-
公开(公告)号：CN110378379B
公开(公告)日：2023-10-13
申请号：CN201910521233.9
申请日：2019-06-17
Applicant: 东南大学
IPC: G06V10/75
Abstract: 本发明公开了一种航空图像特征点匹配方法，包括以下步骤：S1：对基准图像和匹配图像均执行以下操作：以特征点为中心，取特征点周围一定数量的像素，将所述特征点周围的像素与特征点一起作为特征点特征矩阵；S2：对基准图像的特征点建立相关性系数矩阵；S3：将基准图像中的特征点按照特异性从强到弱放入队列进行储存；S4：对基准图像和匹配图像进行连接点匹配。本发明有效提高了方法的稳定性和准确性。
-
公开(公告)号：CN111210082B
公开(公告)日：2023-09-19
申请号：CN202010030817.9
申请日：2020-01-13
Applicant: 东南大学
IPC: G06Q10/04 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于优化的BP神经网络算法的降水量预测方法，包括以下步骤：S1：基于ERA5数据在Bevis模型的基础上增加年周期项和水汽压的自然对数项，建立非线性方程格网大气加权平均温度(Tm)模型；S2：利用全球卫星导航定位系统(GNSS)数据的天顶总延迟、地面温度、地面气压等信息计算得到天顶湿延迟，以及S1步骤得到的Tm模型，得到GNSS大气可降水量(PWV)；S3：利用结合互信息分析以及粒子群算法优化的BP(Back‑Propagation)神经网络算法建立降水量预测模型；S4：设计一体化降水量预测系统，得到降水量，并验证其精度。本发明有效提高了计算精度。
-
公开(公告)号：CN111274738B
公开(公告)日：2022-11-25
申请号：CN202010117015.1
申请日：2020-02-25
Applicant: 东南大学
Abstract: 本发明公开了一种高程异常值计算方法，包括：1：获取目标区域内多个GPS水准联测点的高程异常值，采用二次曲面法进行预拟合，取三倍中误差为限差，剔除粗差；S2：对剩余的N个高程异常值采用二次多项式进行拟合；3：利用二次多项式模型计算N个高程异常计算值，计算拟合残差；4：构建小波神经网络，该网络的输入为平面坐标和高程异常计算值，输出为残差；采用N个GPS水准联测点的平面坐标、高程异常计算值和残差对小波神经网络进行训练；5：计算待测地高程异常计算值ξt；待测地的坐标和ξt输入训练好的小波神经网络中，得到待测地残差，进而计算待测地的高程异常值。该方法对于大面积测区得到高程异常值误差较小，可以计算得到较为精确的高程异常值。
-
公开(公告)号：CN111539433B
公开(公告)日：2022-04-26
申请号：CN202010239321.2
申请日：2020-03-30
Applicant: 东南大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于语义分割的全球电离层电子总含量预测方法，包括训练阶段和预测阶段，训练阶段包括：1、采集全球电离层电子总含量热力图，经调整水平位置后构成原始图像序列；2、构建训练样本集；3、构建基于语义分割的全球电离层电子总含量预测模型，并利用训练样本集进行训练；预测阶段包括：4、每天采集K张全球电离层电子总含量热力图，连续采集t天；对采集的图像调整像素的水平位置，建立预测样本，将预测样本作为全球电离层电子总含量预测模型的输入，得到预测热力图；5、对预测热力图进行经度排序，得到预测的全球电离层电子总含量热力图。该方法结合了电离层在空间和时间上的变化，充分有效的利用现有观测数据，提高了预测精度。
-
公开(公告)号：CN109270560B
公开(公告)日：2022-04-26
申请号：CN201811187757.0
申请日：2018-10-12
Applicant: 东南大学
Abstract: 本发明公开了一种区域高程异常数据的多维粗差定位及定值方法，将定维、定位和定值按照规定的流程进行有机地结合，粗差定位准确高效。经过大量实例应用结果分析，在粗差维数达到总样本的1/6，粗差最大值达到6倍的中误差时，本发明仍能将粗差准确的定位。由于在多维粗差定位的同时又获得粗差值，本发明对于含有粗差值的高程异常值的处理较为灵活，特别是当控制点数接近于3倍待估参数个数时。
-
Patent Agency Ranking
公开(公告)号：CN110542410B
公开(公告)日：2021-07-09
申请号：CN201910825767.0
申请日：2019-09-03
Applicant: 东南大学
