-
公开(公告)号：CN109325085A
公开(公告)日：2019-02-12
申请号：CN201810898260.3
申请日：2018-08-08
Applicant: 中南大学
IPC: G06F16/29 , G06F16/9537 , G06K9/00 , G06Q10/06 , G06Q50/26
Abstract: 本发明公开了一种融合遥感影像和POI数据的城市用地功能识别与变化检测方法，所述方法包括：提取基于遥感影像的用地类型；基于POI数据进行城市功能区识别；融合不同尺度的功能区识别结果；检测城市功能区变化，分析演化趋势。本发明综合考虑了不同来源数据的特征，融合遥感影像和POI数据对城市功能区进行不同尺度的识别，对识别结果的融合，实现城市功能区的精准识别；并充分考虑了POI面积权重，从而可以有效地识别混合功能区；并通过多时序数据，建立城市功能区时空变化的演化分析模型，挖掘城市用地功能的时空变化规律与趋势。
-
公开(公告)号：CN109160505A
公开(公告)日：2019-01-08
申请号：CN201811041475.X
申请日：2018-09-07
Applicant: 中南大学
Abstract: 本发明提供一种利用细菌活化废弃黑液制备多孔碳材料的方法及多孔碳材料的应用，属于碳材料制备技术领域，该方法以碱预处理后富含木质素的废弃黑液为碳源，将一种木质素降解菌(Cupriavidus basilensis B-8，保藏编号CGMCC No.4240)作为生物改良剂在黑液中培养，将细菌活化的产物置于惰性气氛中碳化处理，获得碳化产物经净化处理，即为多孔碳材料。本发明所得细菌优化多孔碳的比表面积高，介于1397～2240m2/g之间。所得多孔碳作为超级电容器电极材料，在电流密度为0.5A/g时，其比容达330F/g；电流密度增大到20A/g时，其比容保持为265F/g，显示了很高的电荷容量和优良的速率性能。
-
公开(公告)号：CN108987122A
公开(公告)日：2018-12-11
申请号：CN201811023558.6
申请日：2018-09-04
Applicant: 中南大学
Abstract: 本发明属于生物质碳材料的制备领域，具体公开了一种基于真菌生物质的多孔氮掺杂碳材料的制备方法及其应用。其制备方法包含如下步骤：将积累油脂的真菌菌体、尿素加入氢氧化钾溶液中获得混合液，反应，混合液经干燥后获得干燥产物，将干燥产物置于惰性气氛中碳化，获得碳化产物经净化处理，即得多孔氮掺杂碳材料；所述混合液中，按质量比计，积累油脂的真菌菌体:氢氧化钾:尿素＝1:1-2:1-2。本发明方法操作简便，成本低廉，氮元素掺杂比例易调控，制备得到的多孔碳材料具有比电容高，倍率性能稳定等良好电化学性能，因而在超级电容器及储能领域具有良好的应用前景。
-
公开(公告)号：CN108949842A
公开(公告)日：2018-12-07
申请号：CN201810805760.8
申请日：2018-07-20
Applicant: 中南大学
Abstract: 本发明公开了一种木质纤维素稀酸预处理废液的资源化利用方法，具体步骤如下：木质纤维素的稀酸预处理过程中，会产生大量的废液，其中富含多糖和木质素的酸解产物，若不资源化利用则会浪费可利用碳源。针对此问题，本发明公开了一株芽孢杆菌(Bacillus megaterium B‑10，保藏编号CGMCC No.15753)直接利用木质纤维素稀酸预处理废液中的碳源，并将其转化为生物塑料——聚羟基脂肪酸酯共聚物。该方法所得生物塑料的产量可达到1.493g/L，资源化程度高，还可避免废液对环境的污染，且兼具操作简单、反应条件温和、碳源利用率高等诸多优势，对实现环境保护和经济效益的双赢有巨大意义。
-
公开(公告)号：CN108409984A
公开(公告)日：2018-08-17
申请号：CN201810250553.0
申请日：2018-03-26
Applicant: 中南大学
Abstract: 本发明公开了一种快速同步制备木质素纳米颗粒和碳量子点的方法，具体步骤如下：将废弃生物质加入酸溶液中，微波处理后固液分离获得处理液；对处理液离心分离，所得下层沉淀为木质素纳米颗粒，所得上层清液为氮掺杂碳量子点溶液，所述酸溶液中的溶剂为包含乙醇的混合溶剂。该方法可利用废弃生物质快速同步制备不同尺度的生物质纳米材料，包括木质素纳米颗粒(～100nm)和荧光氮掺杂碳量子点(2-3nm)，大大提高传统纳米材料制备方法的普适性。且该发明涉及的制备方法快速、绿色、简单，易于工业化生产，成本低廉。
-
Patent Agency Ranking
公开(公告)号：CN103942325A
公开(公告)日：2014-07-23
申请号：CN201410176895.4
申请日：2014-04-29
Applicant: 中南大学
IPC: G06F17/30
CPC classification number: G06F17/30533
