告)日:2024-06-21

    申请号:CN202111393583.5

    申请日:2021-11-23

    Inventor: 文武 魏敏 杨昊

    Abstract: 本发明公开了一种波形智能分类方法,包括以下步骤:步骤一,数据录入;步骤二,提取周期波信号;步骤三,数据归一化;步骤四,统一数据长度;步骤五,波形分类;所述步骤一中,原始测试数据有1241道,每道1001个点,每个点的数据占4字节,分类只针对每道的683‑713,所述波形智能分类系统存储有四种分类数据,分别为单峰标准数据、双峰标准数据、正蝌蚪标准数据和倒蝌蚪标准数据,本发明相较于现有的波形分类方法,采用豪斯多夫距离方法,通过从检测区域位向上和向下遍历搜索该周期的起点和终点,能够有效提取出每个波形的完整时区信号,该方法可以提高波形分类结果的准确性,能有效的应用于地震勘探数据处理中。

    基于混合模型的大风预报订正方法

    公开(公告)号:CN115907189A

    公开(公告)日:2023-04-04

    申请号:CN202211559849.3

    申请日:2022-12-06

    Abstract: 本发明公开了基于混合模型的大风预报订正方法,涉及大风预报领域,包括S1获取多个不同地理位置和海波的气象站点数据作为数据集;S2构建初始模型,初始模型包括线性模型、非线性模型和组合模型;S3训练集导入初始模型,并采用均方误差和平均绝对百分比误差作为性能指标对初始模型进行训练优化;S4验证集导入优化后的初始模型进行测试验证最终得到订正模型;S5获取待订正的大风预报数据;S6待订正的大风预报数据导入订正模型得到订正后的大风预报;首先使用ARIMA或ARIMAX对时间序列进行线性预测;接下来采用非线性模型对残差进行非线性预测;线性模型的时间序列预测与非线性模型的残差序列预测通过支持向量机组合,有效地提高了本方法的最终预测。

    基于符号回归的大风预报订正方法

    公开(公告)号:CN115906984A

    公开(公告)日:2023-04-04

    申请号:CN202211524535.X

    申请日:2022-11-30

    Abstract: 本发明公开了基于符号回归的大风预报订正方法,涉及天气领域,包括S1获取多个城市的天气特征作为数据集,S2对数据集进行预处理,将每个特征缩放到0‑1之间,S3构建符号回归神经网络,S4预处理后的数据集分为训练集和验证集;S5训练集导入符号回归神经网络进行训练优化,得到订正方程;S6、获取需要订正的天气特征导入订正方程,完成订正;基于符号回归的方法能同基于统计的订正方法一样,能够找出数据的规律,展示输入特征与风要素的关系。同时,基于符号回归的方法没有人为因素的干扰,不会因为误判或者经验不起作用而导致误差变大,具有有效的抑制同质区域噪声,对强弱目标点能很好的保持,边缘保持清晰,消除边缘划痕以及块效应的优点。

    一种图形产品制作方法、系统、设备及终端

    公开(公告)号:CN114255298A

    公开(公告)日:2022-03-29

    申请号:CN202111085784.9

    申请日:2021-09-16

    Abstract: 本发明属于图形绘制技术领域,公开了一种图形产品制作方法、系统、设备及终端,接收记录集合预报成员时效文件名的txt文本;使用netCDF4创建nc文件;读取GRIB数据文件;分别计算集合平均、离散度、最大值、概率和分位数;绘制底图;绘制图形,并将图形保存为jpg格式。本发明提供的GRAPES区域集合预报成员自适应的图形产品制作系统改进绘图出错的情况,提出具有更好自适应性的绘图方法,能处理成员缺失、预报时效缺失以及数据错误等情况,自动跳过缺失的成员,如果有缺失时效,则缺失时效后续的时效数据也要舍去,直接绘制有效数据,避免因一个成员数据缺失导致整个图形绘制错误的情况,保证数据计算的精准性。

    一种波形智能分类方法
    15.
    发明公开

    公开(公告)号:CN114065817A

    公开(公告)日:2022-02-18

    申请号:CN202111393583.5

    申请日:2021-11-23

    Inventor: 文武 魏敏 杨昊

    Abstract: 本发明公开了一种波形智能分类方法,包括以下步骤:步骤一,数据录入;步骤二,提取周期波信号;步骤三,数据归一化;步骤四,统一数据长度;步骤五,波形分类;所述步骤一中,原始测试数据有1241道,每道1001个点,每个点的数据占4字节,分类只针对每道的683‑713,所述波形智能分类系统存储有四种分类数据,分别为单峰标准数据、双峰标准数据、正蝌蚪标准数据和倒蝌蚪标准数据,本发明相较于现有的波形分类方法,采用豪斯多夫距离方法,通过从检测区域位向上和向下遍历搜索该周期的起点和终点,能够有效提取出每个波形的完整时区信号,该方法可以提高波形分类结果的准确性,能有效的应用于地震勘探数据处理中。

