一种基于粒子群优化算法的无人机中继部署方法及系统

    公开(公告)号:CN111970709B

    公开(公告)日:2022-09-16

    申请号:CN202010662808.1

    申请日:2020-07-10

    Abstract: 本发明属于无线通信技术领域,公开了一种基于粒子群优化算法的无人机中继部署方法及系统,设计并明确无人机中继的信道模型,计算其大尺度衰落路径损耗以及小尺度衰落,得到不同设备之间连接时的信道增益以及其信干噪比值;设计并明确无人机中继的能耗模型,明确悬停状态下无人机的功耗构成;构建优化目标,将有约束的混合01整数非线性规划问题转换为无约束的最优化问题;结合改进后的粒子群算法对终端设备发射功率,无人机中继候选部署位置,以及终端设备‑无人机中继‑信道关联关系进行优化,以实现系统总能耗最小化。本发明对标准粒子群算法进行了改进,更适用于该最优化问题的求解,提高了算法的执行效率。

    一种基于领域词典的中文农业命名实体识别方法

    公开(公告)号:CN115017907A

    公开(公告)日:2022-09-06

    申请号:CN202210650342.2

    申请日:2022-06-09

    Abstract: 本发明提供了一种基于领域词典的中文农业命名实体识别方法,包括:步骤一,原始中文农业文本标注;步骤二,原始中文农业文本向量化;步骤三,农业领域词集构建;步骤四,农业领域词典构建;步骤五,字符向量加强;步骤六,序列编码;步骤七,序列编码增强;步骤八,利用CRF对序列编码增强结果进行解码处理,预测出每个字符对应的标签,从而实现中文农业命名实体识别。本发明对分词工具进行加强后构造农业领域词典,并通过字符向量加强层,将词汇信息融入字符向量中,可以让模型充分利用字符信息与词汇信息,此外本发明基于通道注意力机制提出序列编码增强模块,进一步提高模型的特征提取能力。

    一种基于SRTM的坡长提取方法

    公开(公告)号:CN111177917B

    公开(公告)日:2021-11-02

    申请号:CN201911365426.6

    申请日:2019-12-26

    Abstract: 本发明提出了一种基于SRTM的坡长提取方法,通过建立地理坐标下栅格模型,从该模型中直接推导出SRTM栅格边长的计算方式。计算坡长时考虑坡度截断、河网截断影响,使结果尽可能符合实际情况,最后使用正反遍历计算SRTM的累计坡长。与传统方法相比,本方法不再经过投影坐标变换,从而提高坡长的提取效率;同时也能保证原始数据的精度不下降,坡长提取结果相对精确,坡长结果与现有的DEM计算结果对比显示,坡长差值范围集中,具有规律性。

    一种基于位置的层次化动态模拟方法

    公开(公告)号:CN109118561B

    公开(公告)日:2020-10-16

    申请号:CN201810821225.1

    申请日:2018-07-24

    Abstract: 本发明公开了基于位置的层次化动态模拟方法,涉及计算机图形学技术领域,该方法包括:创建一副布料网格,构造网格的特征信息并保存;根据网格的特征信息构造属于该网格的网格层次化系统;对布料模拟环境进行设置;根据基于位置的动态模拟方法PBD,结合网格层次化系统和布料模拟环境进行收敛加速。本发明的方法相对现有技术来说更加简单明了,不但在模拟效果上得到了提升,并且在收敛速度上也有很大提升。

    一种基于SRTM数据的坡度提取方法

    公开(公告)号:CN110990780A

    公开(公告)日:2020-04-10

    申请号:CN201911036530.0

    申请日:2019-10-29

    Abstract: 本发明提供了一种基于SRTM数据的坡度提取方法,该方法按照以下步骤进行:步骤一,读取数据;步骤二,无值点和洼地填充;步骤三,遍历二维数组,计算坡度值:对经过无值点和洼地填充的SRTM高程数据遍历二维数组,根据最陡坡降法确定坡度值:周围某个栅格与当前栅格所成角度angle=deg·arctan((DC-DO)/CellStep);将周围8个栅格计算出的angle最大值确定为当前栅格的坡度值。本发明的方法直接对原始的SRTM数据进行分析,计算出坡度值,这样提取坡度的效率更高。将计算得到的坡度结果进行投影转换,与平面坐标下的DEM数据得到的坡度结果99%以上误差在0.5°以内,本算法计算结果可接受。

    一种基于射线原理的三维点云数据精简算法

    公开(公告)号:CN104794747A

    公开(公告)日:2015-07-22

    申请号:CN201410360056.8

    申请日:2014-07-24

    Abstract: 本发明涉及一种基于射线原理的三维点云数据精简算法,本发明首先假设由三维点云模型的中心位置点向各个方向均匀产生射线,使得射线充满整个三维空间,对于该空间中的点云模型,若模型中某点与其最近射线的距离小于一个给定的阈值,该点则被视为需要被精简的点,容易得知:射线越密集、阈值越大,三维点云模型中的数据点就越容易被精简,因此可以通过控制射线的数量及其他阈值,以达到不同程度的精简效果。本发明提出了一种不基于曲率计算的三维点云数据精简算法,在一定的精简程度范围内,该算法具有良好的精简效果及效率。

    一种基于射线原理的带边界保留的云数据精简算法

    公开(公告)号:CN104361625A

    公开(公告)日:2015-02-18

    申请号:CN201410360076.5

    申请日:2014-07-24

    CPC classification number: G06T17/00 G06T2210/56

    Abstract: 本发明涉及一种基于射线原理的带边界保留的云数据精简算法,本发明首先假设由三维点云模型的中心位置点向各个方向均匀产生射线,使得射线充满整个三维空间,对于该空间中的点云模型,若模型中某点与其最近射线的距离小于一个给定的阈值,该点则被视为需要被精简的点,容易得知:射线越密集、阈值越大,三维点云模型中的数据点就越容易被精简,因此可以通过控制射线的数量及其他阈值,以达到不同程度的精简效果。为了有效的保持模型的完整性,本发明提出一种边界保留方法。本发明提出的一种不基于曲率计算的三维点云数据精简算法,在一定的精简程度范围内,该算法具有良好的精简效果及效率且能很好的保持模型的边界特征。

    一种基于深度学习语义分割的流域划分方法

    公开(公告)号:CN116883651B

    公开(公告)日:2025-03-28

    申请号:CN202310667361.0

    申请日:2023-06-06

    Abstract: 本发明提供了一种基于深度学习语义分割的流域划分方法,其通过采集预设数量的不同地貌类型的流域图像数据样本,并进行预处理得到多个预设尺寸的子图像样本,标注后得到多个流域图像标注样本;通过将多个子图像样本和对应的子图像标注样本划分为训练集和验证集,建立深度学习语义分割模型;分别利用训练集训练深度学习语义分割模型的各变量值和利用验证集验证深度学习语义分割模型的Accuracy,MPA和FwIou准确度,得到最佳的深度学习语义分割模型;采集不同地貌类型的待检测图像数据,并进行预处理得到多个预设尺寸的待测子图像,待测子图像利用最佳的深度学习语义分割模型预测得到对应流域划分预测图像。

Patent Agency Ranking