-
公开(公告)号：CN116010795A
公开(公告)日：2023-04-25
申请号：CN202310261448.8
申请日：2023-03-17
Applicant: 河海大学
Abstract: 本发明公开一种基于图像特征和深度学习的相似场次降雨模式库构建方法：采用滑动窗口对历史降雨图像数据集进行分割得到所有场次降雨过程；提取各场次降雨过程的降雨持续天数、场次降雨总量、各日降雨量分布、降雨空间分布以及降雨中心运动轨迹特征；并进行特征相似性度量，采用基于混沌映射的多族群灰狼优化算法对特征的相似性度量进行融合，得到场次降雨过程的最优特征融合相似性度量；采用该最优特征融合相似性度量，从场次降雨过程历史库中搜索相似场次降雨过程并进行描述和表达，以此构建相似降雨模式库。本发明解决现有技术方案中或因用时序数据难以表达场次降雨过程的时空特征信息、或因场次降雨过程特征表达及相似性度量方法不足等问题。
-
公开(公告)号：CN112183721A
公开(公告)日：2021-01-05
申请号：CN202010976107.5
申请日：2020-09-16
Applicant: 河海大学
Abstract: 本发明公开一种基于自适应差分进化的组合水文预测模型的构建方法，包括以下步骤：构建水文数据集，构建水文基模型，构建最终的组合水文预测模型。本发明基于自适应差分进化方法选择长短期记忆网络(LSTM)作为基模型，结合把种群中优秀的个体和个体适应度保存在临时数组中的思想，通过选择前m个优秀水文参数作为各个基模型的初始参数，建立加权组合模型ADE‑LSTMs，来增加预测的鲁棒性，提高单一模型的预测精度。
-
公开(公告)号：CN112182063A
公开(公告)日：2021-01-05
申请号：CN202010974378.7
申请日：2020-09-16
Applicant: 河海大学
IPC: G06F16/2458 , G06F16/29 , G06F17/16 , G06K9/62 , G06N3/04
Abstract: 本发明公开一种基于时空特征的水文预报模型的构建方法，将建立好的河道距离矩阵、欧氏距离矩阵和相关系数矩阵融合为水文拓扑结构图；并提取空间特征和时间特征，最后建立水文预报模型。本发明将时间特征和空间特征结合，构建基于时空特征驱动的水文预报模型。首先根据空间特征和时间序列相似性建立了三个水文关系图，河道距离矩阵、欧氏距离矩阵和相关系数矩阵，并将三者融合建立水文拓扑结构图；再将图卷积网络与门控循环单元相结合来学习空间特征表示的同时捕获水文时态特征，继而进行水文预测，提高预测精度。
-
公开(公告)号：CN106203496B
公开(公告)日：2019-07-12
申请号：CN201610520993.4
申请日：2016-07-01
Applicant: 河海大学
Abstract: 本发明公开了一种基于机器学习的水文曲线提取方法。本发明方法对水文资料图像进行曲线提取时，选用并提取图像中具有辨别能力的某些特征，并采用尺度可变的采样窗口对一定区域的图像像素进行采样，作为样本数据，通过机器学习的方法划分具有不同特征的图像成分，且根据分类效果通过增量方式添加新的训练样本；并利用链码跟踪进行后处理，有效的除去了分类后产生的噪声影响。相比现有技术，本发明解决了要提取的水文曲线较细时尤为突出的目标曲线断线问题，而该问题在原有的水文曲线提取方法中难以得到有效解决。
-
公开(公告)号：CN103942562B
公开(公告)日：2017-05-17
申请号：CN201410118967.X
申请日：2014-03-27
Applicant: 河海大学
Abstract: 本发明公开了一种基于多分类器组合的高光谱图像分类方法，属于遥感成像与模式识别相结合的技术领域。本发明包括以下步骤：步骤A、从高光谱图像的所有波段中选出多组较优的波段子集；步骤B、分别以所选出的每一组波段子集构建一个特征空间，并利用高光谱图像训练样本分别在各组波段子集所构建的特征空间中对分类器进行训练，得到与各组波段子集一一对应的多个基分类器；步骤C、根据所述多个基分类器，利用多分类器组合的方法对高光谱图像测试样本进行分类。本发明将多分类器组合的思想引入高光谱波段选择中，相比现有技术可有效提高波段选择后的分类正确率。
-
Patent Agency Ranking
公开(公告)号：CN106650767A
公开(公告)日：2017-05-10