Abstract: 本发明公开了一种融合气候分区思想的海陆气候事件关联规则挖掘方法。本发明通过对空间数据建立Delaunay三角网并施加整体和局部长边约束，获得合理稳健的空间邻近关系网，进而度量空间邻近实体间时间序列的相似性，进行层次聚类得到多层次聚类结果，基于伪T统计量分析获得较佳气候分区结果；纳入相关领域先验知识约束，分别从海洋气候指数和各陆地气候区域提取感兴趣气候事件，进而通过施加时间窗口宽度约束、时间延迟约束、充分度和必要度约束，挖掘海陆气候事件间的有效关联规则。本发明在挖掘过程中可有效顾及多尺度效应得到有效气候区域，多重约束亦使得本发明在挖掘关联规则时具有高效性、针对性和实用性。
-
公开(公告)号：CN103914558A
公开(公告)日：2014-07-09
申请号：CN201410151706.8
申请日：2014-04-16
Applicant: 中南大学
IPC: G06F17/30
CPC classification number: Y02A90/15 , G06F17/30536
Abstract: 本发明一种基于时空统计的气象要素时空聚集模式挖掘方法，首先对气象数据进行预处理与探索性分析判断气象要素时空聚集模式的是否存在；若气象要素存在聚集模式，则进一步借助时空统计学理论构建时空邻近域；在此基础上，融合空间、时间与专题属性三方面因素估计气象时空实体的密度；最后，将高密度气象时空实体聚集成簇，并进行可视化表达。优点如下：采用时空统计学理论避免了人为因素对气象要素时空聚集模式挖掘的主观影响，从时间、空间耦合的视角综合考虑气象要素的动态演化规律，有效提高时空聚类分析方法挖掘深层次地学规律的能力。
-
公开(公告)号：CN114841229B
公开(公告)日：2025-02-25
申请号：CN202210269341.3
申请日：2022-03-18
Applicant: 中南大学
IPC: G06F18/2433 , G06F18/243 , G06F16/29 , G06N20/20
Abstract: 本公开实施例中提供了一种基于群体行为规律认知的异常船舶轨迹探测方法，属于数据处理技术领域，具体包括：步骤1，对目标船舶的AIS基站数据进行预处理操作；步骤2，根据所述预处理操作后的AIS基站数据提取所述目标船舶的空间属性特征并据此对所述空间属性特征的异常行为进行检测；步骤3，结合所述空间属性特征和专题属性特征，基于孤立森林算法对于所述目标船舶异常行为进行检测和评分。通过本公开的方案，结合实际地理环境因素将现有研究中具有群体规律行为的船舶轨迹特征进行了梳理，从空间属性和专题属性的角度得到轨迹点异常程度的评分值，以此评估船舶运动模式，进而识别船舶异常行为。
-
公开(公告)号：CN114997421B
公开(公告)日：2024-12-24
申请号：CN202210445778.8
申请日：2022-04-26
Applicant: 中南大学
IPC: G06F18/25 , G06F18/2321 , G06F18/20 , G06F18/214 , G06N20/20 , G06N7/01 , G06F16/29
Abstract: 本发明提供了一种基于集成学习的空间点数据异质性度量方法，包括：生成面向空间点数据异质性度量的训练数据；利用多元统计指标度量点数据异质性并进行显著性检验；通过获取模型参数构建集成学习式评估模型；对其测试数据的分布模式进行预判断，对集成框架中的不完备性指标计算结果进行加权融合，以求得基于评估模型测试数据的异质性度量指标I，用于实现不同先验分布下的空间点数据于同一量纲下的异质性度量；本发明创新性地借鉴数据驱动下的参数学习类算法，提出采样点异质性的集成学习式评估模型；在训练数据的驱动下，实现任意空间点数据异质性的稳健评估与横向对比，具有应用有效性与针对不同采样点数据统一量纲下横向对比的双重优势。
-
公开(公告)号：CN119046714A
公开(公告)日：2024-11-29
申请号：CN202411530328.4
申请日：2024-10-30
Applicant: 中南大学
IPC: G06F18/23211 , G06F17/18 , G06F18/22
Abstract: 本申请涉及社团发现技术领域，提供了一种基于移动轨迹的社团发现方法及设备，该方法包括：对起始轨迹点进行聚类得到多个起始簇，对所有终点轨迹点进行聚类得到多个终点簇；计算起始簇与终点簇之间的时间重叠度和空间重叠度，并根据时间重叠度和空间重叠度，从所有终点簇中确定出目标重叠簇，将起始簇与目标重叠簇合并得到合并簇；计算每两个合并簇之间的连接权重；根据每个合并簇中所有轨迹点的位置计算每个合并簇的高斯嵌入表示，并基于所有连接权重和所有高斯嵌入表示构建目标函数；对目标函数进行求解，得到合并簇的最终高斯嵌入表示；基于所有最终高斯嵌入表示对合并簇进行聚类，得到社团划分结果。该方法能够提高社团发现的准确性。
-
-
-
-
-
-
-
-
-
Search Results
206
records
(took 0.036 seconds)
