-
公开(公告)号：CN114037222A
公开(公告)日：2022-02-11
申请号：CN202111227857.3
申请日：2021-10-21
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于电力大数据的电厂建设项目投资决策分析方法及系统，包括以下步骤：数据采集：通过财务预算报表和电力大数据平台，获取待评价和待预测项目所对应的项目数据；数据处理分为初次处理和二次处理；生成报告；传统的电厂建设项目投资决策分析系统，引用数据较为缺乏，本系统引用数据更多，包括行业数据、竞争对手数据、经济指标库、政策数据和区域数据，其中数据的来源主要通过经济型评价工具、人工输入、网络爬虫导入、与第三方平台对接获取以及相关权威机构提供，数据来源的多样性，使得分析结果更加准确，而数据来源的权威性，则进一步的提高了分析结果的精确性。
-
公开(公告)号：CN112633102A
公开(公告)日：2021-04-09
申请号：CN202011478435.9
申请日：2020-12-15
Applicant: 西安电子科技大学
IPC: G06K9/00 , G06F16/783 , G06F16/174
Abstract: 本发明属于大数据分析技术领域，尤其为一种基于图像处理的大数据分析方法，包括如下步骤：数据采集：通过远程处理终端接收由无线传感器网络传送的视频图像信息，预处理：通过远程处理终端对视频图像信息进行对应解压；改善了图像处理方法，基于无线传感器网络技术，克服了传统布线视频监控系统和网络摄像头成本高、系统部署困难和安装维护难度较大的缺点，通过远程处理终端和无线传感器网络的接入整合，实现了视频图像信息的采集、处理一体化，并能够实现图像信息的分类处理，便于使用者通过智能终端快速便捷地获取所需的视频图像信息，能够将采集的视频图像信息发送至所述汇聚节点，提供实时的图像分类等功能。
-
公开(公告)号：CN106875395B
公开(公告)日：2020-04-14
申请号：CN201710022646.3
申请日：2017-01-12
Applicant: 西安电子科技大学
IPC: G06T7/10
Abstract: 本发明公开一种基于深度神经网络的超像素级SAR图像变化检测方法，步骤包括：1)用超像素分割两幅原始图像；2)精细化分割，使得分割后两幅图像得到相同的超像素分割轮廓；3)计算两幅原始图像的差异图，用传统变化检测方法得到初始变化检测结果图；4)分割初始变化检测结果图，得到每个超像素块的标签；5)建立堆栈去噪自编码深度神经网络模型；6)将两幅原始图像对应位置的超像素块叠加为列向量，作为训练样本输入到深度神经网络中训练；7)调整深度神经网络参数；8)将两幅原始图像对应位置的超像素块叠加为列向量，输入到训练好的神经网络中得到变化结果。本发明解决了现有像素级变化检测计算量大，目标级变化检测准确度低的问题。
-
公开(公告)号：CN106875395A
公开(公告)日：2017-06-20
申请号：CN201710022646.3
申请日：2017-01-12
Applicant: 西安电子科技大学
IPC: G06T7/10
Abstract: 本发明公开一种基于深度神经网络的超像素级SAR图像变化检测方法，步骤包括：1)用超像素分割两幅原始图像；2)精细化分割，使得分割后两幅图像得到相同的超像素分割轮廓；3)计算两幅原始图像的差异图，用传统变化检测方法得到初始变化检测结果图；4)分割初始变化检测结果图，得到每个超像素块的标签；5)建立堆栈去噪自编码深度神经网络模型；6)将两幅原始图像对应位置的超像素块叠加为列向量，作为训练样本输入到深度神经网络中训练；7)调整深度神经网络参数；8)将两幅原始图像对应位置的超像素块叠加为列向量，输入到训练好的神经网络中得到变化结果。本发明解决了现有像素级变化检测计算量大，目标级变化检测准确度低的问题。
-
公开(公告)号：CN106780485A
公开(公告)日：2017-05-31
申请号：CN201710022472.0
申请日：2017-01-12
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于超像素分割和特征学习的SAR图像变化检测算法，包括步骤：1)开始基于超像素分割和特征学习的SAR图像变化检测方法；2)对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；3)应用差异度聚类法生成初始变化结果；4)根据初始变化检测结果在变化类和未变化类中选择相同数量的样本作为训练样本；5)将待训练样本输入到设计好的深度神经网络中进行训练；6)将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；7)结束。本发明以超像素块为基本处理单元，可以在一定程度上提高处理数据的时间，同时在很大程度上改善了噪声的敏感问题，显著的提高了检测效果及检测的正确率。
