一种基于神经网络与集成学习的水下地形提取方法

    公开(公告)号:CN114926727B

    公开(公告)日:2025-05-06

    申请号:CN202210391456.X

    申请日:2022-04-14

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于神经网络与集成学习的水下地形提取方法,该方法包括以下步骤:采用数字图像处理技术并结合目视解译辅助的方式,对遥感影像数据集进行预处理,并将预处理后的遥感影像和训练样本作为输入数据集;构建基于BP神经网络算法的子学习器,对BP神经网络算法进行训练,并利用训练好的神经网络模型对若干水深反演结果进行生成;基于最小离群度方法确定集成策略;将整个研究区的水深反演结果集进行集成,并对集成后的水下地形图进行精度评估。实现高精度浅海水下地形;通过神经网络与集成学习算法的结合,解决了传统BP神经网络算法在水深反演过程中的鲁棒性较差问题,进一步提升了水深反演精度和可靠性。

    一种海上交通风险评估方法

    公开(公告)号:CN111401702B

    公开(公告)日:2023-06-02

    申请号:CN202010150608.8

    申请日:2020-03-06

    Applicant: 南京大学

    Abstract: 本发明涉及一种海上交通风险评估方法,包括以下步骤:第一步、海上交通风险评估指标体系构建,指标体系包括三个风险组分:1)、危险性;2)、脆弱和暴露性;3)、缓解能力;第二步、评估指标空间数据库建立;第三步、评估指标权重计算——计算各风险组分指标权重;第四步、组分加权图生成;第五步、海上交通风险评估——计算海上交通风险指数,并进一步分为5级:非常高、高、中、低、非常低。本发明分析了海上交通风险的内在驱动因素,增加了海上交通风险的透明性,为降低海上事故的可能提供重要技术支持。本发明中地理空间技术、多准则决策、风险指数的结合提供了一个科学的海上交通风险评估方法,克服了海上交通风险工具的不足。

    一种海上交通风险评估方法

    公开(公告)号:CN111401702A

    公开(公告)日:2020-07-10

    申请号:CN202010150608.8

    申请日:2020-03-06

    Applicant: 南京大学

    Abstract: 本发明涉及一种海上交通风险评估方法,包括以下步骤:第一步、海上交通风险评估指标体系构建,指标体系包括三个风险组分:1)、危险性;2)、脆弱和暴露性;3)、缓解能力;第二步、评估指标空间数据库建立;第三步、评估指标权重计算——计算各风险组分指标权重;第四步、组分加权图生成;第五步、海上交通风险评估——计算海上交通风险指数,并进一步分为5级:非常高、高、中、低、非常低。本发明分析了海上交通风险的内在驱动因素,增加了海上交通风险的透明性,为降低海上事故的可能提供重要技术支持。本发明中地理空间技术、多准则决策、风险指数的结合提供了一个科学的海上交通风险评估方法,克服了海上交通风险工具的不足。

    一种面向海上漂移轨迹预测的数据与模型耦合分析方法

    公开(公告)号:CN112115598B

    公开(公告)日:2024-05-14

    申请号:CN202010941034.6

    申请日:2020-09-09

    Applicant: 南京大学

    Abstract: 本发明涉及一种面向海上漂移轨迹预测的数据与模型耦合分析方法,步骤包括:实测漂移轨迹数据收集与海洋环境数据准备、漂移轨迹预测数值模拟实验、不同海洋环境数据集时空分析、多维度漂移轨迹预测精度评价、精度评价结果统计分析、基于预测轨迹与实测轨迹的FSLE分析、多因素敏感度分析和环境数据与预测模型在区域的适用性评估。本发明提升了漂移轨迹预测中环境数据与物理模型耦合分析评价能力,有助于推动不同模式数据在漂移轨迹预测领域的应用并指导进一步区域数据精化工作。本发明提出了分析评价方法可以较为全面的验证相关预测模式在区域的真实表现,有助于提升轨迹预测的整体可靠性。

    一种基于神经网络与集成学习的水下地形提取方法

    公开(公告)号:CN114926727A

    公开(公告)日:2022-08-19

    申请号:CN202210391456.X

    申请日:2022-04-14

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于神经网络与集成学习的水下地形提取方法,该方法包括以下步骤:采用数字图像处理技术并结合目视解译辅助的方式,对遥感影像数据集进行预处理,并将预处理后的遥感影像和训练样本作为输入数据集;构建基于BP神经网络算法的子学习器,对BP神经网络算法进行训练,并利用训练好的神经网络模型对若干水深反演结果进行生成;基于最小离群度方法确定集成策略;将整个研究区的水深反演结果集进行集成,并对集成后的水下地形图进行精度评估。实现高精度浅海水下地形;通过神经网络与集成学习算法的结合,解决了传统BP神经网络算法在水深反演过程中的鲁棒性较差问题,进一步提升了水深反演精度和可靠性。

    一种面向海上漂移轨迹预测的数据与模型耦合分析方法

    公开(公告)号:CN112115598A

    公开(公告)日:2020-12-22

    申请号:CN202010941034.6

    申请日:2020-09-09

    Applicant: 南京大学

    Abstract: 本发明涉及一种面向海上漂移轨迹预测的数据与模型耦合分析方法,步骤包括:实测漂移轨迹数据收集与海洋环境数据准备、漂移轨迹预测数值模拟实验、不同海洋环境数据集时空分析、多维度漂移轨迹预测精度评价、精度评价结果统计分析、基于预测轨迹与实测轨迹的FSLE分析、多因素敏感度分析和环境数据与预测模型在区域的适用性评估。本发明提升了漂移轨迹预测中环境数据与物理模型耦合分析评价能力,有助于推动不同模式数据在漂移轨迹预测领域的应用并指导进一步区域数据精化工作。本发明提出了分析评价方法可以较为全面的验证相关预测模式在区域的真实表现,有助于提升轨迹预测的整体可靠性。

Patent Agency Ranking