-
公开(公告)号：CN117274758A
公开(公告)日：2023-12-22
申请号：CN202311169393.4
申请日：2023-09-12
Applicant: 浙江大学海南研究院
IPC: G06V10/80 , G06N3/0455 , G06N3/088 , G06V10/74
Abstract: 本发明公开了一种多聚焦图像栈的融合方法及计算机可读存储介质。该方法包括获取输入的多聚焦图像栈中不同图层图像的高维特征并生成高维特征图，逐一计算每一图层图像的所有高维特征图的像素级平均空间频率梯度矩阵，计算输入的多聚焦图像栈各图像中具有相同坐标的像素的高维空间频率梯度响应，并生成决策矩阵，基于决策矩阵生成最终的融合图像。本发明通过在损失函数中引入梯度损失和空间频率损失，在编码器训练过程中约束图像的整体空间频率特征，使编码器的输出更加精确；本发明的编码器可用于高效、便捷地完成不同数量、分辨率和类别图像堆栈的多焦距融合任务，此外，最终融合只需生成一个决策矩阵，大大提高了融合效率，简化了融合过程。
-
公开(公告)号：CN116992781B
公开(公告)日：2023-12-26
申请号：CN202311252915.7
申请日：2023-09-27
Applicant: 浙江大学海南研究院
IPC: G06F30/27 , G06N3/0442 , G06F18/214 , G01C13/00
Abstract: 本发明涉及一种基于深度学习的多步多要素风浪预报方法，包括：获取待分析区域的有效原始数据，以用于提供风浪预报深度学习模型的输入数据；确定所述输入数据，以用于深度学习模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素；构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架，根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据；根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据。本发明的基于深度学习的多步多要素风浪预报方法能够提高风浪预测效率和精度。
-
公开(公告)号：CN116992781A
公开(公告)日：2023-11-03
申请号：CN202311252915.7
申请日：2023-09-27
Applicant: 浙江大学海南研究院
IPC: G06F30/27 , G06N3/0442 , G06F18/214 , G01C13/00
Abstract: 本发明涉及一种基于深度学习的多步多要素风浪预报方法，包括：获取待分析区域的有效原始数据，以用于提供风浪预报深度学习模型的输入数据；确定所述输入数据，以用于深度学习模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素；构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架，根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据；根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据。本发明的基于深度学习的多步多要素风浪预报方法能够提高风浪预测效率和精度。
-
公开(公告)号：CN116609827B
公开(公告)日：2023-09-15
申请号：CN202310889287.7
申请日：2023-07-20
Applicant: 浙江大学海南研究院
Abstract: 本发明涉及一种基于多层非静压模型的地震海啸预警系统和方法，包括：数据库单元，用于存储地震海啸灾害数据库；对象单元，用于接收地震海啸输入信息，并在地震海啸灾害数据库中查询比对是否存在相同的预存地震海啸信息，若未查询比对到所述相同的预存地震海啸信息时，调用输入单元、执行单元、输出单元和分析单元；其中，所述地震海啸输入信息包括：断裂带中心经纬度、断裂带长度、断裂带宽度和断裂带滑移量；并通过边界层的通量速度来计算各点的变量。本发明的基于多层非静压模型的地震海啸预警系统和方法具有更高的计算效率、稳定性和准确度。
-
公开(公告)号：CN116540300A
公开(公告)日：2023-08-04
申请号：CN202310759935.7
申请日：2023-06-27
Applicant: 浙江大学海南研究院
Abstract: 本发明涉及一种概率性海啸灾害分析方法，包括：获取待分析区域，以用于所述概率性海啸灾害分析方法；根据所述待分析区域，分别确定海啸源和高精度地形文件；根据所述高精度地形文件，并使用海啸数值模型进行计算，确定海啸最大波高文件，并根据所述海啸最大波高文件计算第一波高超越概率；根据所述第一波高超越概率，获取第一波高发生概率，获取待分析区域的潮汐水位时间序列数据，计算待分析区域的潮汐水位高度发生概率；将所述第一波高发生概率和所述潮汐水位高度发生概率进行卷积计算，获得第二波高发生概率，根据所述第二波高发生概率，确定所述待分析区域的第二波高超越概率。
