-
公开(公告)号：CN119785171A
公开(公告)日：2025-04-08
申请号：CN202411781983.7
申请日：2024-12-05
Applicant: 三峡大学
IPC: G06V10/82 , G06V10/77 , G06V10/80 , G06V10/25 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于YOLOv8的共享映射差异补偿的变电站设备缺陷检测网络的构建方法，它包括以下步骤：步骤S1：从相应的数据库中加载目标检测图像数据，并转换为YOLO训练格式，将数据集被划分为训练集和测试集，以准备后续的模型训练和验证；步骤S2：构建改进的YOLOv8整体架构，将三个共享映射差异补偿分别添加至YOLOv8的三个检测头前；步骤S3：设计并实现共享映射差异补偿融合模块，该模块负责在不同的特征层之间进行深度特征融合，从而更好地突出异常信号；步骤S4：将变电站设备缺陷数据集输入到构建好的变电站设备缺陷检测模型中，并通过损失约束进行模型训练，最终输出缺陷检测结果；通过以上步骤对共享映射差异补偿的变电站设备缺陷检测网络进行构建。
-
公开(公告)号：CN119784615A
公开(公告)日：2025-04-08
申请号：CN202411782141.3
申请日：2024-12-05
Applicant: 三峡大学
IPC: G06T5/60 , G06T5/73 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/088 , G06N3/094 , G06N5/045
Abstract: 本发明提出了一种面向物理感知的无监督去雨网络的构建方法，包括：S1、构建一个包含两个子网的雨水图像生成分支；S2、构建清晰图像生成分支；S3、由输入特征O和雨水特征R利用物理模型得到一个清晰图像特征B’，将该清晰图像B’与B计算清晰一致性损失；S4、将清晰图像B与雨水层R相加得到一个雨水图像O’，与输入图像O计算内容一致性损失；S5、利用非配对数据集和两个网络输出的图像构建出双向全局局部对比损失以达到更好的图像重建效果。本发明解决当前了大多数的无监督去雨方法没有在特征空间中充分利用物理模型进行建模，特征空间中信息的物理可解释性不足的问题。
-
公开(公告)号：CN119667598A
公开(公告)日：2025-03-21
申请号：CN202510004930.2
申请日：2025-01-02
Applicant: 三峡大学
IPC: G01S3/802
Abstract: 本发明提供一种任意阵列结构的声矢量传感器2D‑DOA估计方法及系统，涉及阵列传感器测向技术。本发明通过获取协方差矩阵，并对协方差矩阵进行特征分解，求解信号子空间，再根据信号子空间并采用ESPRIT算法对矢量信息中的二维DOA进行粗略估计，后利用该粗略估计结果对空域模糊进行相位补偿，实现了对任意阵列结构的声矢量传感器的2D‑DOA精确估计；利用了矢量传感器实现任意阵列的空间布局，也使得传感器的阵元间距不再受半波长的限制；不仅利用了矢量部分的信息，同时也利用了空间相位的信息，显著的提高了估计精度，不需要对接收信号的协方差矩阵进行谱峰搜索和额外的二维角度配对计算，显著降低了计算复杂度。
-
公开(公告)号：CN118604811A
公开(公告)日：2024-09-06
申请号：CN202410673398.9
申请日：2024-05-28
Applicant: 三峡大学
Abstract: 本发明提供一种面向目标定位的双基地MIMO雷达系统及角度估计方法，包括以下步骤：通过对接收阵列的匹配滤波后的信号模型构建三阶平行因子张量模型；利用三线性交替最小二乘法进行平行因子分解，得到发射方向、接收方向以及联合因子矩阵的估计值；根据最小二乘技术、旋转不变技术和矢量叉积技术对方位角进行估计，得到高分辨率、无模糊特性的二维方位角；建立空间几何模型，实现对目标的定位。本发明结合平行因子分解法、旋转不变技术和矢量叉积技术，解决了双基地EMVS‑MIMO雷达角度参数估计的计算复杂度高、配对误差及维度处理的问题，提出了低复杂度、高精度的联合估计算法，改善阵列设计，以实现更优的定位性能和阵列布局效率。
-
公开(公告)号：CN115081335B
公开(公告)日：2024-07-16
申请号：CN202210778405.2
申请日：2022-06-30
Applicant: 三峡大学
IPC: G16C20/20 , G06F30/27 , G16C20/70 , G06N3/006 , G06N3/0499 , G06N3/084 , G01N33/24 , G06F119/02
