-
公开(公告)号：CN118228003B
公开(公告)日：2024-07-30
申请号：CN202410639425.0
申请日：2024-05-22
Applicant: 南京信息工程大学
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/08 , G06Q50/26 , G01W1/10
Abstract: 本发明提供了融合中大尺度环流数据的长江流域次季节降水预测方法，包括：步骤1，获取具有相同时空分辨率的降水格点数据和大气环流气象因子数据；步骤2，将步骤1获取的数据进行要素维度定义和聚合处理；步骤3，构建原始预测模型；步骤4，对原始预测模型进行训练；步骤5，利用验证集来评估模型的性能，得到训练完成的定量预测次季节降水的模型；步骤6，通过定量预测次季节降水的模型得到整个长江流域的次季节降水数据。针对长江流域受大气环流气候时滞影响显著的情况，本发明通过深入学习并捕捉这些影响因素的特征和权重，实现了对次季节降水预测效果的提升。
-
公开(公告)号：CN117715117B
公开(公告)日：2024-05-28
申请号：CN202410166403.7
申请日：2024-02-06
Applicant: 南京信息工程大学
IPC: H04W28/084 , H04W4/029 , H04W84/06 , G06N3/045 , G06N3/092
Abstract: 本发明公开了一种多UAV‑RIS辅助移动边缘计算的任务卸载方法，包括：构建多UAV‑RIS辅助的大规模移动边缘计算卸载场景；构建优化模型；依据当前最优RIS相位偏移和UAV轨迹，求解用户卸载决策、卸载比例、用户和UAV计算资源分配；采用解析法求解RIS相位偏移矩阵；应用深度强化学习算法求解UAV轨迹；使用交替优化算法，循环执行前述求解步骤，获得用户设备和UAV的计算资源最优分配策略，获得用户设备的计算任务最优卸载决策和卸载比例，获得RIS相位偏移和最优UAV的轨迹。本发明能够获得整个网络的最大平均吞吐量。
-
公开(公告)号：CN116432702A
公开(公告)日：2023-07-14
申请号：CN202310678856.3
申请日：2023-06-09
Applicant: 南京信息工程大学
IPC: G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/082 , G06F17/17 , G06F18/25 , G01W1/10 , G01W1/18
Abstract: 本发明公开了一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型。首先获取待订正区域内的DEM数据、FY‑4A卫星数据、ECMWF格点预报数据和ERA5再分析数据；随后构建预报订正网络NFC‑Net，该网络包括空间分辨率对齐模块、时空特征提取模块和UNet订正模块。空间分辨率对齐模块用于将FY‑4A卫星数据、DEM数据与ECMWF数据进行对齐。时空特征提取模块用于提取ERA5历史再分析数据和FY‑4A卫星数据的时空特征，UNet订正模块用于将上述多源异构数据的时空特征进行学习，输出订正结果。本方法能够融合多源异构数据的特征，对ECMWF预报产品进行有效订正。
-
公开(公告)号：CN110060225B
公开(公告)日：2023-07-14
申请号：CN201910240921.8
申请日：2019-03-28
Applicant: 南京信息工程大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。本发明可以使融合图像在边缘清晰度、变化剧烈度和对比度方面均得到较好的融合性能，从而融合图像的细节更加清晰，边缘更加平滑，进而具有良好的主观视觉效果。
-
公开(公告)号：CN110415198B
公开(公告)日：2023-07-04
申请号：CN201910639252.1
申请日：2019-07-16
Applicant: 南京信息工程大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，步骤如下：S1：将源图像A和源图像B进行分解，得到低频系数和高频系数；S2：将低频系数通过LP变换分解为子低频系数和子高频系数，对子低频系数和子高频系数分别进行融合；S3：融合后的子低频系数和子高频系数通过LP逆变换进行融合；S4：将高频系数进行融合；S5：融合后的低频系数和融合后的高频系数通过FFST逆变换获取得到最终的融合图像。本发明能够保留源图像的大部分信息，且在清晰度方面、边缘刻画方面以及对比度方面均提到了提高，同时融合图像的空间频率、平均梯度、信息熵和边缘信息传递因子也得到了提高，从而能够得到较好的融合效果。
