-
公开(公告)号：CN114202690A
公开(公告)日：2022-03-18
申请号：CN202111498048.6
申请日：2021-12-09
Applicant: 东北林业大学
Abstract: 本发明公开了以混合多层感知器为基础的多尺度网络分析方法，包括：MSC块和UMLP块；本发明实现了高效率的高光谱分类方法超过了以往的方法、其模型大小仅为0.185M，能很好的适用于工业的需求、能很好的将此方法应用于高光谱领域，监控森林变迁和对森林灾情如火灾等进行及时的预警作用。
-
公开(公告)号：CN112926452A
公开(公告)日：2021-06-08
申请号：CN202110212923.3
申请日：2021-02-25
Applicant: 东北林业大学
Abstract: 本发明提出一种基于GCN和GRU增强U‑Net特征的高光谱分类方法，所述方法为解决高光谱波段数据之间的类内高变异性和类间的相似性提供了新的解决方案。针对传统模型忽略特征之间所存在的潜在关系，提出使用图神经网络(GCN)和门控循环单元(GRU)获取U‑Net下采样特征之间的潜在关系，同时注意力机制用于根据上下文特征的重要程度学习得到新的特征。该方法将下采样得到的较混乱的特征转化为高内聚低耦合的特征，为下游的任务提供干净可靠的数据。同时该方法在小样本高光谱上只需要迭代很少次就能取得十分优异的结果。
-
公开(公告)号：CN105182909A
公开(公告)日：2015-12-23
申请号：CN201510654559.0
申请日：2015-10-10
Applicant: 东北林业大学
IPC: G05B19/404
CPC classification number: G05B19/404
Abstract: 本发明提供了用于连续平压群集控制系统的误差识别方法和装置，该误差识别方法包括：检测连续平压群集控制系统的误差信息；根据检测到的误差信息，确定连续平压群集控制系统的误差等级数串；通过对误差等级数串进行海明编码，获得编码后的误差海明码，以识别该群集控制系统中出现误差的道次。误差识别装置能够执行上述误差识别方法的处理。本发明的上述技术能够实现更为准确的误差识别，在误差识别过程中仅利用固定位数的误差状态字编码位即可实现一定范围内可变数目的误差等级的识别，而不需要改变传输及计算所需的硬件单元的数据线宽度。
-
公开(公告)号：CN103260229A
公开(公告)日：2013-08-21
申请号：CN201310216413.9
申请日：2013-06-04
Applicant: 东北林业大学
CPC classification number: Y02D70/00
Abstract: 基于预测和反馈的无线传感器网络MAC协议，属于无线传感器网络技术。为了解决目前基于竞争的无线传感器网络MAC协议造成网络的整体服务质量大幅度降低的问题。它是基于预测和反馈的退避方法实现的，即发送节点在退避阶段对信道的忙闲状况进行记录，进而合理地推测整个网络的拥塞程度，成功发送数据分组后自适应地改变竞争窗口值以适应当前网络负载状况。并采用自适应调整占空比的方法，传感器节点在发送数据分组时对其发送的分组个数进行记录，在一个同步周期结束后计算出该周期内数据分组发送速率并自适应调整占空比。它适用于网络流量负载变化的无线传感器网络中。
-
公开(公告)号：CN114581721B
公开(公告)日：2025-04-25
申请号：CN202210255660.9
申请日：2022-03-15
Applicant: 东北林业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于二值神经网络的多光谱图像轻量化分类方法，包括以下步骤：步骤S1：对MobileNetV1进行修改，将原网络中3*3的深度卷积和1*1的逐点卷积分别用1‑bit 3*3和1‑bit 1*1的卷积进行替换；步骤S2：激活和权重会通过sign函数进行二值量化；步骤S3：提出在这些实数值被二值化之前添加一个shortcut来传递这些实数值，保留信息，提高网络的表达能力；步骤S4：由于二值神经网络对激活分布较为敏感，我们提出利用RPReLU函数来移动激活分布；解决了传统多光谱分类模型分类精度较低结果误差较大，现有的基于深度学习的多光谱分类模型因其巨大的运算量以及数据存储需求，不能满足工业的实时性要求的问题。
-
Patent Agency Ranking
公开(公告)号：CN117218535B
公开(公告)日：2024-05-14
申请号：CN202311173891.6
申请日：2023-09-12
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
