-
公开(公告)号：CN103473734B
公开(公告)日：2016-09-14
申请号：CN201310421449.0
申请日：2013-09-16
Applicant: 南京大学
Abstract: 基于车载LiDAR数据的电力线提取与拟合方法，方法如下：首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟合。本发明能够实现海量车载LiDAR数据中电力线点云的自动快速提取，实现了单条电力线的准确识别以及电力线三维模型的精确拟合。
-
公开(公告)号：CN119494270A
公开(公告)日：2025-02-21
申请号：CN202411570143.6
申请日：2024-11-06
Applicant: 南京大学
IPC: G06F30/27 , G16C60/00 , G06N3/006 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明属于超材料设计领域，具体涉及一种基于CVAE和PSO的纳米光子超材料结构逆向设计方法；所述方法具体步骤为S1.构建数据集；S2.将数据集分割为80％的训练集、10％的验证集和10％的测试集；S3.构建正向预测网络模型，并进行迭代循环训练；S4.构建条件变分自编码器网络模型；S5.将训练集中编码矩阵及反射光谱向量作为数据对送入条件变分自编码器网络模型，进行迭代循环训练；S6.通过粒子群优化算法寻找最优的潜在向量，将潜在向量与反射光谱向量拼接后输入条件变分自编码器网络模型得到候选设计结构，并利用正向预测网络模型进行筛选；本发明解决了现有技术反向设计中设计多样性不足与精确度不高难以平衡的问题。
-
公开(公告)号：CN119294259A
公开(公告)日：2025-01-10
申请号：CN202411527918.1
申请日：2024-10-30
Applicant: 南京大学
IPC: G06F30/27 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及电磁超技术领域，尤其涉及一种基于联合判别生成对抗网络的超表面结构设计方法，设计电磁超表面单元结构及相关参数的周期性排列，并输入至电磁仿真软件以获得电磁响应，构建正向预测数据集和反向设计数据集；将正向预测数据集和反向设计数据集分别分割为训练集和测试集；构建正向预测网络模型，将正向预测数据集送入用于正向预测的模拟器网络Simulator中进行训练，训练完成后固定正向预测网络模型参数。本发明通过将预训练好的正向预测网络和判别光谱相似性的判别器网络加入逆向设计网络中，使得网络能够很好地理解结构设计与其整体光学响应之间的关系，更加注重于生成结构的吸收光谱，可以生成新的设计，也可以扩展到分析其他的超表面结构。
-
公开(公告)号：CN117909888B
公开(公告)日：2024-05-28
申请号：CN202410321400.6
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/2431 , G06F18/2411 , G06F18/27 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种智慧人工智能气候预测方法，利用时空耦合模态分解方法，提取决定预测目标气候要素异常相对倾向的前期或同期最优气候模态及其对应的时间序列；利用人工智能模型训练和构建最优气候模态时间序列与预测目标气候要素异常相对倾向之间非线性关系的预测模型；将观测的前期或动力模式预测的同期最优气候模态时间序列带入非线性预测模型，实现对预测目标气候要素异常相对倾向预测；结合观测的近期背景异常，最终实现对预测目标气候要素距平值的非线性预测。
-
公开(公告)号：CN114330850B
公开(公告)日：2023-11-17
申请号：CN202111570454.9
申请日：2021-12-21
Applicant: 南京大学
Abstract: 本发明公开了一种用于气候预测的异常相对倾向生成方法与系统。对气候变量原始数据进行时间平滑，去除高频变率；减去平滑数据的气候态，得到距平；在此基础上，根据目标频段，选择各时刻前期平均时段的长度，定义相应的近期异常背景；减去近期异常背景，去除低频变率，得到异常相对倾向；对异常相对倾向建模并进行预测，将低频变率作为已知近期异常背景代入相加，实现对距平和原始场的预测。本发明解决了气候预测的时间边界和多尺度问题，在时间序列末端只需利用历史和当前数据提取目标频段信息，可突出已知近期异常背景上的较高频异常相对倾向，只需对异常相对倾向进行预测，避免引入预测低频变率产生的误差，有效提升气候预测的准确率和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN105787921B
公开(公告)日：2019-01-11
申请号：CN201510511068.0
