-
公开(公告)号：CN117612006A
公开(公告)日：2024-02-27
申请号：CN202311612743.X
申请日：2023-11-29
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明涉及一种基于LSTM与U‑Net融合网络的大豆种植区遥感提取方法，与现有技术相比解决了机器学习方法提取精度有限、模型时空泛化能力不高的缺陷。本发明包括以下步骤：Sentinel‑2影像的获取和预处理；构造反射率时间序列影像；数据集的构建；PF‑Unet模型的构建与训练；大豆种植区遥感分布图的获得。本发明通过将卷积神经网络U‑Net和长短期记忆网络LSTM融合，提出了PF‑Unet深度学习网络，可以从多个尺度提取时间序列中的特征，相比于U‑Net、LSTM和TFBS模型，大豆种植区遥感提取精度更高。
-
公开(公告)号：CN116029776A
公开(公告)日：2023-04-28
申请号：CN202310135819.8
申请日：2023-02-09
Applicant: 安徽大学
IPC: G06Q30/0283 , G06Q40/06
Abstract: 本发明公开了一种期货价格的预测系统和方法，所述期货价格的预测系统包括：网络搜索指数处理层，获取期货相关的初始关键词和期货价格序列，并对所述初始关键词进行检验和分析，获取投资者关注度序列数据；文本情感分析层，获取期货价格相关的新闻文本，并获取所述新闻文本的情感分数；多尺度分解层，对所述投资者关注度序列数据、所述情感分数和所述期货价格序列进行分解处理，获取高频序列数据、低频序列数据和趋势项数据；以及期货价格预测层，对所述高频序列数据、所述低频序列数据和所述趋势项数据进行预测和集成处理，获取所述期货价格的预测结果。通过本发明公开的一种期货价格的预测系统，提高了期货价格的预测系统的准确性和稳定性。
-
公开(公告)号：CN118157129A
公开(公告)日：2024-06-07
申请号：CN202410472956.5
申请日：2024-04-19
Applicant: 安徽大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06F18/22 , G06F18/213 , G06F18/10
Abstract: 本发明涉及一种基于混合预测框架的电厂发电量预测方法，包括：收集电厂发电的历史电力负荷时间序列数据作为原始数据，进行预处理；得到N个IMF序列分量；得到最终的IIMF序列；得到增强后的发电厂电力负荷数据；构建基于CEEMD分解与样本熵重构的LSTM‑Informer预测模型；进行训练，得到训练好的模型；通过训练好的模型对未来的电厂负荷情况进行预测，生成最终的电力负荷预测值。本发明解决了非平稳数据预测精度低的问题，降低了模型训练的偏差，有效的处理了数据噪声问题，减少了计算量，降低了预测所需的时间；将新的特征值添加到基于CEEMD分解与样本熵重构的LSTM‑Informer预测模型的顶层结构中，并训练整体电力负荷数据，以生成最终的电力负荷预测值，显著提高了电力负荷预测的精准度。
-
公开(公告)号：CN116434064A
公开(公告)日：2023-07-14
申请号：CN202310398075.9
申请日：2023-04-14
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，包括：获取10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；构建改进的UNet网络模型即SK‑UNet模型作为大豆种植区影像提取网络；得到训练后的SK‑UNet模型；获取待提取的遥感影像并进行预处理；将预处理后的待提取的遥感影像输入训练后的SK‑UNet模型，得到大豆种植区影像提取结果。本发明基于对UNet网络的改进，在每个双层卷积后加入SKNet Block模块，其可扩展性好且提取精度高，可调整参数应用于不同传感器的遥感卫星影像；通过验证，本发明得到的高分辨率遥感影像分类结果在评价指标优上优于对比分类算法，并且产生的分类结果能够更好的保持了边缘的平滑和完整性。
-
公开(公告)号：CN115063678B
公开(公告)日：2025-04-04
申请号：CN202210673426.8
申请日：2022-06-15
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种基于国产GF‑6WFV数据的大豆种植区提取方法，包括：获取待提取区域的GF‑6WFV数据，并对数据进行预处理；采用决策树分层逐级提取策略剔除预处理后的GF‑6WFV数据中的非农作物像元，得到农田植被总体分布数据；生成候选遥感特征集合；得到优选特征集合，再进行分类器的筛选，得到最佳分类器；将优选特征集合和最佳分类器结合，获得最优提取模型，并对最优提取模型的表现进行评价，考查最优提取模型对于大豆种植区的制图效果。本发明利用决策树分层逐级提取策略，显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰，有助于获取更为准确和可靠的结果；同时降低数据占用的存储空间和运算量，从而提高执行效率。
-
Patent Agency Ranking
