-
公开(公告)号：CN113690438A
公开(公告)日：2021-11-23
申请号：CN202110818453.5
申请日：2021-07-20
Applicant: 北京理工大学
IPC: H01M4/62 , H01M4/58 , H01M10/054
Abstract: 本发明属于钠离子电池负极材料制备技术领域，具体涉及一种含硒化物复合材料及其制备方法和应用。该制备方法包括金属氧化物微球、含硒溶液和含硒化物复合材料三个步骤。通过共沉淀法制备得到了过渡金属氢氧化物，有效引入了双金属组分(锡和过渡金属)，通过煅烧后得到金属氧化物微球结构，硒粉通过还原剂得到硒离子，以金属氧化物微球结构为模板，硒离子与金属氧化物微球结构中氧发生交换，进而得到纯度高、晶型好、结构完整可控的含双金属组分的硒化物，通过控制金属氧化微球的结构，实现了含硒化物复合材料结构可控；该含硒化物复合材料为蛋壳结构，该结构可以增加材料的比表面积和活性位点，进而提提升了含硒化物复合材料的储钠容量。
-
公开(公告)号：CN111881797A
公开(公告)日：2020-11-03
申请号：CN202010701214.7
申请日：2020-07-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种滨海湿地植被精细分类方法、装置、设备和存储介质，该方法包括：对获取到的原始滨海湿地高光谱数据进行预处理；将预处理后的滨海湿地高光谱数据进行回归变换，得到回归变换后的滨海湿地高光谱数据；将回归变换后的滨海湿地高光谱数据输入预先训练的双分支CNN网络，以提取光谱特征和空间特征，平铺拼接光谱特征和空间特征得到回归域特征；将回归域特征输入决策分类，得到滨海湿地植被精细分类结果。提高了湿地地物分类的精度。
-
公开(公告)号：CN116958709B
公开(公告)日：2025-05-13
申请号：CN202311073728.2
申请日：2023-08-24
Applicant: 北京理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种轻量级张量卷积长短时记忆网络的高光谱分类方法，针对空谱卷积长短时记忆单元权重参数量多、存储复杂度高等问题，基于张量链式分解设计出两种轻量级张量空谱卷积长短时记忆单元：(1)将每个门结构中每个卷积运算分别扩展至张量域；(2)将当前时刻输入数据和前一时刻输出数据对应的4个卷积核分别集成，堆叠为两个大尺寸卷积核并扩展至张量域。以两种轻量级单元为基本结构，分别设计两种轻量级深度张量空谱卷积长短时记忆网络用于高光谱图像分类。本发明能保持良好的空谱特征提取能力，并在较低网络参数量和存储复杂度下，有效缓解整个模型的过拟合问题，提高小样本高光谱图像分类性能。
-
公开(公告)号：CN117541873A
公开(公告)日：2024-02-09
申请号：CN202311594655.1
申请日：2023-11-27
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06V20/13 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于多源遥感图像的地物分类方法，属于遥感图像技术领域，包括以下步骤：S1：构建遥感图像地物分类模型；S2：将真实数据集分为训练集和测试集，通过所述训练集对遥感图像地物分类模型进行训练；S3：通过训练完成的遥感图像地物分类模型对任意场景下的遥感图像进行地物分类。本发明能够更加准确地对多种场景下的遥感图片中的地物进行分类，总体准确度、平均准确度和Kappa系数高。
-
公开(公告)号：CN116958709A
公开(公告)日：2023-10-27
申请号：CN202311073728.2
申请日：2023-08-24
Applicant: 北京理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种轻量级张量卷积长短时记忆网络的高光谱分类方法，针对空谱卷积长短时记忆单元权重参数量多、存储复杂度高等问题，基于张量链式分解设计出两种轻量级张量空谱卷积长短时记忆单元：(1)将每个门结构中每个卷积运算分别扩展至张量域；(2)将当前时刻输入数据和前一时刻输出数据对应的4个卷积核分别集成，堆叠为两个大尺寸卷积核并扩展至张量域。以两种轻量级单元为基本结构，分别设计两种轻量级深度张量空谱卷积长短时记忆网络用于高光谱图像分类。本发明能保持良好的空谱特征提取能力，并在较低网络参数量和存储复杂度下，有效缓解整个模型的过拟合问题，提高小样本高光谱图像分类性能。
-
Patent Agency Ranking
公开(公告)号：CN116883752A
公开(公告)日：2023-10-13
申请号：CN202310883134.1
申请日：2023-07-19