Abstract: 本发明公开了一种基于格网模型的大地测量成果转换方法，包括以下步骤：S1：对已有大地坐标点位数据进行空间分析及格网点划分，采用等间距的正方形格网划分；S2：利用同名点数据，根据Bursa模型计算所有格网点的大地空间坐标转换七参数，存入数据库；S3：利用步骤S2得到的格网点的大地空间坐标转换七参数，内插得到待转换成果点位的大地空间坐标转换七参数；S4：根据待转换成果点位的大地空间坐标转换七参数，利用Bursa模型求得待转换成果点位在目标大地空间坐标系下的坐标。本发明能够将现有大地测量成果从旧空间基准高精度地转换到新空间基准。
-
公开(公告)号：CN111352173A
公开(公告)日：2020-06-30
申请号：CN202010095626.0
申请日：2020-02-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于空间位置的加权平均温度计算方法，包括：S1：采集目标区域中每个探空站点的探空数据、年积日和空间位置数据，计算每个探空站点的加权平均温度真值Tm0；S2：建立加权平均温度多项式模型；S3：将S1中获取的探空站点的加权平均温度真值、年积日、纬度值、海拔高度值代入加权平均温度多项式模型中，确定各项系数，得到目标区域内空间位置与加权平均温度的多项式模型；S4：获取目标区域内待测地的地表温度的真值、纬度值、海拔高度值和年积日，根据S3确定的空间位置与加权平均温度的多项式模型得到待测地的加权平均温度计算值。该方法适用于无法获取探空数据的位置，且考虑了季节的影响，能够获取较为精确的加权平均温度。
-
公开(公告)号：CN107356554B
公开(公告)日：2019-08-20
申请号：CN201710468481.2
申请日：2017-06-20
Applicant: 东南大学
IPC: G01N21/359 , G01W1/14
Abstract: 本发明公开了一种基于神经网络的反演大气可降水量的MODIS模型改进方法，包括以下步骤：S1：利用MODIS三通道比值法反演大气可降水量PWV，记为PWVMODIS；S2：利用BP神经网络建立测站处的纬度φ、测站处的高程h、年积日doy、PWVMODIS与测站GPS/MODIS反演的PWV残差RES之间的非线性关系；S3：对BP神经网络模型进行训练；S4：将φ、h、doy以及PWVMODIS作为输入参数代入BP神经网络模型，并计算出GPS测站处PWV残差RESBP；S5：利用RESBP补偿PWVMODIS，获得大气可降水量PWV＝PWVMODIS+RESBP。本发明有效提高了建模精度。
-
公开(公告)号：CN109902346A
公开(公告)日：2019-06-18
申请号：CN201910066790.6
申请日：2019-01-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于神经网络的区域加权平均温度信息获取方法，包括以下步骤：S1：获取中国区域探空站点的加权平均温度的近似真值，记为Tm0；S2：构建站点的加权平均温度Tm与地表温度Ts、纬度 海拔h和年积日doy的多项式模型，并且获取多项式模型计算值Tm1和多项式模型残差值ΔTm1，多项式模型残差值ΔTm1为多项式模型计算值Tm1与加权平均温度近似真值Tm0的差；S3：建立BP神经网络误差补偿模型，得到多项式模型残差预报值ΔTm2；S4：将多项式模型计算值Tm1与多项式模型残差预报值ΔTm2相加得到融合模型的加权平均温度预测值Tm2，实现对多项式模型的残差补偿。本发明提高了模型精度。
-
公开(公告)号：CN106022470B
公开(公告)日：2019-01-29
申请号：CN201610278065.1
申请日：2016-04-29
Applicant: 东南大学
Abstract: 本发明公开了一种基于BP‑EGNOS融合模型的对流层延迟改正方法，包括以下的步骤：S1:构建一个4×P×1的BP神经网络模型，表示测站处对流层延迟残差RES与测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟的非线性关系；S2：利用IGS站提供的高精度对流层延迟产品数据对建立的BP神经网络进行训练；S3：利用测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟，通过S1建立的BP神经网络计算测站处对流层延迟残差；S4：计算修改后新模型的对流层天顶延迟。本发明模型相对于EGNOS模型，能更好的拟合对流层延迟变化的规律，且在高海拔地区也同样具有较高精度，优于传统的EGNOS模型。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.036 seconds)