-
Patent Agency Ranking
公开(公告)号：CN106650933A
公开(公告)日：2017-05-10
申请号：CN201710022482.4
申请日：2017-01-12
Applicant: 西安电子科技大学
IPC: G06N3/08
CPC classification number: G06N3/084
Abstract: 本发明提出了一种基于协同进化和反向传播的深度神经网络优化方法，它属于深度学习与进化计算相结合的技术领域，主要解决的是深度神经网络在训练的时候容易陷入局部最优解的问题。其主要步骤是：(1)首先对网络使用反向传播算法进行优化；(2)当满足停止条件，使用协同进化算法进行优化；(3)不断重复上述两步，直到满足迭代停止条件；(4)最终优化得到的权重和偏差为最优参数。本发明将进化算法的优点应用到深度神经网络的训练中，针对大规模的参数，使用协同进化进行优化，同时结合反向传播算法，并且设计一种选择策略，来提高协同进化的优化速度，使得整个网络能够更高效的被训练完成，优化性能好，提高了网络的分类正确率。
-
公开(公告)号：CN105844637A
公开(公告)日：2016-08-10
申请号：CN201610168000.1
申请日：2016-03-23
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于非局部CV模型的SAR图像变化检测方法，实现步骤包括：(1)输入同一区域不同时间的两幅SAR图像构造差异图；(2)在差异图上做矩形轮廓曲线，初始化水平集函数；(3)计算内部区域的灰度均值和外部区域的灰度均值；(4)构建基于非邻域和基于区域信息的总能量函数E；(5)通过梯度下降法最小化E更新水平集函数φ，获得新的水平集函数φn+1，用其对差异图X进行分割；(6)判断当前的φn+1能否使总能量函数E达到最小值，如果能，停止迭代，输出最终的变化检测结果；否则，返回步骤3。本发明的方法对于差异位置更加敏感，对于初始化和图像质量的鲁棒性有明显增强。
-
公开(公告)号：CN114926511B
公开(公告)日：2024-11-08
申请号：CN202210509781.1
申请日：2022-05-11
Applicant: 西安电子科技大学
IPC: G06T7/30 , G06T3/4053 , G06T5/50 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于自监督学习的高分辨率遥感影像变化检测方法，包括：获取两幅高分辨率遥感影像并进行辐射校正和配准，得到两幅目标图像；对两幅目标图像进行光谱特征的比较得到像素级差异图；通过孪生特征提取网络获取目标图像对应的多个特征图；根据特征图计算两幅目标图像的多个目标级差异图；对像素级差异图以及多个目标级差异图进行融合，根据融合图像得到变化检测结果；孪生特征提取网络是一深度孪生卷积网络模型中的子网络；训练样本来自于高分辨率的样本遥感影像对，标注信息基于样本遥感影像对自动计算生成。本发明将深度网络的自监督学习应用到高分辨率遥感影像变化检测中，以此提高了高分辨率遥感影像变化检测的性能。
-
公开(公告)号：CN112633334B
公开(公告)日：2023-08-11
申请号：CN202011451679.8
申请日：2020-12-09
Applicant: 西安电子科技大学
IPC: G06F18/243 , G06F18/214 , G06Q10/0631
Abstract: 本发明实施例提供了一种基于卫星测运控资源规划调度的建模方法，包括以下步骤：S10、将卫星测运控资源规划与调度问题生成问题实例，将所有问题实例整合，构建实例库；S20、根据实例库建立三个尺度，由所述三个尺度确定表达单元；S30、根据所述实例库中的实例特征，确定问题特征；S40、根据所述表达单元及所述问题特征匹配问题模型，按照所述三个尺度的优先级进行匹配，得到建模结果。
-
公开(公告)号：CN112631747A
公开(公告)日：2021-04-09
申请号：CN202011477096.2
申请日：2020-12-15
Applicant: 西安电子科技大学
Abstract: 本发明实施例提供了一种云‑网‑端模式下的调度方法，包括如下步骤：分析资源请求并发送分析资源请求的结果；接收分析资源请求的结果，根据所述分析资源请求的结果利用端云调度器分配云端计算资源和终端计算资源；利用所述云端计算资源或所述终端计算资源进行计算，实现资源调度。利用端云调度器合理的分配计算资源，有效的利用了云端和终端的计算资源，提高了计算效率，同时减少了云端和终端的条件局限性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.023 seconds)
