-
公开(公告)号：CN112950492B
公开(公告)日：2022-04-29
申请号：CN202110117113.X
申请日：2021-01-28
Applicant: 中国石油大学(华东)
IPC: G06T5/00 , G06V10/762 , G06V10/764 , G06K9/62
Abstract: 本发明公开基于自适应各向异性扩散的全极化SAR图像去噪方法，包括：S1、获取全极化SAR数据，并提取全极化SAR数据的协方差矩阵；S2、基于协方差矩阵提取极化散射熵；S3、基于极化散射熵进行梯度自适应滤波窗口的选择；S4、对协方差矩阵进行Freeman‑Durden分解，得到全极化SAR数据中各像素的布拉格散射、二次散射、体散射的功率；S5、基于各像素的布拉格散射、二次散射、体散射的功率，进行地物散射标记图的提取；S6、基于梯度自适应滤波窗口、地物散射标记图，采用散射机制的自适应各向异性扩散方法对全极化SAR图像去噪。本发明能够在抑制图像噪声的同时，充分地保留原始全极化SAR图像中的极化信息。
-
公开(公告)号：CN112926397B
公开(公告)日：2022-03-01
申请号：CN202110117101.7
申请日：2021-01-28
Applicant: 中国石油大学(华东)
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V20/05 , G06K9/62
Abstract: 本发明公开一种基于两轮投票策略集成学习的SAR图像海冰类型分类方法，包括：对SAR海冰图像进行特征提取，得到优选纹理特征；采用原始极化特征和优选纹理特征融合形成的海冰特征图像，对基分类器进行选择训练和权重优化，得到类别得分矩阵和第一轮权重投票的分类结果；根据类别得分矩阵与预定义阈值参数将所有像素划分为模糊性标签像素集和确定性标签像素集，使用第一轮权重投票结果对确定性标签像素的分类结果进行确定；对模糊性标签像素进行第二轮权重投票纠正，完成初始集成分类结果中所有模糊性标签像素的更新，得到最终的海冰分类结果。采用本发明的技术方案，以解决现有海冰分类方法未能优化选取SAR图像海冰特征以及分类方法落后的问题。
-
公开(公告)号：CN113157990A
公开(公告)日：2021-07-23
申请号：CN202110459674.8
申请日：2021-04-27
Applicant: 中国石油大学(华东)
IPC: G06F16/904 , G06F16/906
Abstract: 本发明涉及海洋科学技术领域，具体涉及一种Cesium引擎下基于聚类算法的海洋标量可视化方法及系统，所述可视化方法包括以下步骤：获取全球海洋温度、盐度和海平面数据，插值构建海洋数据集；使用聚类算法对构建的海洋标量数据进行聚类分析，根据聚类中心确定标量区间；根据标量区间划分标量坐标数据，构建不同标量区间的三角网格数组；确定不同区间的颜色值，基于Cesium引擎的构建Geometry Instances方法进行前端绘制。通过加载NetCDF数据，结构化处理海洋数据，可以提取保留海洋数据的维度与属性，保留全球非结构化网格的拓扑信息；进一步使用聚类算法提取标量中心，使区间划分更加合理，更美观的展示海洋标量的层次效果；在Cesium地图引擎上将标量数据可视化展示，辅助决策。
-
公开(公告)号：CN113033074A
公开(公告)日：2021-06-25
申请号：CN202110211682.0
申请日：2021-02-25
Applicant: 中国石油天然气集团有限公司 , 中国石油大学(华东) , 中国石油集团测井有限公司
Abstract: 本发明公开了一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备，采用策略组合机制与蜻蜓算法相融合，然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化，基于优化后的支持向量回归方法建立预测模型，采用测井训练数据进行模型训练，利用训练后的预测模型进行孔隙度预测，有效地提高了算法的收敛速度、全局搜索能力和求解的精度，利用蜻蜓算法优化支持向量回归的参数，使储层参数孔隙度预测工作变得更加便捷高效，采用贪婪策略在蜻蜓算法中进行上下个体的交流，能够克服求解精度不高的问题，采用自适应策略进行蜻蜓算法的步长求解，能有效克服其早熟收敛的问题。
-
公开(公告)号：CN110418308A
公开(公告)日：2019-11-05
申请号：CN201910660935.5
申请日：2019-07-22
Applicant: 中国石油大学(华东) , 北京中斗科技股份有限公司
Abstract: 本发明属于船联网路由协议优化领域，涉及的是一种基于概率统计的多副本船联网路由协议，用于不存在直达通信链路的船舶之间进行数据传输。主要步骤是在源节点产生待传数据，设置其副本总数与生存时间，当源节点与待定中继节点相遇时，计算传输概率，更新各自的相遇信息表，比较源节点与目的节点间、待定中继节点与目的节点间的传输概率值的大小，以决定是否发送数据，若发送，则源节点需先根据传输概率的比值计算发送数据的副本个数，接收端根据该副本个数可继续进行转发，同时接收端更新生存时间，生存时间为0的数据不再进行转发。本发明可以适应海洋网络通信环境，提出的路由算法可以有效减少数据冗余，提高传输可靠性。
