-
公开(公告)号：CN118311571B
公开(公告)日：2024-08-30
申请号：CN202410733282.X
申请日：2024-06-07
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明属于海洋遥感探测领域，公开了一种非相参雷达海杂波图像相位平均反演方法及系统，该方法包括雷达反演部分和随船波浪测量部分；雷达反演部分中，从雷达的海杂波图像实现海浪有义波高参数的测量，包括图像预处理、三维傅里叶变换、图像滤波、经验调制传递以及海浪参数计算；随船波浪测量部分中，根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，再利用域内海浪有义波高信息对雷达测量的有义波高进行修正。本发明基于船舶运动数据修正的非相参雷达海杂波图像相位平均反演方法，相较于传统雷达反演方法，通过将随船运动数据替代浮标标定，可以采集任意航行区域数据，数据充足；随船测量，位置灵活，大大提高了适用性。
-
公开(公告)号：CN118228009B
公开(公告)日：2024-08-06
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
公开(公告)号：CN117909666B
公开(公告)日：2024-07-02
申请号：CN202410308826.8
申请日：2024-03-19
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/15 , G06F18/214 , G06F18/25 , G06F30/27 , G06N3/0499 , G06Q10/04 , G06Q50/26 , G06F111/10
Abstract: 本发明属于海洋环境预测及修正技术领域，公开了一种融合数值模式及深度学习的海浪智能订正方法及系统。该方法获取任务海域环境数据，构建海浪数值模式计算模型，构建海浪智能订正数据集，构建人工智能海浪订正模型，融合数值模式及深度学习的海浪智能订正模型泛化性分析，利用所述模型对海域内某位置处的海浪数值模拟结果进行订正，并采用浮标实测结果对模型进行验证，以测试模型对海域波浪场的智能订正效果。本发明相较于传统海浪数值模式，本发明提出的海浪智能订正模型可以考虑模式不同方案设置带来的影响，显著提升了对海浪的预报精度及效率。本发明为实海域海浪预报提供了一种新颖有效的方法和策略。
-
公开(公告)号：CN118228009A
公开(公告)日：2024-06-21
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
公开(公告)号：CN117909666A
公开(公告)日：2024-04-19
申请号：CN202410308826.8
申请日：2024-03-19
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/15 , G06F18/214 , G06F18/25 , G06F30/27 , G06N3/0499 , G06Q10/04 , G06Q50/26 , G06F111/10
Abstract: 本发明属于海洋环境预测及修正技术领域，公开了一种融合数值模式及深度学习的海浪智能订正方法及系统。该方法获取任务海域环境数据，构建海浪数值模式计算模型，构建海浪智能订正数据集，构建人工智能海浪订正模型，融合数值模式及深度学习的海浪智能订正模型泛化性分析，利用所述模型对海域内某位置处的海浪数值模拟结果进行订正，并采用浮标实测结果对模型进行验证，以测试模型对海域波浪场的智能订正效果。本发明相较于传统海浪数值模式，本发明提出的海浪智能订正模型可以考虑模式不同方案设置带来的影响，显著提升了对海浪的预报精度及效率。本发明为实海域海浪预报提供了一种新颖有效的方法和策略。
-
Patent Agency Ranking
公开(公告)号：CN117556172A
公开(公告)日：2024-02-13
申请号：CN202410040741.6
申请日：2024-01-11
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F17/10
Abstract: 本发明涉及人工智能技术领域，提供一种船舶操纵运动预报模型构建方法及船舶操纵运动预报方法，船舶操纵运动预报模型构建方法包括：根据船舶运动规律构建多个核函数；根据多个核函数构建对应的运动模型；按照预设筛选标准对多个运动模型进行筛选，得到目标运动模型；按照预设权重和目标运动模型构建运动预报模型。本发明的有益效果：充分考虑了所有核函数的特性，使得运动预报模型在面对更多种船舶运动情况时具有更高的泛化性。按照预设筛选标准对多个运动模型进行筛选，实现自适应运动模型筛选，提升运动预报模型的构建效率。