公开(公告)号：CN117523412A
公开(公告)日：2024-02-06
申请号：CN202311543030.2
申请日：2023-11-20
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/764
Abstract: 本发明涉及一种基于改进GWCCI指数的大豆遥感制图方法，包括：获得研究区Sentinel‑2影像，筛选出高晴空覆盖率的合成影像；得到仅包含耕地信息的合成影像；筛选出其中适合提取大豆的两种指数参与构建改进版GWCCI指数，确定改进版GWCCI指数的数学形式，并将其命名为GWCCI2指数；构建不同作物类型的GWCCI2时序图，确定大豆提取的最佳时相t；确定大豆提取的最佳阈值δ；根据最佳阈值δ判断每个像素是否属于大豆种植区。本发明提出了新的GWCCI2指数，该指数同时反映了作物的叶绿素含量及冠层水分含量，增强了大豆在结荚期内与其他作物间的差异，其对于大豆的敏感度要高于原始GWCCI指数，更加适用于种植区分散、大豆与其他作物交错混杂种植普遍情况下的大豆种植区提取。
-
公开(公告)号：CN115619025A
公开(公告)日：2023-01-17
申请号：CN202211318864.9
申请日：2022-10-26
Applicant: 安徽大学
Abstract: 本发明涉及基于MEEMD与最优组合集成的电力负荷三角模糊预测方法，与现有技术相比解决了电力负荷预测值通常为实值序列而造成信息损失的缺陷。本发明包括以下步骤：数据集的获取；数据集的分解；进行单项模型预测；构建三角模糊最优组合预测模型；电力负荷三角模糊预测结果的获得。本发明对电力负荷数据的原始数据进行经验模态分解，构建三角模糊数，使用XGBoost、MSVR、MLP三种模型进行组合预测，利用MEEMD算法与最优组合集成技术提高了预测的精度，分散了预测的风险。
-
公开(公告)号：CN119168176A
公开(公告)日：2024-12-20
申请号：CN202411679803.4
申请日：2024-11-22
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F18/22 , G06F18/211 , G06N3/042 , G06N3/0495 , G06N3/084 , G01N33/18
Abstract: 本发明涉及一种基于时空特征融合的多站点水质预测方法，与现有技术相比解决了水质预测精准度低的缺陷。本发明包括以下步骤：多站点水质基础数据的获取及预处理；对水域水质数据进行特征筛选；构建#imgabs0#模型；#imgabs1#模型的训练；水质预测结果的获得。本发明从因果、空间、语义三个角度对多站点水质指标数据进行建模，对于复杂的水域场景，考虑到更多相关因素；基于神经常微分方程，对水质传播过程提供一种更具可解释性的建模方案，并相较于传统的神经常微分建模，使用多跳传播的方式，提升信息的利用率与传播率。
-
公开(公告)号：CN115063678A
公开(公告)日：2022-09-16
申请号：CN202210673426.8
申请日：2022-06-15
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种基于国产GF‑6WFV数据的大豆种植区提取方法，包括：获取待提取区域的GF‑6WFV数据，并对数据进行预处理；采用决策树分层逐级提取策略剔除预处理后的GF‑6WFV数据中的非农作物像元，得到农田植被总体分布数据；生成候选遥感特征集合；得到优选特征集合，再进行分类器的筛选，得到最佳分类器；将优选特征集合和最佳分类器结合，获得最优提取模型，并对最优提取模型的表现进行评价，考查最优提取模型对于大豆种植区的制图效果。本发明利用决策树分层逐级提取策略，显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰，有助于获取更为准确和可靠的结果；同时降低数据占用的存储空间和运算量，从而提高执行效率。
-
公开(公告)号：CN119168176B
公开(公告)日：2025-02-11
申请号：CN202411679803.4
申请日：2024-11-22
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F18/22 , G06F18/211 , G06N3/042 , G06N3/0495 , G06N3/084 , G01N33/18
Abstract: 本发明涉及一种基于时空特征融合的多站点水质预测方法，与现有技术相比解决了水质预测精准度低的缺陷。本发明包括以下步骤：多站点水质基础数据的获取及预处理；对水域水质数据进行特征筛选；构建#imgabs0#模型；#imgabs1#模型的训练；水质预测结果的获得。本发明从因果、空间、语义三个角度对多站点水质指标数据进行建模，对于复杂的水域场景，考虑到更多相关因素；基于神经常微分方程，对水质传播过程提供一种更具可解释性的建模方案，并相较于传统的神经常微分建模，使用多跳传播的方式，提升信息的利用率与传播率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.029 seconds)
