-
公开(公告)号:CN119538708A
公开(公告)日:2025-02-28
申请号:CN202411461536.3
申请日:2024-10-18
Applicant: 三峡大学
IPC: G06F30/27 , G06N3/0499 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于KAN网络的Ia型超新星光谱参数快速反演方法,包括以下步骤,S1,数据预处理,生成仿真光谱数据,包括谱线以及参数并归一化;S2,使用python和pytorch框架搭建KAN网络模型;S3,设计损失函数;S4,训练模型,并测试阶段每个参数的误差;S5,训练过程中使用Adam优化器和StepLR调度器来进行学习率调整,优化模型;S6,将实测光谱经过高斯采样后输入训练好的KAN模型进行预测;S7结果分析,计算输出参数数据的标准差;通过使用KAN网络的深度学习技术,高效地从天体光谱中预测关键的物理和化学参数,解决了现有技术的计算量过大,无法高效得到精确的计算结果的问题,在提高计算效率和处理能力方面具有显著优势,适用于天文观测领域的光谱数据分析。
-
公开(公告)号:CN119757964A
公开(公告)日:2025-04-04
申请号:CN202411893203.8
申请日:2024-12-20
Applicant: 三峡大学
Abstract: 基于宽频阻抗谱的电缆多接头缺陷混合定位方法及装置,该方法包括:搭建测试平台,将被测电缆连接阻抗分析仪;选取合适的频段作为阻抗分析仪的工作频段以进行测量,并将宽频阻抗谱传输到上位机;对取得的宽频阻抗谱数据进行处理以得到定位谱图,由此能够得出缺陷及接头位置。混合定位装置包括:阻抗测量模块,用于获取在一定频段内的电缆首端阻抗数据;数据传输模块,当阻抗数据被检测到时,将阻抗测量模块得到的电缆首端阻抗数据传输到数据处理上位机;数据处理模块,通过对电缆首端阻抗数据进行处理得到定位谱图,并得到电缆接头和缺陷位置。本发明能够高效准确地定位出电缆的多个接头及缺陷的位置,实现电缆接头和缺陷的无损定位。
-
公开(公告)号:CN120070490A
公开(公告)日:2025-05-30
申请号:CN202510160946.2
申请日:2025-02-13
Applicant: 三峡大学
IPC: G06T7/20 , G06T7/11 , G06T7/136 , G06T5/10 , G06F17/18 , G06F17/15 , G06T7/13 , G06T7/60 , G06T7/66 , G06F18/2131 , G06F123/02
Abstract: 基于通量调制法的太阳较差自转的计算方法及系统,包括:对每天一张得到的太阳全日面图像进行灰度变换,然后提取太阳全日面图像的太阳圆盘;将提取后的太阳圆盘进行纬度带划分,计算每个纬度带紫外通量的平均值,得到每个纬度带的通量时间序列;对通量时间序列做去趋势处理;对通量时间序列做傅里叶变换,带通滤波去除其他非主要频率成分;将带通滤波之后的通量时间序列进行自相关函数计算,并设置滞后天数,得到自相关图像;最大自相关系数所对应的滞后天数即为主要的周期,取第一个峰采用高斯拟合得到自转周期;计算太阳各纬度带的恒星自转周期和自转速度;采用公式拟合得到太阳较差自转系数。本发明实现对太阳高纬度地区自转速度的准确计算。
-
公开(公告)号:CN117315329A
公开(公告)日:2023-12-29
申请号:CN202311124385.8
申请日:2023-09-01
Applicant: 三峡大学
IPC: G06V10/764 , G06V10/774 , G06V10/762
Abstract: 基于半监督深度学习的分子云团块证认方法,包括以下步骤:步骤1:获取分子云团块候选体;步骤2:基于分子云团块候选体训练SS‑3D‑Clump模型,输出分子云团块的概率值;步骤3:确定概率阈值,当输出的概率值超过概率阈值时,则认为该候选体为一个分子云团块;否则,该候选体不是分子云团块。本发明方法解决了传统监督学习中标记样本不足的问题,并使模型能够更好地适应新的、未标记的样本,在分子云团块的验证中实现高准确率。
-
公开(公告)号:CN117292172A
公开(公告)日:2023-12-26
申请号:CN202311124384.3
申请日:2023-09-01
Applicant: 三峡大学
IPC: G06V10/764 , G06V10/40 , G06V10/774
Abstract: 基于有监督深度学习的分子云致密结构证认方法,首先使用检测算法提取出致密结构候选体,通过人工证认制作数据标签,对所有输入模型中的样本数据进行预处理;然后,训练MCVnet模型提取分子云致密结构候选体的特征,经验证后可以用于证认其他数据,取代人工证认;接着,将训练好的MCVnet模型对新的致密结构候选体数据进行证认,获得每个候选者是真实致密结构的概率;最后,利用所有新的致密结构的置信度分布制定类别划分规则,给出最终分类的结果。本发明基于有监督深度学习的分子云致密结构证认方法,该方法能够自动提取分子云致密结构的特征,在检测算法取不同参数下与人工证认的匹配度都比较高,能够代替人工证认,并且与检测算法结合可以提高检测精度。