-
Patent Agency Ranking
公开(公告)号：CN116540300B
公开(公告)日：2023-08-29
申请号：CN202310759935.7
申请日：2023-06-27
Applicant: 浙江大学海南研究院
Abstract: 本发明涉及一种概率性海啸灾害分析方法，包括：获取待分析区域，以用于所述概率性海啸灾害分析方法；根据所述待分析区域，分别确定海啸源和高精度地形文件；根据所述高精度地形文件，并使用海啸数值模型进行计算，确定海啸最大波高文件，并根据所述海啸最大波高文件计算第一波高超越概率；根据所述第一波高超越概率，获取第一波高发生概率，获取待分析区域的潮汐水位时间序列数据，计算待分析区域的潮汐水位高度发生概率；将所述第一波高发生概率和所述潮汐水位高度发生概率进行卷积计算，获得第二波高发生概率，根据所述第二波高发生概率，确定所述待分析区域的第二波高超越概率。
-
公开(公告)号：CN116482763B
公开(公告)日：2023-08-25
申请号：CN202310720302.5
申请日：2023-06-19
Applicant: 浙江大学海南研究院
IPC: G01V1/30 , G01V1/38 , G06F18/243
Abstract: 本发明涉及一种基于逻辑树法的概率性地震海啸灾害分析方法，包括：获取待分析区域，以用于所述概率性地震海啸灾害分析方法；根据所述待分析区域，分别确定地震海啸源和高精度地形文件；根据所述地震海啸源对应的第一参数组，以及第二参数组，构建参数逻辑树；根据所述高精度地形文件，并使用海啸数值模型进行计算，确定海啸最大波高文件；根据所述参数逻辑树形成的逻辑树法，以及概率性组合和计算多个所述最大波高文件，确定所述待分析区域的每个像素点处的波高超越概率。本发明的基于逻辑树法的概率性地震海啸灾害分析方法能够满足减少分析的不确定性和显著地减少所占用的计算资源。
-
公开(公告)号：CN116822254B
公开(公告)日：2023-12-15
申请号：CN202311091183.8
申请日：2023-08-29
Applicant: 浙江大学海南研究院 , 中国港湾工程有限责任公司
Abstract: 本发明涉及一种基于扭王字块护面斜坡堤反射性能的分析方法，包括：获取扭王字块护面斜坡堤的固有数据，所述固有数据至少包括扭王字块护面斜坡堤的斜坡角度；获取扭王字块护面斜坡堤前的波浪数据，所述波浪数据至少包括第一波浪参数、第二波浪参数和第三波浪参数；根据所述固有数据和所述波浪数据构建扭王字护面斜坡堤的反射模型并确定反射系数，其中，所述反射模型至少包括破波参数、第一系数、第二系数和第三系数；根据所述反射系数，确定扭王字块护面斜坡堤的反射性能。本发明的基于扭王字块护面斜坡堤反射性能的分析方法能够较精确地分析斜坡堤的反射性能。
-
公开(公告)号：CN116822254A
公开(公告)日：2023-09-29
申请号：CN202311091183.8
申请日：2023-08-29
Applicant: 浙江大学海南研究院 , 中国港湾工程有限责任公司
Abstract: 本发明涉及一种基于扭王字块护面斜坡堤反射性能的分析方法，包括：获取扭王字块护面斜坡堤的固有数据，所述固有数据至少包括扭王字块护面斜坡堤的斜坡角度；获取扭王字块护面斜坡堤前的波浪数据，所述波浪数据至少包括第一波浪参数、第二波浪参数和第三波浪参数；根据所述固有数据和所述波浪数据构建扭王字护面斜坡堤的反射模型并确定反射系数，其中，所述反射模型至少包括破波参数、第一系数、第二系数和第三系数；根据所述反射系数，确定扭王字块护面斜坡堤的反射性能。本发明的基于扭王字块护面斜坡堤反射性能的分析方法能够较精确地分析斜坡堤的反射性能。
-
公开(公告)号：CN116609827A
公开(公告)日：2023-08-18
申请号：CN202310889287.7
申请日：2023-07-20
Applicant: 浙江大学海南研究院
Abstract: 本发明涉及一种基于多层非静压模型的地震海啸预警系统和方法，包括：数据库单元，用于存储地震海啸灾害数据库；对象单元，用于接收地震海啸输入信息，并在地震海啸灾害数据库中查询比对是否存在相同的预存地震海啸信息，若未查询比对到所述相同的预存地震海啸信息时，调用输入单元、执行单元、输出单元和分析单元；其中，所述地震海啸输入信息包括：断裂带中心经纬度、断裂带长度、断裂带宽度和断裂带滑移量；并通过边界层的通量速度来计算各点的变量。本发明的基于多层非静压模型的地震海啸预警系统和方法具有更高的计算效率、稳定性和准确度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
