公开(公告)号：CN113298148B

公开(公告)日：2022-08-05

申请号：CN202110569636.8

申请日：2021-05-25

Applicant: 南京邮电大学

Inventor： 季一木 ,  苗冬冬 ,  张澳生 ,  徐鹤 ,  李鹏 ,  王汝传

IPC: G06K9/62

Abstract: 本发明所述的一种面向生态环境评价的不平衡数据重采样方法，包括以下步骤：步骤1、采集生态环境数据，对每个实例的生态环境数据进行标准化处理；步骤2、计算每个实例的数据密度以及多数类与少数类的数量差d；步骤3、计算少数类和多数类的分布不平衡程度DI与数量不平衡程度IR；步骤4、对少数类进行过采样；步骤5、对多数类进行欠采样。本发明所述的有益效果为：利用数据集中每个实例的数据密度衡量分布的均匀程度，根据数据分布的不平衡程度来进行过采样和欠采样，达到平衡数据的目的；进一步平衡了生态环境数据，提升了数据集的质量，在进行生态环境质量评价时，准确率会更高，真阳率上升。

公开(公告)号：CN115327041A

公开(公告)日：2022-11-11

申请号：CN202210948354.3

申请日：2022-08-09

Applicant: 南京邮电大学

Inventor： 徐鹤 ,  张澳生 ,  徐鑫 ,  季一木 ,  李鹏 ,  王汝传 ,  苗冬冬

IPC: G01N33/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于关联性分析的空气污染物浓度预测方法。本发明先通过皮尔森系数将相邻站点的空气污染物浓度与目标站点的污染物浓度进行关联性强弱的排序，然后将关联性最高的若干项污染物浓度与目标站点的历史污染物浓度进行组合的数据放入到神经网络模型中进行训练。相较于传统的直接进行模型训练的方法增加了多个相邻站点之间的关联性的分析再进行模型的训练，这种方法更能够挖掘到相邻站点空气污染物浓度的变化对目标站点污染物浓度变化所造成的影响，从而能够更加精确的预测到目标站点的空气污染物浓度的变化。通过以上提出的一种基于关联性分析的空气污染物浓度预测方法可以实现对空气污染物的变化进行准确的预测。

公开(公告)号：CN112348275A

公开(公告)日：2021-02-09

申请号：CN202011290431.8

申请日：2020-11-18

Applicant: 南京邮电大学

Inventor： 徐鹤 ,  张澳生 ,  苗冬冬 ,  季一木 ,  王汝传 ,  李鹏

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及生态环境预测模型领域，公开了一种基于在线增量学习的区域生态环境变化预测方法。本发明将卷积神经网络、长短期记忆神经网络和全连接神经网络与基于自适应遗传算法的增量极限学习机相结合。对传统的增量极限学习机进行了优化并提出了使用自适应遗传算法来得到模型的隐藏层最优节点数。并且使用增量学习的方法对区域式生态环境的变化进行预测，这种方法能够根据新的环境数据的变化去在线的训练模型，通过该方法也能够大幅度的减小训练模型所花费的代价并且提高预测的精度。通过以上提出的一种基于在线增量学习的区域生态环境变化预测方法可以实现对区域式生态环境的变化进行准确的预测。

公开(公告)号：CN115909266A

公开(公告)日：2023-04-04

申请号：CN202211367523.0

申请日：2022-11-03

Applicant: 南京邮电大学

Inventor： 马泽森 ,  付慧 ,  王纯洁 ,  徐鹤 ,  季一木 ,  刘尚东 ,  苏俞彪 ,  徐鑫 ,  张澳生

IPC: G06V20/58 ,  G06V10/82 ,  G06V10/80 ,  G06V10/44

Abstract: 一种融合双重注意力机制的单目3D目标检测方法，基于目标检测算法，融合通道注意力机制及空间注意力机制，提供有效聚焦，提升收敛速度，减少时延，可以更好地解决目标检测的精度问题，提高网络的可解释性，同时提升目标检测的性能。通过将通道注意力机制(channel attention)、空间注意力机制(spatial attention)两种注意力机制综合运用，聚焦输入图像的全局与局部的双重重要信息来提高单目3D目标检测的精度。该发明成本极低、便于推广使用，能够在自动驾驶、障碍物检测与定位中扮演非常重要的角色。

公开(公告)号：CN114648095A

公开(公告)日：2022-06-21

申请号：CN202210190501.5

申请日：2022-02-28

Applicant: 南京邮电大学

Inventor： 徐鹤 ,  徐鑫 ,  季一木 ,  李鹏 ,  王汝传 ,  张澳生 ,  苗冬冬

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明涉及生态环境监测技术领域，公开了一种基于深度学习的空气质量浓度反演方法，将卷积神经网络、长短期记忆神经网络和全连接神经网络与引入Nesterov动量的自适应学习率RMSProp算法和参数初始化策略相结合，对传统的LSTM模型进行了优化并且提出使用了自适应学习算法。基于建立的双向LSTM模型对空气质量浓度的变化进行反演，这种方法能够大幅度减少训练模型所需要的时间并且能提高空气质量浓度的精度，根据新的环境数据的变化去在线训练模型。通过基于深度学习的空气质量浓度反演方法可以实现对区域式空气质量浓度的变化进行准确的反演。

公开(公告)号：CN113298148A

公开(公告)日：2021-08-24

申请号：CN202110569636.8

申请日：2021-05-25

Applicant: 南京邮电大学

Inventor： 季一木 ,  苗冬冬 ,  张澳生 ,  徐鹤 ,  李鹏 ,  王汝传

IPC: G06K9/62

Abstract: 本发明所述的一种面向生态环境评价的不平衡数据重采样方法，包括以下步骤：步骤1、采集生态环境数据，对每个实例的生态环境数据进行标准化处理；步骤2、计算每个实例的数据密度以及多数类与少数类的数量差d；步骤3、计算少数类和多数类的分布不平衡程度DI与数量不平衡程度IR；步骤4、对少数类进行过采样；步骤5、对多数类进行欠采样。本发明所述的有益效果为：利用数据集中每个实例的数据密度衡量分布的均匀程度，根据数据分布的不平衡程度来进行过采样和欠采样，达到平衡数据的目的；进一步平衡了生态环境数据，提升了数据集的质量，在进行生态环境质量评价时，准确率会更高，真阳率上升。