    作业管理及评分信息处理方法、系统、互评抽阅仲裁方法

    公开(公告)号:CN112581332B

    公开(公告)日:2021-12-28

    申请号:CN202011621540.3

    申请日:2020-12-30

    Abstract: 本发明属于教育信息处理技术领域,公开了一种作业管理及评分信息处理方法、系统、互评抽阅仲裁方法,完成客观题的机器评阅并生成综合题互评任务队列和互评执行人队列、基于评阅者总人数计算评阅小组的数量;计算评阅小组中每位真实评阅者的实际工作量;根据实际工作量给各个评阅小组中的成员分配评阅任务;各评阅者完成分配的评阅任务后自愿进行奖励任务的领取,系统将记录奖励任务完成情况;将在互评截止后,通过二元语义计算模型整合各道题目的打分情况,生成互评得分,同时开放仲裁申诉平台;提供给学生对互评题目提起申诉的通道,同时整合教师仲裁结果,重新生成最终得分。本发明能合理有效进行任务分配,保证了最终评分的客观合理。

    一种基于功能磁共振心理生理交互的脑网络构建方法

    公开(公告)号:CN107242873B

    公开(公告)日:2020-06-09

    申请号:CN201710541557.X

    申请日:2017-07-05

    Abstract: 本发明涉及一种基于功能磁共振心理生理交互的脑网络构建方法,包括采集任务状态下的功能磁共振数据,并对其进行时间层校正、头动校正和减少运动伪影等预处理,基于预处理后的功能磁共振数据构建大脑认知决策的PPI模型,通过PPI模型得到与任务参数相关的脑区活性成分,从而构建与任务参数相关的脑网络,本发明采用PPI方法提取与任务参数交互作用的所有脑区BOLD信号,解决了传统脑网络构建技术中存在的不能结合任务参数构建脑网络的不足,为反映任务状态和功能磁共振脑信号交互的脑网络提供更有效的生理意义。

    一种基于功能磁共振心理生理交互的脑网络构建方法

    公开(公告)号:CN107242873A

    公开(公告)日:2017-10-13

    申请号:CN201710541557.X

    申请日:2017-07-05

    Abstract: 本发明涉及一种基于功能磁共振心理生理交互的脑网络构建方法,包括采集任务状态下的功能磁共振数据,并对其进行时间层校正、头动校正和减少运动伪影等预处理,基于预处理后的功能磁共振数据构建大脑认知决策的PPI模型,通过PPI模型得到与任务参数相关的脑区活性成分,从而构建与任务参数相关的脑网络,本发明采用PPI方法提取与任务参数交互作用的所有脑区BOLD信号,解决了传统脑网络构建技术中存在的不能结合任务参数构建脑网络的不足,为反映任务状态和功能磁共振脑信号交互的脑网络提供更有效的生理意义。

    数据中心内流量带宽可约束的虚拟机动态聚合方法

    公开(公告)号:CN107124377A

    公开(公告)日:2017-09-01

    申请号:CN201710279067.7

    申请日:2017-04-25

    Abstract: 本发明涉及一种数据中心内流量带宽可约束的虚拟机动态聚合方法,其包括以下步骤:对初始状态虚拟机针对计算资源进行多级聚合;建立流量代价模型;定义聚团内交互流量ICIT以及聚团外交互流量ECIT;定义数据中心虚拟机聚合过程中总的流量交互代价;使用全局流量模型来描述任意初始虚拟机i和j之间的交互流量Tij;统计系统内当前所有等效虚拟机连通度;统计系统内当前所有等效虚拟机的经过转换系数转换的ICIT和ECIT;使用DWMTR进行虚拟机三级聚团操作;选出ECIT/ICIT值最大的等效虚拟机,测试是否能通过将其与其余核心交换机控制域内的ICIT/ECIT值升序排列的等效虚拟机对调;选用首次满足对调条件的等效虚拟机进行对调;重复前述过程,直至系统内所有虚拟机完成位置调整。

    一种基于自适应可变信标功率的车联网V2V2I路由方法

    公开(公告)号:CN119172828A

    公开(公告)日:2024-12-20

    申请号:CN202411228169.2

    申请日:2024-09-03

    Abstract: 本发明公开了一种基于自适应可变信标功率的车联网V2V2I路由方法,为了提高车辆连接RSU的链路稳定性,车辆首先收集邻居信标分析当前车辆所处的信号覆盖状态,自适应调整车辆当前的信标功率,然后通过改进的Q‑学习对可用邻居车辆节点进行分析,寻找最优邻居节点并选择作为下一跳路由,完成V2V2I数据路由。本发明不仅能够根据不同情况自适应调整信标功率,节省车辆能耗,并且信标功率变化范围在标准功率的±30%时,车辆自私性数量、车辆平均连接RSU时间、路由跳数和链路保持时间上均有良好的技术效果。

Patent Agency Ranking