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/0985
Abstract: 本发明公开了一种基于分块表征机制的高光谱图像跨域地物要素提取方法，属于图像处理技术技术领域，包括以下步骤：S1：构建空谱一致深度残差3D卷积网络，缓解场景间空谱结构差异，提取空谱嵌入深度特征；S2：构建关系映射模块，设计分块表征机制，逐类别计算原型特征；S3：设计域对齐策略，缓解域间条件分布差异；S4：选取源场景和目标场景，分别构建支持集和查询集，输入网络进行训练；S5：将完成训练的网络用于目标场景，进行全景推理提取目标场景中全部地物要素。本发明提高了异质数据的地物要素提取效率，强化了关系子空间中特征的可分性，实现了模型到不同场景的迁移。
-
公开(公告)号：CN116129266A
公开(公告)日：2023-05-16
申请号：CN202310098052.6
申请日：2023-02-10
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/09 , G06N3/0895 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了半中心注意力的高光谱和激光雷达图像跨场景分类方法，包括以下步骤：步骤S1：设计半中心注意力模块；步骤S2：以半中心注意力模块为基本单元，构建编码器和解码器，将编码器和解码器组合为高光谱和激光雷达图像自学习网络；步骤S3：以高光谱图像为输入构建HSI信息嵌入模块、以像素位置为输入构建位置信息嵌入模块、以激光雷达图像为输入构建高程信息嵌入模块；将HSI信息嵌入模块、位置信息嵌入模块、和高程信息嵌入模块进行简单叠加融合作为编码器和解码器的输入；本发明能获得不依赖于场景的鲁棒性特征，从而提高跨场景分类效果。
-
公开(公告)号：CN114249322B
公开(公告)日：2023-04-25
申请号：CN202111609884.7
申请日：2021-12-27
Applicant: 北京理工大学
IPC: C01B32/914 , C01G31/02 , H01M4/36 , H01M10/054
Abstract: 本发明涉及一种纳米花状VO2(B)/V2CTx复合材料的制备方法和钠离子电池，属于钠离子电池负极材料技术领域。所述方法选择Mxene材料中的V2CTx为碳源，乙酰丙酮氧钒、偏钒酸钠或偏钒酸铵为钒源，加入硼氢化钠和硫脲，通过一步水热法，在V2CTx纳米片上生长出形貌均一的VO2(B)纳米结构，再经高温煅烧，得到纳米花状VO2(B)/V2CTx复合材料。以所述VO2(B)/V2CTx复合材料为负极材料中活性物质的钠离子电池，在100mA g‑1的电流密度下，首次放电比容量达458.64mAh g‑1，充放电循环100周仍然有270.08mAh g‑1的可逆放电比容量。
-
公开(公告)号：CN111914631B
公开(公告)日：2022-10-25
申请号：CN202010566365.6
申请日：2020-06-19
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，首先通过逐波段归一化的方法对多源数据进行量纲归一化的操作，处理后的数据进行1D和2D图像块的切割；将高光谱的1D和2D图像块分批置入特定的HSI网络结构,充分训练并保存此部分的权重参数；将保存的参数导入MCNN网络中高光谱特征提取的分支中，训练完成后保存整体MCNN的权重参数；使用时将被测试的图像分为1D和2D图像块，输入训练完成后的MCNN网络，得到最终的类别划分。本发明的网络训练更具方向性，在特征提取阶段增强了信息的交织和互补性。基于不同复杂程序进行特定的连接方式，避免在整体融合过程中忽略小的区别以及避免来自不同来源的数据之间的过度干扰。
-
公开(公告)号：CN111898662A
公开(公告)日：2020-11-06
申请号：CN202010701215.1
申请日：2020-07-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种滨海湿地深度学习分类方法、装置、设备和存储介质，该方法包括：对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；构造各个模式的三层Octave卷积层；基于各个模式的三层Octave卷积层，对待处理高光谱图像数据和待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据；提取特征融合数据中的方向性纹理信息，结合待处理高光谱数据进行空间、纹理以及光谱联合分类，得到目标联合分类特征，以确定目标类别。提高了不同分辨率、不同模态下的联合地物分类性能；实现高精度的协同分类。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.031 seconds)
