基于CNN-GRU网络模型的心拍信号分类方法

    公开(公告)号:CN115221926A

    公开(公告)日:2022-10-21

    申请号:CN202210855584.5

    申请日:2022-07-20

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于CNN‑GRU网络模型的心拍信号分类方法,涉及计算机领域和医学信号处理领域,本发明的目的是解决心电信号干扰多、分类精度低等问题。本发明包括以下步骤:将心电数据通过小波变换除去噪声,再将其分割成心拍的形式,之后将预处理后的心拍随机划分成训练集、验证集和测试集;构建基于CNN网络模型和GRU网络模型的深度学习网络模型,之后挑选训练好的模型中精度最高的模型来预测数据,得到心电数据的预测分类结果。利用本发明提出的基于CNN‑GRU网络模型对心拍信号分类的方法可以实现对心电信号高效、准确的分类识别。

    基于多源卫星遥感数据的森林高度反演方法

    公开(公告)号:CN113205475B

    公开(公告)日:2022-07-12

    申请号:CN202010045470.5

    申请日:2020-01-16

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于多源卫星遥感数据的森林高度反演方法,属于卫星遥感图像处理与应用的技术领域,针对目前的森林高度估测算法复杂度高、精度低、准确性差的问题,本发明结合星载SAR和光学影像,首先对SAR影像进行极化处理得到整幅影像的后向散射系数、入射角,利用InSAR测量技术获取主副影像相位、相干性、数字高程模型(DEM),并从DEM中提取坡度信息,然后基于多光谱影像计算生物物理变量和光谱植被指数,使用机器学习算法将野外测量、极化信息、干涉测量、生物物理变量、光谱植被指数和地形变量联系起来,有效提取了森林高度信息。

    基于多特征LSTM网络的多时相高分辨率遥感影像的建筑物提取方法

    公开(公告)号:CN111582194B

    公开(公告)日:2022-03-29

    申请号:CN202010395467.6

    申请日:2020-05-12

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于多特征LSTM网络的多时相高分辨率遥感影像建筑物提取方法,属于卫星遥感图像处理与应用的技术领域。目的是解决现有方法建筑物提取结果准确率低、错分率高、边界模糊等问题。本发明采用多幅多时相高分二号遥感图像作为数据源,使用基于HSI彩色变换的方法提取建筑物光谱特征、基于图分割与条件随机场后处理相结合的方法提取建筑物的形状特征、基于Gabor小波变换的方法提取建筑物的纹理信息特征和基于DSBI指数的方法提取建筑物的指数特征,将提取的多时相建筑物的光谱、形状、纹理及指数特征组成了一个拥有60个特征波段的建筑物特征集,并将制作的建筑物样本与标签送入LSTM网络中获得建筑物粗提取结果,经过形态学处理后得到最终结果。

    一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法

    公开(公告)号:CN108537169B

    公开(公告)日:2022-01-25

    申请号:CN201810309998.1

    申请日:2018-04-09

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法,属于遥感影像处理技术领域。由于采用中心线检测算法直接提取的道路中心线会受到周围各种地物的影响,如树木,车辆,房屋等,导致中心线不完整,出现中断导致道路提取信息的不够完整、精度较差的问题。本发明通过引入张量场,通过张量场投票算法,对中心线检测中的中断部分进行补充,并再次利用中心线检测算法计算从而可以获得一个完整的道路中心线,并将距离中断部分最近中心线所对应的路宽作为实际路宽,实现了提取完整的道路信息。

    基于多源卫星遥感数据的森林高度反演方法

    公开(公告)号:CN113205475A

    公开(公告)日:2021-08-03

    申请号:CN202010045470.5

    申请日:2020-01-16

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于多源卫星遥感数据的森林高度反演方法,属于卫星遥感图像处理与应用的技术领域,针对目前的森林高度估测算法复杂度高、精度低、准确性差的问题,本发明结合星载SAR和光学影像,首先对SAR影像进行极化处理得到整幅影像的后向散射系数、入射角,利用InSAR测量技术获取主副影像相位、相干性、数字高程模型(DEM),并从DEM中提取坡度信息,然后基于多光谱影像计算生物物理变量和光谱植被指数,使用机器学习算法将野外测量、极化信息、干涉测量、生物物理变量、光谱植被指数和地形变量联系起来,有效提取了森林高度信息。