-
公开(公告)号:CN114724018B
公开(公告)日:2024-11-29
申请号:CN202210134770.X
申请日:2022-02-14
Applicant: 三峡大学
IPC: G06V20/00 , G06V10/26 , G06V10/28 , G06V10/762
Abstract: 基于Facet的分子云核检测方法,包括以下步骤:步骤1:构建分子云核模型;步骤2:对原始数据进行基于形态学的预处理,提取信号区域;步骤3:对信号区域进行基于多元函数极大值理论和Facet模型的分子云核中心检测;步骤4:对信号区域进行基于梯度的分割,获得局部区域;步骤5:基于连通性的最小距离聚类,将局部区域分配到分子云核的中心。本发明一种基于Facet的分子云核检测方法,该方法抗噪能力较强,对参数的依赖较小,目标检测的综合效果更优,检测的分子云核更符合目前对恒星形成的认识。
-
公开(公告)号:CN118799626A
公开(公告)日:2024-10-18
申请号:CN202410779653.8
申请日:2024-06-17
Applicant: 三峡大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 基于Bi‑LSTM模型的电缆缺陷类型分类方法,根据电缆不同缺陷类型导致的传输特性,将电缆缺陷类型分为经过渡电阻接地、开路故障、短路故障以及阻抗增大和阻抗减小共缺陷类型,通过传输线模型计算得到电缆五类缺陷的宽频阻抗谱Zdi(f)。经过傅里叶逆变换处理,得到五种缺陷类型的样本定位谱Zdi(x)的数据库。将阻抗增大、阻抗减小这两种缺陷类型的数据合并为阻抗变化类,建立Bi‑LSTM模型并验证对该四类缺陷类型的识别效果。若识别到缺陷类型为阻抗变化类,依据初始计算的宽频阻抗谱Zdj(f)与正常电缆的宽频阻抗谱Z0(f)进行比较,观察其偏移方向,从而实现阻抗变化类的二次分类;若为剩余三类,直接实现缺陷类型的识别。该方法能够高效地实现电缆最常见五种缺陷类型的识别。
-
公开(公告)号:CN116129159A
公开(公告)日:2023-05-16
申请号:CN202211595819.8
申请日:2022-12-13
Applicant: 三峡大学
IPC: G06V10/762 , G06V10/26 , G06F17/11 , G06V10/25 , G01S13/86
Abstract: 基于局部密度聚类的雷达目标散射中心区域分割方法,首先,对原始雷达图像进行Frost滤波实现图像全局噪声抑制;其次,基于水平集方法对Frost滤波后的图像进行图像分割,初步获取疑似目标感兴趣区域;然后,采用面积滤波提取最大连通域,得到目标感兴趣区域;最后,利用局部密度聚类算法检测散射中心并进行区域分割。本发明基于局部密度聚类的雷达目标散射中心区域分割方法的正确率较高,可以有效改善实际情况中SAR图像很难具有足够高的分辨率,导致传统图像分割算法很难分割出只包含一个散射中心的区域的技术问题。
-
公开(公告)号:CN114724018A
公开(公告)日:2022-07-08
申请号:CN202210134770.X
申请日:2022-02-14
Applicant: 三峡大学
IPC: G06V20/00 , G06V10/26 , G06V10/28 , G06V10/762
Abstract: 基于Facet的分子云核检测方法,包括以下步骤:步骤1:构建分子云核模型;步骤2:对原始数据进行基于形态学的预处理,提取信号区域;步骤3:对信号区域进行基于多元函数极大值理论和Facet模型的分子云核中心检测;步骤4:对信号区域进行基于梯度的分割,获得局部区域;步骤5:基于连通性的最小距离聚类,将局部区域分配到分子云核的中心。本发明一种基于Facet的分子云核检测方法,该方法抗噪能力较强,对参数的依赖较小,目标检测的综合效果更优,检测的分子云核更符合目前对恒星形成的认识。
-
公开(公告)号:CN114359690A
公开(公告)日:2022-04-15
申请号:CN202111495492.2
申请日:2021-12-08
Applicant: 三峡大学
IPC: G06V20/00 , G06V10/44 , G06V10/762 , G06K9/62
Abstract: 基于局部密度聚类的分子云核检测方法,首先计算每个数据点的三个特征:局部密度、距离和梯度;基于局部密度和距离确定聚类中心,然后以聚类中心开始聚类,在得到聚类结果之后利用梯度进一步确定边界;进而根据每个聚类结果的成员个数最终确定聚类的个数;最后利用多高斯模型计算聚类结果的参数。本发明一种基于局部密度聚类的分子云核检测方法,可以在不同信噪比下保持较高的分子云核检测精度,得到可靠的分子云核的物理参数。
-
-
-
-
-
-
-
-
-