-
Patent Agency Ranking
公开(公告)号：CN115952924B
公开(公告)日：2023-06-16
申请号：CN202310219140.7
申请日：2023-03-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于优化VMD与特征热力图的短期风电功率预测方法。采用优化VMD算法分解并降低风电功率数据中的噪声干扰，将风电功率分量数据分成平稳集和剧变集，根据平稳集和剧变集的预测需求采用两种不同的预测操作，针对平稳集数据直接将本时段数据输入网络进行预测，针对剧变集数据应用特征热力图法获取相似时段数据与本时段数据共同输入网络进行预测，在相同条件下，本方法能够以较低的时间复杂度完成高精度风电功率预测，平均绝对误差达到0.77，与其他算法相比整体预测性能显著提升。
-
公开(公告)号：CN114520768B
公开(公告)日：2023-05-30
申请号：CN202210237294.4
申请日：2022-03-11
Applicant: 南京信息工程大学
IPC: H04L41/0833 , H04B7/185 , H04W28/084 , G06F9/50 , G06F9/445 , H04W84/06
-
公开(公告)号：CN116109520A
公开(公告)日：2023-05-12
申请号：CN202310357532.X
申请日：2023-04-06
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于光线追踪算法的深度图像优化方法，利用光线追踪算法搭建路径追踪器处理深度图像和彩色图像，从而获得几何属性；对深度图像进行预处理，再从深度样本中采集纹理及物体表面的光照反射率等信息，利用颜色缓冲区信息和彩色图像间的差获取光照参数，并用其与光照反射率等信息对法向场进行优化，对优化后的图像中未平复的噪声进行抗锯齿、反走样等操作完成对深度图像的深度优化，从而获得高质量的深度图像，加强深度图像边缘细节的细腻程度，有效解决了其他同类算法所存在的缺点，视觉效果提升显著，极大提升了对深度图像的优化效率。
-
公开(公告)号：CN115166636B
公开(公告)日：2022-12-20
申请号：CN202211075973.2
申请日：2022-09-05
Applicant: 南京信息工程大学
Abstract: 本发明涉及基于多特征信道状态信息边缘计算的工厂人员监管方法，采用CSI中振幅熵、相位差、以及载波间振幅的距离相关系数表征参考点位置信息，并将三个特征数据相融合输入至DQN算法进行工作人员区域判别的操作，提高了DQN算法的鲁棒性与准确性；并且考虑到DQN算法中决策空间的维度较大，在实际运行中会增加边缘服务器的负担、以及拉大运行时延，本发明采用跨领域的方法，通过各FlexPressure压力传感器所反映的压力值适时调整决策空间的维度，从而解决DQN算法中决策空间的维度较大的问题；本发明的实施需要在连续的时间段上进行，考虑到深度强化学习中DQN算法的时延性不高，因此其更适用于本方法。
-
公开(公告)号：CN114882455A
公开(公告)日：2022-08-09
申请号：CN202210777879.5
申请日：2022-07-04
Applicant: 南京信息工程大学
IPC: G06V20/54 , G06V40/10 , G06V10/22 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进RetinaNet的斑马线礼让行人检测方法，包括：将样本图像数据集导入基于RetinaNet网络构建的斑马线礼让行人检测模型；采用目标识别模块识别导入的样本图像中的斑马线、以及位于斑马线上的行人和车辆；采用警示框生成模块对检测识别到的行人添加检测框，并依据行人前进方向复制对应的检测框直至检测框到达当前行人所处位置对应的最远边线，将行人对应的所有检测框定义为警示框；采用违章检测模块对检测识别到的车辆添加检测框，判断车辆对应的检测框与行人对应的警示框是否存在交集，以判定车辆是否礼让行人。本发明有效提高了斑马线礼让行人检测的准确率和速度。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.037 seconds)
