-
公开(公告)号：CN116955993A
公开(公告)日：2023-10-27
申请号：CN202311071771.5
申请日：2023-08-24
Applicant: 中国长江电力股份有限公司 , 河海大学
IPC: G06F18/213 , G06F18/214 , G06F18/22 , G06F17/16
Abstract: 本发明公开了一种混凝土性态多元时序监测数据补全方法，包括：对收集到的多元原始数据进行Box‑Cox变换；将Box‑Cox变换后的多元时序数据组成矩阵Dn,m，并切割矩阵Dn,m的列后进行重构操作，重构后的新矩阵为Pn,m*n'；预测重构后的矩阵Pn,m*n'中的缺失值，进行缺失值补全，从补全后的矩阵中提取矩阵Dn,m；对所提取的矩阵Dn,m中的数据进行反向转换。本发明对原始数据进行Box‑Cox变换，使其服从正态分布，将变换后的数据组织成序列矩阵，通过拆分矩阵的列重构矩阵，用链式方程的多重插补来填充重构矩阵的缺失值，实现了多元时序监测数据的补全。
-
公开(公告)号：CN116956440A
公开(公告)日：2023-10-27
申请号：CN202311072278.5
申请日：2023-08-24
Applicant: 中国长江电力股份有限公司 , 河海大学
IPC: G06F30/13 , G06F30/23 , G06F30/25 , G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/08 , G06F119/14
Abstract: 本发明公开了一种复杂环境下混凝土性态监测点优化布置方法，包括：对水工建筑物建立有限元模型并获取监测点预布置点位；通过有限元模型的模态分析，获取监测点预布置点位的自由度值；生成复杂环境下混凝土性态监测点布置方案数据集；利用深度前馈网络拟合复杂环境下混凝土性态监测点布置方案数据集，建立布置方案与评价结果之间的映射关系，得到网络模型；利用动态簇粒子群算法寻找网络模型的最优评价结果，即复杂环境下混凝土性态监测点最优布置方案。本发明为测点布置方案提供精确量化的评估指标，避免人工选取测点布置方案中存在的疏忽遗漏等问题，能够精确快速得到最优测点布置方案，节省人力物力成本，且混凝土监测点间的协作效率大大提高。
-
公开(公告)号：CN116955993B
公开(公告)日：2024-03-12
申请号：CN202311071771.5
申请日：2023-08-24
Applicant: 中国长江电力股份有限公司 , 河海大学
IPC: G06F18/213 , G06F18/214 , G06F18/22 , G06F17/16
Abstract: 本发明公开了一种混凝土性态多元时序监测数据补全方法，包括：对收集到的多元原始数据进行Box‑Cox变换；将Box‑Cox变换后的多元时序数据组成矩阵Dn,m，并切割矩阵Dn,m的列后进行重构操作，重构后的新矩阵为Pn,m*n'；预测重构后的矩阵Pn,m*n'中的缺失值，进行缺失值补全，从补全后的矩阵中提取矩阵Dn,m；对所提取的矩阵Dn,m中的数据进行反向转换。本发明对原始数据进行Box‑Cox变换，使其服从正态分布，将变换后的数据组织成序列矩阵，通过拆分矩阵的列重构矩阵，用链式方程的多重插补来填充重构矩阵的缺失值，实现了多元时序监测数据的补全。
-
公开(公告)号：CN119445394A
公开(公告)日：2025-02-14
申请号：CN202411588777.4
申请日：2024-11-08
Applicant: 河海大学
IPC: G06V20/13 , G06V10/26 , G06V10/25 , G06V10/764 , G06T7/62 , G06N5/022 , G06N5/04 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了基于对比‑生成式预训练模型的遥感问答系统，首先搜集分类、语义分割、目标检测、图文检索和图像文本生成等任务的遥感图像作为原始数据，并统一转换为图文对形式。通过分割处理计算类别面积占比，检测目标类别及其位置信息，并通过CLIP模型进行零样本分类。接着，将多源信息输入多模态大语言模型，根据问题生成图像的文本描述，完成遥感全局视觉问答数据集的构造。同时，基于标注框裁切图片并送入多模态大语言模型，以获得遥感局部视觉问答数据集。然后，分由粗到精两阶段预训练对比‑生成式模型，使其具备全局‑局部级遥感知识与视觉问答能力。最后通过构建用户友好的系统界面，实现与用户的问答交互。
-
公开(公告)号：CN119027838A
公开(公告)日：2024-11-26
申请号：CN202411089180.5
申请日：2024-08-09
Applicant: 河海大学 , 中国电建集团昆明勘测设计研究院有限公司
IPC: G06V20/17 , G06V20/52 , G06Q10/0639 , G06N3/006
Abstract: 本发明公开了基于无人机巡检与深度学习算法的道路施工智能推荐方法，包括：收集公路的中桩坐标、路宽、曲线要素信息，绘制二维平面图并生成栅格地图；利用无人机拍摄碾压施工路面图像，再通过深度学习算法获得对应碾压区域的堆石料级配信息，最后通过连续级配的分形模型预测堆石体的密实度；通过训练和评估，选择最优模型对路面密实度进行实时评估；根据评估结果，规划压路机的行驶路径，对密实度不足区域进行重复碾压，直至满足施工要求；施工过程中，实时更新图像数据集并优化模型，提高评估准确性。本发明通过无人机实时监控施工现场碾压状况并依据深度学习算法与路径规划算法指引压路机完成碾压任务，有效提高了施工效率和压实质量。
-
Patent Agency Ranking
公开(公告)号：CN118964627A
公开(公告)日：2024-11-15
申请号：CN202410548830.1