-
Patent Agency Ranking
公开(公告)号：CN109859804A
公开(公告)日：2019-06-07
申请号：CN201910021787.2
申请日：2019-01-10
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于神经网络的实验数据优化及预测方法，包括如下步骤：数据预处理消除异常和补全缺失值；接下来进行数据标准化；以及数据关联性分析削减冗余项；对输入数据进行进一步压缩处理和变形处理并构建特征向量序列；通过径向基神经网络进行训练；然后根据训练模型进行实验产物预测。基于神经网络的实验数据优化及预测方法，将实验产物产量分析和神经网络方法相结合，并通过特征工程提高准确率。
-
公开(公告)号：CN107067365A
公开(公告)日：2017-08-18
申请号：CN201710278169.7
申请日：2017-04-25
Applicant: 中国石油大学(华东)
CPC classification number: G06T1/20 , G06N3/08 , H04L67/1097
Abstract: 本发明涉及一种基于深度学习的分布嵌入式实时视频流处理系统及方法，视频数据采集层通过ARM板采集视频数据并预处理；视频处理层根据指定的视频处理任务在嵌入式GPU处理器集群上根据深度学习算法进行视频处理；GPU资源调度层实时监控嵌入式GPU处理器中的GPU使用情况并根据调度策略进行调度，存储层将处理结果上传到云存储服务器，服务层将结果可视化反馈给客户端。本发明的一种基于深度学习的分布嵌入式实时视频流处理框架，将视频处理、深度学习相结合，把视频处理利用分布嵌入式技术并行化，以达到实时视频处理的效果；把深度学习应用到视频处理中，提高视频处理的准确率。
-
公开(公告)号：CN106919949A
公开(公告)日：2017-07-04
申请号：CN201710050763.0
申请日：2017-01-23
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/6269 , G06K9/6256 , G06K2209/23 , G06N3/0454
Abstract: 本发明公开了一种基于卷积神经网络的实时车型匹配方法，包括构建车型数据库，并设计卷积神经网络；利用车型数据库进行卷积神经网络训练，得到最优卷积神经网络及车型数据库中每种车型的车型特征；构建Storm的拓扑结构，信息流上层为数据源输入组件，信息流中层为布置了最优卷积神经网络的数据处理组件，信息流底层为布置了SVM分类器的数据处理组件；数据源输入组件将采集的实时视频流发给信息流中层数据处理组件，通过卷积神经网络提取车型特征；信息流底层数据处理组件利用SVM分类器对信息流中层发送的车型特征进行匹配，并返回匹配结果。本发明将卷积神经网络的特征提取技术与SVM分类方法和Storm架构相结合，提高车型匹配的准确率和效率。
-
公开(公告)号：CN106909886A
公开(公告)日：2017-06-30
申请号：CN201710041906.1
申请日：2017-01-20
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00818 , G06K9/4609
Abstract: 本发明公开了一种基于深度学习的高精度交通标志检测方法及系统。其中，该方法将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。
-
公开(公告)号：CN106446514A
公开(公告)日：2017-02-22
申请号：CN201610780332.5
申请日：2016-08-31
Applicant: 中国石油大学(华东)
CPC classification number: G06N3/0436 , G16Z99/00
Abstract: 本发明提出了一种基于模糊理论和神经网络的测井相识别方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，测井数据经过模糊区域卷积神经网络进行卷积和池化操作，卷积层和池化层交互，在卷积层和池化层进行模糊操作，从模糊区域卷积神经网络的第一层开始，逐渐增加模糊化的层数，针对不同的数据集调整模糊化层数，模糊区域卷积神经网络的最后一层得到特征向量，该特征向量通过一个滑动窗口将特征映射到一个低维向量中，然后将特征输入到两个全连接层，一个全连接层用来定位，另一个全连接层用来分类。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.032 seconds)