Abstract: 一种基于SFA的长期森林覆盖变化检测方法，属于森林检测技术领域。方法如下：采集A1、A2时期被检测森林区域实时遥感图像并划分为多个栅格后进行存储；计算每个栅格的植被指数；对对应的栅格的植被覆盖度进行融合；获得数据集并将数据集划分为训练集和测试集；构建神经网络模型；利用训练集对神经网络模型进行训练；利用测试集和训练好的神经网络模型，实现对A1至A2期间的森林覆盖变化的检测；重复上述步骤实现长期森林覆盖变化的检测。本发明运用SFA提取森林信息，解决了目前没有对植被缓慢变化特征进行检测的问题，提高了长期森林覆盖变化检测的准确度，有助于对森林进行有效及时的排查维护，从而保证了整个森林的安全。
-
公开(公告)号：CN117437547A
公开(公告)日：2024-01-23
申请号：CN202311610550.0
申请日：2023-11-28
Applicant: 东北林业大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种空间数据融合的遥感图像云检测方法，建立GS‑CDNet模型，包括：交错自注意力机制模块、双向多尺度特征融合模块、解码器和云边界提取模块。设计多级监督的双层损失函数，加载模型并进行图像预测，对预测结果进行展示。本发明的优点是：提高了检测精度，降低了遥感数据的局限性，提高云检测的准确性和鲁棒性，提高遥感数据的价值和利用效果。
-
公开(公告)号：CN114866557B
公开(公告)日：2024-01-23
申请号：CN202210486575.3
申请日：2022-05-06
Applicant: 东北林业大学
IPC: H04L67/1023 , H04L67/1008 , H04L67/101 , H04L67/1012 , H04L67/12 , H04W4/44 , H04W4/46 , G06Q40/04 , G06F16/27 , G06Q20/06
Abstract: 略，降低算法运行的时间成本。本发明公开了一种移动边缘计算与V2V融合网络下的计算资源共享平台和方法，平台包括：包括：边缘层和设备层，边缘层与设备层通过无线数据链路连接。边缘层包括：本地基站LBS、边缘服务器，LBS接收CRR与CRP的车辆信息并提供网络协助来触发智能合约的执行，边缘服务器来处理LBS所覆盖的车辆的数据记录；设备层包括：计算资源请求者CRR和计算资源提供者CRP，CRR向LBS发送资源请求信息，有空闲资源的CRP向LBS发送车辆信息，最终按智能合约进行交易，CRP为CRR提供计算资源，CRR向CRP支付费用。本(56)对比文件张海波;栾秋季;朱江;贺晓帆.基于移动边缘计算的V2X任务卸载方案.电子与信息学报.2018,(11),全文.
-
公开(公告)号：CN117349635A
公开(公告)日：2024-01-05
申请号：CN202311209346.8
申请日：2023-09-19
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
Abstract: 一种长时序森林覆盖变化监测模型评价方法，属于森林监测技术领域。方法如下：S1：构建A1时期的被监测森林的参考模型；S2：构建A2时期的被监测森林的对照模型；S3：将对照模型与参考模型进行对比得到对照集；S4：训练网络监测模型；S5：将对照集的数据输入训练好的网络监测模型中，得到森林覆盖变化监测模型的长时序预测结果。本发明通过构建两个不同时期的可用于进行对照的参考模型以及对照模型，得到森林覆盖变化监测模型的长时序预测结果。
-
公开(公告)号：CN117036889A
公开(公告)日：2023-11-10
申请号：CN202311055805.1
申请日：2023-08-22
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
IPC: G06V10/80
Abstract: 本发明公开了一种基于MLP的遥感影像融合方法，所述方法包括如下步骤：一、将500m空间分辨率的MODIS多光谱影像重采样到480m，以匹配空谱融合后影像的分辨率；二、将t1、t2、t3三个时刻的粗分辨率影像以及t1、t3两个时刻的细分辨率影像作为输入，t2时刻的细分辨率影像作为融合后的输出影像；三、计算StfNet‑MLP时空融合模型所需粗差值影像C12、C23和C13；四、从C12、C23和C13以及F1和F3中预测出细差值影像F12和F23；五、在combination模块中采用自适应局部加权策略重构出t2时刻的细分辨率影像F2_pre。本发明能够避免单一遥感影像的片面性，从而为森林监测的长时序研究提供重要的数据基础。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.037 seconds)