申请日：2024-05-06
Applicant: 河海大学 , 江苏移动信息系统集成有限公司 , 盐城市市政设施管理处
IPC: G06F16/36 , G06N3/0455 , G06N3/047 , G06F16/35 , G06N3/048 , G06N5/04 , G06F18/24 , G06N3/045 , G06N3/0464
Abstract: 本发明属于计算机应用技术领域，涉及一种语篇级事件时间线生成方法，采用基于异构图的语篇级事件抽取方法提供事件要素；采用多粒度上下文编码的语篇级事件时序关系抽取方法提供时序信息；根据事件抽取方法和事件时序关系抽取方法所提供的事件要素与时序信息，生成事件时间线；本发明中的基于异构图的语篇级事件抽取方法解决了论元参数分散难以捕获和多事件论元参数难以组装两方面的问题、多粒度上下文编码的语篇级事件时序关系抽取方法解决了非相邻语句事件时序关系判断困难和时序关系全局一致性难以保持问题，提升语篇级事件抽取与语篇级事件时序关系抽取的精确率和召回率，从而生成准确的语篇级事件时间线，具有重要的理论意义和应用价值。
-
公开(公告)号：CN118797196A
公开(公告)日：2024-10-18
申请号：CN202410269198.7
申请日：2024-03-07
Applicant: 中移(江西)虚拟现实科技有限公司 , 中国移动通信集团江西有限公司 , 中国移动通信集团有限公司 , 河海大学
IPC: G06F16/957 , G06F16/958 , G06T15/00 , G06F9/50 , G06F9/48 , G06T15/04
Abstract: 本申请公开了数据调度方法、装置、设备、存储介质及产品，该方法包括：获取当前请求的虚拟化港池模型关联的各个文件；确定各个文件的文件大小对页面加载结束时间的第一影响程度，并确定各个文件的渲染时间对页面开始渲染时间的第二影响程度；根据所述第一影响程度和所述第二影响程度，确定当前请求的各个文件对应的综合调度参数值；根据所述综合调度参数值，确定当前请求的各个文件对应的调度优先级，其中，所述综合调度参数值越大时，文件对应的调度优先级越高；基于各个文件对应的调度优先级调度对应的文件至浏览器进行渲染显示。减少浏览器请求响应的等待时长，提高页面响应速度。
-
公开(公告)号：CN118379495B
公开(公告)日：2024-09-17
申请号：CN202410529026.9
申请日：2024-04-29
Applicant: 河海大学
IPC: G06F30/27
Abstract: 本发明公开了一种基于轮廓的水工建筑物缺陷实例分割方法，包括：对数据集进行预处理得到水工建筑物缺陷图像数据集，并将数据集分为训练集、测试集；构建基于实例中心特征的轮廓初始化网络，采用DLA‑34提取特征，通过预测分支网络生成数据集缺陷初始轮廓；构建基于差异化模块的轮廓变形网络，并在初始化网络的基础上使用训练数据集进行模型训练；将测试数据集输入至训练好的网络中，通过三次轮廓变形得到实例分割后的图像；持续拍摄水工建筑物的照片，将图片输入至网络中，得出不同时刻缺陷分割结果，比较分割结果，判断缺陷演进趋势。本发明采用基于轮廓的实例分割技术，克服了依赖人工勘查的传统缺陷检测限制，提高了检测的实时性和准确性。
-
公开(公告)号：CN116610958B
公开(公告)日：2024-07-26
申请号：CN202310735109.9
申请日：2023-06-20
Applicant: 河海大学 , 华能澜沧江水电股份有限公司
IPC: G06F18/214 , G06F18/24
Abstract: 本发明公开一种面向无人机群水库水质检测的分布式模型训练方法及系统，在每一轮训练过程中，无人机从参数服务器接收到全局模型，对接收到的全局模型进行迭代训练，将交叉熵损失函数替换为焦点损失函数，平衡各类别样本在总损失值中的占比，降低本地模型对多数类样本的偏好性；在本地训练结束之后，无人机将模型梯度和损失值上传到参数服务器，参数服务器从接收到的模型梯度中选择主导梯度，并根据主导梯度对所有本地梯度进行修正，来缓解本地模型梯度间的冲突，最终提高水质检测模型的精度。本发明降低了中央服务器的负载，避免了模型训练时敏感数据泄露的风险，解决本地梯度在全局聚合阶段产生梯度冲突的问题，有助于更准确地识别水质问题。
-
公开(公告)号：CN116861361B
公开(公告)日：2024-05-03
申请号：CN202310768316.4
申请日：2023-06-27
Applicant: 河海大学
IPC: G06F18/25 , G06F18/2415 , G06F40/289 , G06V10/82 , G06V10/80 , G06V10/52 , G06V10/77 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/08 , G06Q10/0635 , G06Q50/08
Abstract: 本发明公开了一种基于图像‑文本多模态融合的大坝形变评估方法，包括：获取到先前图像和当前图像；获取到差分图像；对先前图像与差分图像进行多尺度特征提取与融合，得到原始图像；对原始图像、大坝形变判别文本进行预处理；将预处理后的图像与文本特征输入双流跨模态Transformer模型进行预训练，联合建模模态内和跨模态表示，得到预训练模型；优化调整预训练模型的参数；利用训练好的模型，根据测试集图像以及问题文本数据进行预测，获取到大坝形变评估结果。本发明将大坝场景图知识融入到多模态预训练中，大幅度提升了机器对大坝形变场景的“理解能力”，使得模型能更精准地图像‑文本跨模态间的细粒度特征对齐，从而提高回答大坝形变问题的准确率。
-
-
-
-
-
-
-
-
-
Search Results
166
records
(took 0.061 seconds)