申请日：2015-08-19
Applicant: 南京大学 , 浙江省水资源管理中心
IPC: G06T7/50
Abstract: 本发明涉及一种利用机载LiDAR数据重建大型复杂立交桥三维模型的方法。该方法步骤为：利用反向迭代数学形态学滤波和面积信息从机载LiDAR数据提取立交桥点云；根据桥面连通性对立交桥点云进行分割；采用中心线垂线扫描方法分割提取无分叉或交汇结构且宽度保持一致的连通桥面，获取“结构单元”；在结构单元中心线的端点处作圆形缓冲区，通过判断缓冲区内点云高程信息检测立交桥的遮挡结构；通过结构单元匹配、二维中心线拟合以及三维曲面拟合步骤，获取完整的桥面三维中心线；结合桥面宽度信息重建立交桥三维模型。实践证明，本发明能够有效地重建大型复杂立交桥三维模型，解决了立交桥点云的遮挡问题，重建的三维模型具有较高的正确率和完整率。
-
公开(公告)号：CN105005962A
公开(公告)日：2015-10-28
申请号：CN201510500058.7
申请日：2015-08-14
Applicant: 南京大学
IPC: G06T3/00
CPC classification number: G06T3/0075
Abstract: 本发明涉及一种基于分层筛选策略的岛礁遥感影像配准方法，步骤包括：仿射不变特征匹配；建立几何变换模型；在几何变换模型的约束下，进行仿射不变特征匹配结果的初次筛选；在初次筛选结果的基础上，进一步利用岛礁面域重叠度控制筛选的结果，保证筛除所有错误的特征点对，最终完成岛礁的配准。本发明考虑到岛礁遥感影像匹配特有的纹理特征缺乏和纹理特征不稳定双重困难，通过建立几何约束模型，筛除明显不符合空间分布的特征点对，然后在几何变换矩阵约束筛选的基础上，以岛礁面积重叠度为约束，对特征点对进行二次筛选，仅保留正确的特征点对以完成岛礁的精确配准。本发明方法适应性强，可精确地完成岛礁影像配准，能够满足实际生产的需要。
-
公开(公告)号：CN117950087A
公开(公告)日：2024-04-30
申请号：CN202410327331.X
申请日：2024-03-21
Applicant: 南京大学
IPC: G01W1/10 , G06F18/27 , G06N5/01 , G06F18/243 , G06F18/2411 , G06N3/044 , G06F123/02
Abstract: 本申请提供一种基于大尺度最优气候模态的人工智能降尺度气候预测方法，利用时空耦合模态分解方法，以降尺度气候预测目标要素对应的大尺度气候要素为基础，提取决定大尺度气候要素异常相对倾向的同期大尺度最优气候模态及时间序列；利用人工智能模型训练和构建大尺度最优气候模态与区域精细化预测目标气候要素异常相对倾向之间非线性关系的降尺度预测模型；将全球气候动力模式预测的同期大尺度最优气候模态时间系数带入该预测模型，预测区域精细化气候要素异常相对倾向；结合近期背景异常，实现对区域精细化预测目标气候要素距平的人工智能降尺度气候预测。该方法通过建立高效、准确的降尺度气候预测模型，能够提升区域精细化气候预测能力。
-
公开(公告)号：CN117932360A
公开(公告)日：2024-04-26
申请号：CN202410321404.4
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/22 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本申请提供了一种基于最优气候模态的人工智能次季节预测方法，该方法包括：通过对观测中逐日热带地区OLR场、中高纬地区500hPa位势高度场及各气象要素场数据进行处理，分别得到对应的候倾向距平场；从中选取与气象要素场最紧密联系的气候模态，通过人工智能方法建立气候模态与气象要素候倾向距平场之间的非线性预测模型；从中选取最优气候模态以及对应的预测模型，以实现对未来气象要素的预测。本申请利用人工智能方法可以有效识别次季节尺度上气候模态和气象要素之间复杂的非线性关系，从而可以在气候模态和气象要素间建立非线性预测模型。这些保证了通过最优气候模态利用人工智能方法对气象要素进行预测的准确度。
-
公开(公告)号：CN103473734A
公开(公告)日：2013-12-25
申请号：CN201310421449.0
申请日：2013-09-16
Applicant: 南京大学
Abstract: 基于车载LiDAR数据的电力线提取与拟合方法，方法如下：首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟合。本发明能够实现海量车载LiDAR数据中电力线点云的自动快速提取，实现了单条电力线的准确识别以及电力线三维模型的精确拟合。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.028 seconds)
