-
公开(公告)号：CN112419190B
公开(公告)日：2023-06-20
申请号：CN202011325028.4
申请日：2020-11-24
Applicant: 海南大学
Abstract: 本发明提供一种基于局部统计信息和几何距离的脉冲噪声滤波方法，所述方法具体包括以下步骤：S1：对待测图像的所有噪声像素进行滤波处理，获得滤波后的图像；S2：判断滤波后的图像是否符合判断规则，若不符合则重新获取滤波后的图像。通过以上的步骤可以对噪声像素的图像进行滤波去噪，得到更加干净的像素。
-
公开(公告)号：CN114503946A
公开(公告)日：2022-05-17
申请号：CN202210077627.1
申请日：2022-01-24
Applicant: 海南大学
Abstract: 本发明公开基于高帧率动态帧差精准识别的渔场投喂系统及方法，该方法包括如下步骤：启动驱动装置，使饵料投喂标识物绕驱动装置做圆周运动；获取饵料投喂标识物运动状态下的的高帧率视频流数据；基于高帧率动态帧差算法对高帧率视频流数据进行分析处理，预测饵料投喂标识物的位置；根据预测的饵料投喂标识物的位置，计算投喂模块的投喂角度、距离以及时间；根据计算获得的投喂模块的投喂角度、距离以及时间向饵料投喂标识物下方的网状饵料箱投喂饵料。本发明通过饵料投喂装置对渔场运动投喂标识物的精准识别和跟随，实现了渔场的智能化圆周状的投喂饵料，有效的降低了水产养殖户的人力物力成本的同时确保大范围投喂的实现。
-
公开(公告)号：CN114266795A
公开(公告)日：2022-04-01
申请号：CN202111083141.0
申请日：2021-09-15
Applicant: 海南大学
Abstract: 本发明提供一种基于金字塔池化U型网络的遥感图像海陆分割方法，包括下列步骤：获取高分遥感图像，对所述高分遥感图像进行裁剪，并绘制相对应的海陆分割真值图；将裁剪后的高分遥感图像依次进行分块以及图像刚性变换，并基于变换结果划分训练集以及测试集；建立金字塔U型卷积神经网络，将训练集输入金字塔U型卷积神经网络进行学习训练获得高分遥感影像海陆分割模型；将所述测试集中的数据输入金字塔U型卷积神经网络中，得到遥感图像海陆分割结果。
-
公开(公告)号：CN113920043A
公开(公告)日：2022-01-11
申请号：CN202111156702.5
申请日：2021-09-30
Applicant: 海南大学
Abstract: 本发明提供一种基于残差通道注意力机制的双流遥感图像融合方法，卷积神经网络分别从全色图像和低分辨率的多光谱遥感图像中提取特征，然后将它们融合形成紧凑的特征图，然后构建残差注意力网络，残差注意力网络使用注意力机制通过对特征通道之间的相互依赖关系进行建模，自适应地调整每个通道的特征，从而能够专注于更有用的通道，提高识别学习能力残差注意力网络采用多残差连接，其中长残差连接允许浅层的残差学习，长残差连接和短残差连接允许大量浅层信息通过这些基于身份的跳连接，简化了信息的流动，最终经过反卷积层以及卷积层重构后，能够生成高质量遥感图像，对遥感图像融合领域具有重要意义。
-
公开(公告)号：CN113642429A
公开(公告)日：2021-11-12
申请号：CN202110865502.0
申请日：2021-07-29
Applicant: 海南大学
Abstract: 本发明提供一种基于TPP‑TCCNN的海洋鱼类识别方法，包括下列步骤：采集包含多种鱼类的原始视频，将所述原始视频划分为训练集以及测试集，并对所述训练集的鱼类视频信息进行预处理；对预处理后的鱼类视频信息进行特征提取，获取光流图像；建立双通道卷积神经网络，以光流图像以及RGB图像输入带有金字塔池化层的双通道卷积神经网络中进行训练，获得输出特征，所述RGB图像中所包含的鱼类信息与所述原始视频中的一致；通过softmax分类模型对所述输出特征进行分类训练；将测试集中的鱼类视频信息输入到最终的softmax分类模型中，得到鱼类分类结果。
-
Patent Agency Ranking
公开(公告)号：CN111651613B
公开(公告)日：2021-07-27
申请号：CN202010649393.4
申请日：2020-07-08
Applicant: 海南大学
