-
公开(公告)号：CN105371836A
公开(公告)日：2016-03-02
申请号：CN201510961083.5
申请日：2015-12-18
Applicant: 哈尔滨工业大学
IPC: G01C19/72
CPC classification number: G01C19/72
Abstract: 本发明公开了一种基于EEMD和FIR的混合型光纤陀螺信号滤波方法，具体步骤如下：步骤一：利用EEMD算法对光纤陀螺信号进行分解，得到各层IMF分量和残差；步骤二：对每层IMF分量进行希尔伯特变换，得到其幅值和瞬时频率，并根据瞬时频率推算出阈值，通过阈值计算权值；步骤三：采用FIR滤波器对每层IMF分量和残差进行FIR滤波处理，得到新的各层IMF分量和残差；步骤四：将被FIR滤波器处理后的新的IMF进行加权重构，最终形成去噪后的结果。本发明综合了两种方法的优势，通过EEMD方法提高数据分解精度，再用FIR滤波器方法进一步进行低通滤波，提高了EEMD信号处理时的频率精度，使得滤波效果明显增强。同时保证了方法依旧基于数据的方法，不用对数据进行建模，适用面广。
-
Patent Agency Ranking
公开(公告)号：CN104504399B
公开(公告)日：2017-07-18
申请号：CN201510003048.2
申请日：2015-01-05
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种结合线性相关信息熵的多光谱数据有监督分类方法，涉及一种基于线性相关信息熵和kNN分类器的遥感图像有监督分类方法。本发明的步骤为：一、人工采样后自动筛选有监督分类所需的训练样本集合；二、自动寻优确定kNN分类器算法的参数；三、使用kNN分类器算法完成对多光谱遥感图像的分类。本发明通过多变量输入的训练样本高效自动筛选过程以及分类器参数自动寻优步骤，有效改善了kNN分类器算法的分类精度且减少了分类时间，使之更加适合大数据量多光谱遥感图像的高精度分类任务。
-
公开(公告)号：CN104504399A
公开(公告)日：2015-04-08
申请号：CN201510003048.2
申请日：2015-01-05
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种结合线性相关信息熵的多光谱数据有监督分类方法，涉及一种基于线性相关信息熵和kNN分类器的遥感图像有监督分类方法。本发明的步骤为：一、人工采样后自动筛选有监督分类所需的训练样本集合；二、自动寻优确定kNN分类器算法的参数；三、使用kNN分类器算法完成对多光谱遥感图像的分类。本发明通过多变量输入的训练样本高效自动筛选过程以及分类器参数自动寻优步骤，有效改善了kNN分类器算法的分类精度且减少了分类时间，使之更加适合大数据量多光谱遥感图像的高精度分类任务。
-
公开(公告)号：CN105371836B
公开(公告)日：2018-09-25
申请号：CN201510961083.5
申请日：2015-12-18
Applicant: 哈尔滨工业大学
IPC: G01C19/72
Abstract: 本发明公开了一种基于EEMD和FIR的混合型光纤陀螺信号滤波方法，具体步骤如下：步骤一：利用EEMD算法对光纤陀螺信号进行分解，得到各层IMF分量和残差；步骤二：对每层IMF分量进行希尔伯特变换，得到其幅值和瞬时频率，并根据瞬时频率推算出阈值，通过阈值计算权值；步骤三：采用FIR滤波器对每层IMF分量和残差进行FIR滤波处理，得到新的各层IMF分量和残差；步骤四：将被FIR滤波器处理后的新的IMF进行加权重构，最终形成去噪后的结果。本发明综合了两种方法的优势，通过EEMD方法提高数据分解精度，再用FIR滤波器方法进一步进行低通滤波，提高了EEMD信号处理时的频率精度，使得滤波效果明显增强。同时保证了方法依旧基于数据的方法，不用对数据进行建模，适用面广。
-
公开(公告)号：CN105513097B
公开(公告)日：2018-08-14
申请号：CN201511022789.1
申请日：2015-12-30
Applicant: 哈尔滨工业大学
IPC: G06T7/45
Abstract: 本发明公开了一种基于最小体积与优化约束条件的高光谱解混方法，其步骤如下：步骤一：数据加载与预处理。步骤二：筛选图像采样点，构造优化的约束条件，寻找满足初始条件的数据。步骤三：将非负非线性规划问题转换为线性规划问题，对线性规划问题的目标函数结合优化后的约束条件进行求解，计算中间变量矩阵Hnew、gnew。步骤四：根据变化率检测终止条件判断是否终止迭代计算，若不满足终止条件，则返回步骤三，继续更新中间变量矩阵Hnew、gnew。步骤五：解出满足非负性要求的端元矩阵，并计算丰度系数，完成图像的解混。本方法解决基于最小体积的高光谱解混算法中，约束条件过多所导致的数据存储空间大，运算时间长，精确性难以提高的问题。
-
公开(公告)号：CN105513097A
公开(公告)日：2016-04-20
申请号：CN201511022789.1
申请日：2015-12-30
Applicant: 哈尔滨工业大学
IPC: G06T7/40
CPC classification number: G06T2207/10032 , G06T2207/10048
Abstract: 本发明公开了一种基于最小体积与优化约束条件的高光谱解混方法，其步骤如下：步骤一：数据加载与预处理。步骤二：筛选图像采样点，构造优化的约束条件，寻找满足初始条件的数据。步骤三：将非负非线性规划问题转换为线性规划问题，对线性规划问题的目标函数结合优化后的约束条件进行求解，计算中间变量矩阵Hnew、gnew。步骤四：根据变化率检测终止条件判断是否终止迭代计算，若不满足终止条件，则返回步骤三，继续更新中间变量矩阵Hnew、gnew。步骤五：解出满足非负性要求的端元矩阵，并计算丰度系数，完成图像的解混。本方法解决基于最小体积的高光谱解混算法中，约束条件过多所导致的数据存储空间大，运算时间长，精确性难以提高的问题。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