Abstract: 一种改进深度极限学习机的土壤重金属空间分布预测方法，它包括以下步骤：步骤1：确定研究区域内的调查网格；步骤2：在研究区域内采集土壤样品；步骤3：测定采集的土壤样品重金属浓度；步骤4：确定所需多源辅助变量；步骤5：筛选多源辅助变量；步骤6：基于土壤重金属浓度数据和辅助变量数据构建深度极限学习机；步骤7：用金枪鱼群优化算法优化所构建的深度极限学习机；步骤8：获得土壤重金属空间分布图。本发明的目的是提供一种利用深度极限学习机DELM来对土壤重金属浓度空间进行预测的方法，以提高土壤重金浓度空间预测的精度，进而为更好的进行土壤重金属污染防治做准备。
-
Patent Agency Ranking
公开(公告)号：CN116246726A
公开(公告)日：2023-06-09
申请号：CN202211564600.1
申请日：2022-12-07
Applicant: 三峡大学
Abstract: 一种土壤重金属砷空间分布预测方法及系统，其方法包括步骤1、采集空间的重金属砷含量数据和环境辅助变量数据；步骤2、通过皮尔逊相关系数方法逐一筛选影响重金属砷含量数据的环境辅助变量数据；步骤3、将环境辅助变量数据输入搭载了两个模型的双网络极限学习机中，获取两个土壤重金属砷预测含量值；步骤4、再把两个模型分别预测出的土壤重金属砷含量值分配不同的权重，结合得出最终土壤重金属砷含量值预测结果；步骤5、根据预测出来的土壤重金属砷含量数据进行空间制图。本发明在提高极限学习机预测精度的基础上还解决了极限学习机网络的过拟合问题，为土壤调查与环境保护提供更为精准的信息及对于土壤重金属砷的防控治理。
-
公开(公告)号：CN116245891A
公开(公告)日：2023-06-09
申请号：CN202211446953.1
申请日：2022-11-18
Applicant: 三峡大学
Abstract: 一种基于特征交互和注意力解码的农作物区域提取的方法，它包括以下步骤：步骤1：使用无人机获取遥感影像，并对遥感影像进行一系列的数据预处理，制作成数据集；步骤2：在网络模型中构建深度特征交互模块；步骤3：在网络模型中构建空间注意力解码模块，并用数据集对整体网络模型进行训练，得到训练好的模型权重；步骤4：将待识别的遥感区域图像输入到模型中得到分割结果；步骤5：根据遥感图像的分辨率和分割结果计算农作物区域面积；本发明的目的是能在节省大量的人力物力的情况下，实现对农村农作物区域面积的有效提取。
-
公开(公告)号：CN116243235A
公开(公告)日：2023-06-09
申请号：CN202310215900.7
申请日：2023-03-08
Applicant: 三峡大学
Abstract: 本发明提出了一种改进的多径环境下阵列信号的二维波达方向估计方法，包括以下步骤：步骤1，对信号接收阵列的输出数据进行特定排序，得到非秩亏数据；步骤2，结合平行因子模型对非秩亏数据进行低秩分解；步骤3，结合最小二乘法准则与空间旋转不变性进行计算，获得二维波达方向估计，完成改进的多径环境下二维波达方向估计。本发明提出的方法能提供相干源的高分辨率的2D‑DOA估计；本方法适用于单快拍场景；本方法中阵元间距不限于半波长；本方法适用于URA的阵列结构，更接近实际的应用场景。
-
公开(公告)号：CN115598162A
公开(公告)日：2023-01-13
申请号：CN202111586536.2
申请日：2021-12-21
Applicant: 三峡大学(CN)
IPC: G01N23/223 , G06N3/00 , G06N20/00
Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。
-
公开(公告)号：CN115169222A
公开(公告)日：2022-10-11
申请号：CN202210706800.X
申请日：2022-06-21
Applicant: 三峡大学
IPC: G06F30/27 , G06N20/00 , G06N3/00 , G01N23/223
Abstract: 一种多元智能优化多核极限学习机的土壤重金属检测方法，它包括以下步骤：步骤1：采集土壤样品X射线荧光光谱数据和重金属含量值，构建样本集，将样本集分为训练样本集和测试样本集；步骤2：对样本集或待检测光谱信息进行预处理；步骤3：对预处理后的光谱数据进行光谱特征变量选择，将特征变量对应的光谱数据作为新的训练样本集和测试样本集；步骤4：建立多核极限学习机，将训练集中的数据作为多核极限学习机的输入，将训练集中的土壤重金属含量作为极限学习机的输出；步骤5：采用优化后的正则化系数C、核函数参数S和权重系数W训练多核极限学习机，得到土壤重金属检测模型，将测试集输入检测模型，得到重金属的预测值。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.025 seconds)