-
公开(公告)号：CN117115786B
公开(公告)日：2024-01-26
申请号：CN202311368361.7
申请日：2023-10-23
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明涉及计算机视觉技术领域，具体而言，涉及一种联合分割跟踪的深度估计模型训练方法及使用方法。一种联合分割跟踪的深度估计模型训练方法，包括：获取连续的视频帧图像；通过目标分割网络和目标跟踪网络，得到视频帧图像的目标分割跟踪结果；将相邻的视频帧图像和各自对应的目标分割跟踪结果输入初始深度估计模型，输出当前视频帧的深度图；将相邻视频帧图像输入位姿估计网络，输出前相对位姿和后相对位姿；根据深度图、前相对位姿和后相对位姿，得到重建目标图像；根据当前视频帧图像和重建目标图像，基于重建损失函数，训练初始深度估计模型，得到训练好的深度估计模型。本发(56)对比文件US 2021398302 A1,2021.12.23US 2022215567 A1,2022.07.07WO 2022100843 A1,2022.05.19WO 2023045724 A1,2023.03.30蔡嘉诚 等.无监督单目深度估计研究综述.计算机科学.2023,全文.Ruan Xiaogang等.Monocular depthestimation based on deep learning:Asurvey.2020 Chinese automation congress(CAC).2021,全文.丁萌;姜欣言.先进驾驶辅助系统中基于单目视觉的场景深度估计方法.光学学报.2020,(第17期),全文.
-
公开(公告)号：CN117556172B
公开(公告)日：2024-04-19
申请号：CN202410040741.6
申请日：2024-01-11
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F17/10
Abstract: 本发明涉及人工智能技术领域，提供一种船舶操纵运动预报模型构建方法及船舶操纵运动预报方法，船舶操纵运动预报模型构建方法包括：根据船舶运动规律构建多个核函数；根据多个核函数构建对应的运动模型；按照预设筛选标准对多个运动模型进行筛选，得到目标运动模型；按照预设权重和目标运动模型构建运动预报模型。本发明的有益效果：充分考虑了所有核函数的特性，使得运动预报模型在面对更多种船舶运动情况时具有更高的泛化性。按照预设筛选标准对多个运动模型进行筛选，实现自适应运动模型筛选，提升运动预报模型的构建效率。
-
公开(公告)号：CN117115786A
公开(公告)日：2023-11-24
申请号：CN202311368361.7
申请日：2023-10-23
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明涉及计算机视觉技术领域，具体而言，涉及一种联合分割跟踪的深度估计模型训练方法及使用方法。一种联合分割跟踪的深度估计模型训练方法，包括：获取连续的视频帧图像；通过目标分割网络和目标跟踪网络，得到视频帧图像的目标分割跟踪结果；将相邻的视频帧图像和各自对应的目标分割跟踪结果输入初始深度估计模型，输出当前视频帧的深度图；将相邻视频帧图像输入位姿估计网络，输出前相对位姿和后相对位姿；根据深度图、前相对位姿和后相对位姿，得到重建目标图像；根据当前视频帧图像和重建目标图像，基于重建损失函数，训练初始深度估计模型，得到训练好的深度估计模型。本发明的技术方案可以有效地提高深度估计模型的深度预测的精度。
-
公开(公告)号：CN118311571A
公开(公告)日：2024-07-09
申请号：CN202410733282.X
申请日：2024-06-07
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明属于海洋遥感探测领域，公开了一种非相参雷达海杂波图像相位平均反演方法及系统，该方法包括雷达反演部分和随船波浪测量部分；雷达反演部分中，从雷达的海杂波图像实现海浪有义波高参数的测量，包括图像预处理、三维傅里叶变换、图像滤波、经验调制传递以及海浪参数计算；随船波浪测量部分中，根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，再利用域内海浪有义波高信息对雷达测量的有义波高进行修正。本发明基于船舶运动数据修正的非相参雷达海杂波图像相位平均反演方法，相较于传统雷达反演方法，通过将随船运动数据替代浮标标定，可以采集任意航行区域数据，数据充足；随船测量，位置灵活，大大提高了适用性。
-
-
-
-
-
-
-
-
-
Search Results
180
records
(took 0.071 seconds)