Abstract: 本发明公开了一种基于知识图谱嵌入的动态推荐方法和系统。该方法包括步骤：接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；其中更新所述知识图谱是采用结合图卷积神经网络与ANALOGY模型的动态知识图谱嵌入方法。本发明能够减少知识图谱的冗余学习过程，使用户每次数据更新或者有了新的倾向与喜好时，能够迅速地更新整个知识图谱，大大提高整个动态推荐的可靠性与稳定性。
-
公开(公告)号：CN107743074B
公开(公告)日：2021-03-16
申请号：CN201710966809.3
申请日：2017-10-17
Applicant: 海南大学
Abstract: 本发明涉及一种组合服务的信任度估算方法，包括步骤：选择所需的子服务；获取选择的各个子服务的QoS，确定各个子服务的静态信任度；获取各个子服务的历史交互数据，确定各个子服务的动态信任度；确定各个子服务的静态权重和动态权重，确定各个子服务的信任度；根据欲建立的组合服务的功能，确定组合服务中子服务的组合方式、子服务顺序、权重，再结合各个子服务的信任度，确定组合服务的信任度。本发明方法在确定组合服务的信任度过程中，既考虑了子服务的静态信任度，又考虑了子服务的动态信任度，还考虑了组合方式及各子服务的顺序和权重，因此，通过本发明方法确定的组合服务的信任度可靠性高。
-
公开(公告)号：CN111753215A
公开(公告)日：2020-10-09
申请号：CN202010596428.2
申请日：2020-06-28
Applicant: 海南大学
IPC: G06F16/9536 , G06F16/958 , G06K9/62
Abstract: 本发明提供一种多目标推荐优化方法及可读介质，该方法包括：根据待推荐项目数量和推荐项目个数初始化多个决策向量族，构建关于决策向量族的第一目标函数、第二目标函数、第三目标函数和第四目标函数，第一目标函数用于计算决策向量的准确性，第二目标函数用于计算决策向量的多样性，第三目标函数用于计算决策向量的新颖性，第四目标函数用于计算决策向量的覆盖率，根据第一目标函数、第二目标函数、第三目标函数和第四目标函数构建关于决策向量族的最终目标函数，将决策向量代入最终目标函数中获得目标函数向量，通过比较目标函数向量获得非支配解集合，根据非支配解集合生成待推荐项目的推荐方案，根据推荐方案向目标用户进行项目推荐。
-
公开(公告)号：CN111625722A
公开(公告)日：2020-09-04
申请号：CN202010463319.3
申请日：2020-05-27
Applicant: 海南大学
IPC: G06F16/9535 , G06F16/9537 , G06F40/242 , G06F40/247 , G06F11/34 , G06K9/62 , G06Q10/10
Abstract: 本发明公开了一种基于深度学习的人才推荐方法、系统及存储介质。该方法包括步骤：读取训练集中的用户日志样本并进行解析，获得多组关联数据样本和人才查看数据样本，关联数据为预先定义的对人才查看行为具有影响的数据；将关联数据样本封装成对象样本，获得对象样本序列；从人才查看数据样本中提取特征序列样本，特征序列为预先定义的区别不同人才的属性序列；将多组特征序列样本作为标签对对象样本序列进行标注，获得标注样本序列；将对象样本序列和标注样本序列输入到人才推荐模型进行训练。本发明能够基于用户的操作习惯、位置信息等对用户查看行为具有影响的关联数据，实现个性化推荐。
-
公开(公告)号：CN107239993A
公开(公告)日：2017-10-10
申请号：CN201710374192.6
申请日：2017-05-24
Applicant: 海南大学
IPC: G06Q30/06
Abstract: 本发明公开了一种基于拓展标签的矩阵分解推荐方法，包括：基于物品标签数据构建物品‑标签矩阵并计算标签相似度；基于物品‑标签矩阵构建第一物品对‑标签向量；根据标签相似度将第一物品对‑标签向量拓展为第二物品对‑标签向量；基于第二物品对‑标签向量建立物品相似度矩阵；基于物品相似度矩阵和预先构建的物品评分矩阵，求解用户隐含特征矩阵和物品隐含特征矩阵；预测用户对未评分物品的评分分值；构建针对用户的物品推荐列表。同时，本发明还公开了一种基于拓展标签的矩阵分解推荐系统。本发明能够在标签稀疏的情况下为用户提供更准确的个性化推荐，在一定程度上缓解了物品的冷启动问题。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.035 seconds)
