-
公开(公告)号：CN106650767B
公开(公告)日：2020-10-27
申请号：CN201610835246.X
申请日：2016-09-20
Applicant: 河海大学
Abstract: 本发明公开了基于聚类分析和实时校正的洪水预报方法，步骤为：一是利用主成分分析(PCA)对模型的输入做降维处理。二是利用K‑means聚类方法对原始数据进行聚类分析。将洪水数据划分为不同的类别，然后训练不同的SVM模型，当输入测试样本，利用聚类质心判断该测试样本所属的类别，并用对应的模型对其进行预测，得到预测值q；三是BP神经网络实时校正。计算预测值与真实值的误差序列，利用误差序列数据训练BP神经网络误差校正模型，得到误差校正值qe，最终预报结果为模型预报值q加上误差预报值qe。本发明的优点在于：通过聚类分析将原始水文数据分为几类，分别训练模型，实现多模型预报；然后通过BP神经网络实现实时校正提高了洪峰时刻预报准确率。
-
公开(公告)号：CN105139093B
公开(公告)日：2019-05-31
申请号：CN201510564457.X
申请日：2015-09-07
Applicant: 河海大学
CPC classification number: Y02A10/46
Abstract: 本发明公开了一种基于Boosting算法和支持向量机的洪水预报方法，该方法包括如下步骤：运用相关系数法确定预报因子；利用核主成分分析对所述预报因子进行降维处理；利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型；利用所述总预测模型对测试样本进行预测。本发明前两个步骤是数据预处理，目的是提取洪水数据中的有用信息，消除冗余信息对预报造成的干扰。第三个步骤将Boosting算法引入到洪水预报中，尽量将前一个模型不能很好学习的样本，抽取出来用于训练下一个模型，这样组合后的模型可以有效提高洪水预报准确率，最后一个步骤用于检验模型效果。实验数据表明本方案能很好地提高预报精度。
-
公开(公告)号：CN106951680A
公开(公告)日：2017-07-14
申请号：CN201710092513.3
申请日：2017-02-21
Applicant: 河海大学
Inventor： 王继民
CPC classification number: G06F19/00 , G06F17/30536
Abstract: 本发明公开一种水文时间序列异常模式检测方法，包括以下步骤：步骤1：采集历年的水位数据，根据时间的顺序，以年为单位组成每年的水位时间序列；步骤2：对每年水位时间序列进行分割，产生水位子序列；步骤3：水位子序列进行线性分段，形成维度低的水位子序列；步骤4：对步骤3中获得的水位子序列进行分组，将同时间段的子序列划分为一组；步骤5：在同一组子序列中结合平均变化距离和积累变化距离进行异常子序列的检测。本发明提供的方法不仅计算量小，有效缩短了检测的时间，同时获得的结果准确性更高，有效的避免了检测失败的可能。采用本发明提供方法能够更好的对水文进行研究和观察。
-
公开(公告)号：CN106547816A
公开(公告)日：2017-03-29
申请号：CN201610854977.9
申请日：2016-09-27
Applicant: 河海大学
IPC: G06F17/30
Abstract: 本发明提供一种基于负相关反馈的时间序列相似性搜索方法，用户根据初步的查询结果标注出时间序列数据集中负相关序列以及正相关序列并将负相关序列组合成一个序列记为Qneg，正相关序列以及查询序列组合成一个序列记为Qnew。其次是分别计算数据序列集中的每一个序列与Qnew的相似度以及Qneg的相似度；并且通过组合每一个序列与Qnew的相似度以及Qneg的相似度得到一个最终的相似度。最后根据每一个时间序列所得到的相似度进行排名得到最终的相似性结果。用户对这一结果进行评判若是满意则查询结束，若不满意则修改查询序列重新查询。本发明查询效率高，查询结果精准，满意度高，方法整体性能高。
-
公开(公告)号：CN105894030A
公开(公告)日：2016-08-24
申请号：CN201610201638.0
申请日：2016-04-01
IPC: G06K9/62
Abstract: 本发明公开了一种基于分层多特征融合的高分辨率遥感图像场景分类方法。本发明依据组合全局特征对训练样本图像集合进行聚类分析，将训练样本图像集合分为适于采用全局特征表达的子集和适于用局部特征表达的子集，然后利用两个子集分别训练全局特征分类器和局部精简特征分类器；在测试时根据聚类分析结果从两个分类器中选出最适合于测试样本的分类器来对测试样本进行分类。本发明具有极高的分类精度，经实验验证，本发明的总体平均分类精度可达到96%，高于现有的典型分类方法。