    基于卫星雷达遥感数据的玉米生物量反演测算方法

    公开(公告)号:CN110287457A

    公开(公告)日:2019-09-27

    申请号:CN201910589981.0

    申请日:2019-07-02

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于卫星雷达遥感数据的反演测算方法,属于卫星遥感图像处理与应用的技术领域,本发明的目的是解决现有利用合成孔径雷达遥感影像在对玉米生物量反演中存在的人为主观因素较强、算法复杂度高与要求较多的实测点信息等缺点,本发明中影像经预处理后,先提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数,通过拟合方式获得水云模型,再将选取出若干个点的玉米生物量带入模型水云中获得若干个VH和VV极化后向散射系数,以此作为样本采用随机森林算法进行训练,从而得到特征矩阵和标签值映射关系的回归模型,之后只需将待测点的VH和VV极化后向散射系数输入模型中即可测算出该测量点玉米生物量。

    多频双极化林地积雪被动微波混合像元分解方法

    公开(公告)号:CN105488805B

    公开(公告)日:2017-11-17

    申请号:CN201510933687.9

    申请日:2015-12-15

    Applicant: 吉林大学

    Inventor: 顾玲嘉 任瑞治

    Abstract: 本发明公开了一种多频双极化林地积雪被动微波混合像元分解方法,属于遥感图像处理的技术领域,针对现有技术利用被动微波数据对林地积雪进行雪深反演时误差较大的问题。本发明首先对林地下垫面土地分类数据的获取和重新分类,然后根据分类结果基础上建立多频双极化林地积雪被动微波混合像元分解模型,最后基于动态窗口数据选择策略的欠定性方程组求解,得到分解后各下垫面对应的组分亮温数据和误差数据,过程中本发明考虑到微波像元的空间相关性,提出了8邻域窗口数据输入和4邻域窗口数据输入两种输入数据的方案,并根据以上两种输入方案并对求解结果的优选提出了四种解决方案。

    基于改进自适应双边总变分正则化算法和多轨覆盖策略的星载微波散射计数据增强方法

    公开(公告)号:CN120047315A

    公开(公告)日:2025-05-27

    申请号:CN202510012647.4

    申请日:2025-01-06

    Applicant: 吉林大学

    Abstract: 本发明提出了一种基于改进自适应双边总变分正则化算法和多轨覆盖策略的星载微波散射计数据增强方法,属于卫星遥感图像处理与应用的技术领域,针对目前的分辨率增强处理方法所存在的不足,将星载微波散射计退化机理建模作为依据,在基于洛伦兹范数的自适应双边总变分(LABTV)正则化算法的基础上,在最速下降法求解中引入了自适应调整的步长,节省计算资源,同时在迭代过程中引入自适应调整的正则项参数,进一步提高重建算法的性能和鲁棒性,提出的改进自适应双边总变分正则化(LABTV+)算法,该方法还结合了多轨合成策略,能够将空间分辨率较低的星载微波散射计图像重建成为空间分辨率更高的图像,使其更好应用于海洋和陆地定量遥感。

    基于ADC-GRU网络和FF-DNN模型的SAR卫星遥感积雪深度时空预测方法

    公开(公告)号:CN117911894A

    公开(公告)日:2024-04-19

    申请号:CN202410085411.9

    申请日:2024-01-22

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法,属于卫星遥感图像处理与应用的技术领域。本发明针对已有积雪深度产品无法同时满足高空间分辨率和高时间分辨率的需求,结合气象站的历史监测数据和其他辅助数据,提出了基于ADC‑GRU网络(异常数据检测与校正‑门循环单元网络)的时间序列雪深预测模型;进一步将基于ADC‑GRU网络的时间序列雪深预测模型和基于FF‑DNN模型的SAR卫星遥雪深反演结果相结合,联合地面时序算法模型的时序性及雷达卫星遥感大范围观测积雪深度的优势,建立基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法,获取逐日高时空分辨率的积雪深度结果。

    基于迁移学习与半监督回归模型的湖泊叶绿素反演方法

    公开(公告)号:CN116824393A

    公开(公告)日:2023-09-29

    申请号:CN202310780010.0

    申请日:2023-06-29

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于迁移学习和半监督回归技术的湖泊叶绿素浓度反演方法,属于卫星遥感图像处理与应用的技术领域。本发明的目的是进一步提高基于多光谱遥感影像的湖泊叶绿素浓度反演精度,通过将迁移学习和半监督回归相结合,联合Transfer Component Analysis(TCA)和Co‑training Regressors(CoReg)方法实现光谱特征迁移和样本扩充,并建立高精度湖泊叶绿素反演模型,实现不同实验区和不同月份的湖泊叶绿素浓度反演。利用本发明提出的迁移学习和半监督回归技术的湖泊叶绿素浓度反演方法可以实现对大面积湖泊叶绿素浓度的高效、准确的反演。

Patent Agency Ranking