申请号：CN201610835246.X
申请日：2016-09-20
Applicant: 河海大学
CPC classification number: G06K9/6223 , G06K9/6256 , G06K9/6269 , G06N3/084
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：CN106127242A
公开(公告)日：2016-11-16
申请号：CN201610444365.2
申请日：2016-06-21
Applicant: 河海大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6269
Abstract: 本发明公开一种基于集成学习的年极端降水预测系统及其预测方法，包括数据输入模块、模型构建模块、训练及调试模块、集成模块和数据输出模块。数据输入模块包含从数据库文件中读入水文测站站点原数据和气象基本数据并进行数据预处理；模型构建模块包括获得训练数据集即并构建多维SVM年极端降水预测模型；训练及调试模块确定训练数据及检验数据，对多维SVM模型进行训练及调试，确定各模型的参数；集成模块计算各个模型的预测值的平均相对误差确定权重，进行基于D‑S证据理论的集成；数据输出模块将来年极端降水预测值存储在数据库或文件中，提供查询和分析服务。
-
公开(公告)号：CN105069093A
公开(公告)日：2015-11-18
申请号：CN201510475456.8
申请日：2015-08-05
Applicant: 河海大学
IPC: G06F17/30
CPC classification number: Y02A10/46 , G06F17/30321 , G06F17/30536 , G06F17/30548
Abstract: 本发明公开了一种基于嵌入式索引的水文时间序列相似性搜索方法，按如下步骤进行：离线准备阶段对原始时间序列中的每个位置，计算对应的嵌入式索引向量，离线准备阶段实现了水文时间序列洪峰分割，串行聚类，初始参考序列集生成，参考集训练和时间序列嵌入索引计算；在线搜索阶段利用查询序列和参考集序列进行索引向量的计算，在原始序列的嵌入式索引欧氏向量空间中搜索，找到比较相似的点作为候选点集合，对候选点精炼后进行原始DTW度量，找到最终的相似序列。本发明将相似性搜索映射到欧氏向量空间中进行搜索，很大程度上提高了搜索效率。
-
公开(公告)号：CN102880755B
公开(公告)日：2014-10-08
申请号：CN201210360335.5
申请日：2012-09-25
Applicant: 河海大学 , 南京河海科技有限公司
Abstract: 本发明公开了一种极端降水的定量预测方法，按如下步骤进行：Ⅰ、输入模块（100）从数据库或Excel文件中读入水文测站站点原数据，并对读入的数据进行异常检测和清洗，对数据进行预处理，得到规范化的水文时间序列数据；Ⅱ、建模模块（200）针对输入模块（100）中的水文时间序列数据建立由第一预测模型（210）、第二预测模型（220）和组合BP神经网络（230）结合而成的模型；Ⅲ、校正模块（300）根据步骤Ⅱ中预测数据的优劣，对建模模块（200）中建立的预测模型进行参数调整；Ⅳ、输出模块（400）将来年极端降水预测值存储在数据库或文件中，供用户查询和分析。本发明从数据挖掘的角度对年平均极端降水量建模和预测，适用性强，并且具有较高准确率。
-
公开(公告)号：CN102254303B
公开(公告)日：2013-01-02
申请号：CN201110157076.1
申请日：2011-06-13
Applicant: 河海大学
Abstract: 本发明涉及一种遥感图像分割方法，属于遥感图像处理技术领域。本发明根据颜色特征、纹理特征及像素点的位置信息生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。本发明还公开了一种采用本发明的遥感图像分割方法的遥感图像检索方法，并进一步采用了一种新的区域表示与匹配方法来完成遥感图像的检索。相比现有技术，本发明具有更好的检索精度，尤其对于小目标区域的检索具有更好的效果。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.025 seconds)