-
Patent Agency Ranking
公开(公告)号：CN103729550B
公开(公告)日：2016-08-17
申请号：CN201310699773.9
申请日：2013-12-18
Applicant: 河海大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于传播时间聚类分析的多模型集成洪水预报方法，属于水文预报技术领域。首先采用派生的动态时间弯曲匹配方法进行洪水过程相似性分析，估计上下游各站点的流量传播时间，并通过对流量传播时间进行聚类分析将样本分解为若干簇，然后分别对子流量序列建立SVM回归模型模拟洪水形成过程，最后再将这些子模型合并成一个综合模型。将该方法的综合预测结果与常规条件下的单一模型和基于流量聚类的模型预测结果相比较，结果显示该模型综合表现更佳。
-
公开(公告)号：CN104657441A
公开(公告)日：2015-05-27
申请号：CN201510056780.6
申请日：2015-02-03
Applicant: 河海大学
IPC: G06F17/30
CPC classification number: G06F16/90335
Abstract: 本发明公开一种基于k-近邻的水利普查行业能力数据融合方法，包括以下步骤：对水利普查中行业能力单位名称以及水利工程数据中的管理单位名称进行逐级分解，建立精简和非精简单位名称；选择水利普查行业能力和水利工程数据样本，建立样本中行业能力单位和水利工程管理单位的匹配，基于样本训练适合水利普查数据的最优编缉距离权重；以带权重的编缉距离作为相似性度量距离，通过组织机构代码精确匹配、单位名称的k-近邻相似搜索匹配，最后进行人工搜索匹配。本发明能够实现水利普查中行业能力单位与水利工程管理单位的一致匹配，从而完成水利工程和行业能力普查数据的有效衔接，为分析水利发展现状、制定水利及经济社会发展规划提供支撑。
-
公开(公告)号：CN101853392B
公开(公告)日：2012-05-23
申请号：CN201010152915.6
申请日：2010-04-21
Applicant: 河海大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于条件互信息的遥感高光谱图像波段选择方法，包括下述步骤：A、打开高光谱遥感图像，人机交互标注待分类的样本；B、分组：根据步骤A得到的待分类样本，利用给定类别条件下各相邻波段之间的条件互信息进行波段分组；C、搜索：利用支持向量机和遗传算法相结合的搜索算法对步骤B得到的分组波段进行搜索计算，找到最优的波段组合；并在此基础上使用自适应分支定界法进行剪枝，通过条件互信息波段分组和自适应分支定界法剪枝的结合使用，避免了因为噪音扰动而出现冗余和噪音分组，减少了波段分组的数量，提高了波段组合的分类准确率。
-
公开(公告)号：CN102323970A
公开(公告)日：2012-01-18
申请号：CN201110130040.4
申请日：2011-05-19
Applicant: 河海大学
Abstract: 本发明公开了一种基于多因子小波神经网络模型的水文时间序列预测方法。本发明提出了一种多因子小波神经网络预测模型用于水文时间序列预测，该模型以多时间序列信息作为输入，不仅包括预测目标时间序列的当前小波系数，还包括与此时间序列相关的其它时间序列的当前小波系数，并根据其与预测目标时间序列之间互信息作为评判两者相关性的度量，选择相关性强的其它时间序列；进一步利用基于加权相关系数的小波函数选择标准，为该模型选择最优的小波函数。相比现有技术，本发明方法具有更高的预测准确性，以及更好的可扩展性和实用价值。
-
公开(公告)号：CN118964437A
公开(公告)日：2024-11-15
申请号：CN202410804041.X
申请日：2024-06-20
Applicant: 河海大学
IPC: G06F16/2458 , G06F17/16 , G06F17/18 , G06F18/22 , G06F17/14
Abstract: 本发明提出了一种基于CUDA的多维时间序列kNN模体挖掘方法，旨在提高模体挖掘性能。该方法首先计算初始参数，包括多维子序列的均值、标准差以及点积矩阵。随后，利用CUDA实现多线程并行的MASS算法，快速计算多维kNN Matrix Profile，并更新距离矩阵以获取每个多维子序列与其前k个最相似子序列的信息。最后，通过设置用户定义的低阈值和高阈值，识别出强模体、弱模体和异常模体，从而扩展了异常模体簇和kNN模体的挖掘能力。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.022 seconds)
