-
公开(公告)号：CN118152771B
公开(公告)日：2024-08-23
申请号：CN202410586103.4
申请日：2024-05-13
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06F18/21 , G06F18/10 , G06F18/2115 , G06F123/02
摘要： 本发明公开了一种基于时间序列分析的滑坡演化阶段划分方法，属于数据识别技术领域，包括获取待进行阶段划分的滑坡位移时间曲线，处理为时间序列数据；对时间序列数据进行2次Chow分割点检验，得到初始等速变形数据段作为数据段D；对数据段D进行平稳性检验，平稳则作为最终等速变形数据段输出，不平稳则调整D1和D2来更新数据段D。本发明利用滑坡位移时间曲线已知分割点数量但位置未知的特点，结合Chow分割点检验进行结构检测初步划分初始等速变形数据段，再分段检测和调整，更新数据段，最终得到精确的最终等速变形数据段，具有自动划分、精确、效率高，且无需人工参与的优点。
-
公开(公告)号：CN114429189A
公开(公告)日：2022-05-03
申请号：CN202210100710.6
申请日：2022-01-27
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
摘要： 本发明公开了一种高泛用性滑坡位移速率预警方法，包括步骤：S100：采集不同已滑坡地域在滑坡前后的历史滑坡数据，对历史滑坡数据进行预处理；S200：采用历史滑坡数据训练大型神经网络模型，对已训练的大型神经网络模型进行知识蒸馏，得到小型神经网络模型；S300：将滑坡风险区域划分为多个易滑坡点，采集已发生滑坡的各易滑坡点的历史滑坡数据，对历史滑坡数据进行预处理，采用历史滑坡数据对小型神经网络模型进行训练和微调，获得滑坡风险区域对应的小型神经网络模型；S400：将滑坡风险区域内各易滑坡点的实时滑坡数据进行预处理后，输入小型神经网络模型进行预警。本发明在降低预警复杂度的同时提高了精度，泛用性极强。
-
公开(公告)号：CN116227365A
公开(公告)日：2023-06-06
申请号：CN202310504048.5
申请日：2023-05-06
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
摘要： 本发明公开了一种基于改进VMD‑TCN的滑坡位移预测方法，属于滑坡位移预测领域，包括以下步骤：采集待预测区域内一段时间内的滑坡数据，包括历史累积位移数据和影响该区域滑坡的多个影响因子序列；用VMD方法分解历史累积位移数据得到趋势项位移和周期项位移；确定预测的时间节点T3，对T3的趋势项位移进行预测；选出与周期项位移最相关的几个影响因子序列，与周期项位移构成影响因子向量，构建周期项位移预测网络，用影响因子向量训练得到周期项位移预测模型并对T3的周期项位移进行预测，最后T3得到滑坡位移预测值。本发明能克服现有预测模型训练时间长、梯度消失或梯度爆炸等问题，能提高滑坡位移预测的精度。
-
公开(公告)号：CN115546613A
公开(公告)日：2022-12-30
申请号：CN202211525488.0
申请日：2022-12-01
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06V10/82 , G06V10/766 , G06V10/774 , G06N3/04 , G06N3/08 , G01V1/00 , G08B21/10 , G08C23/02
摘要： 本发明公开了一种基于次声波的泥石流识别方法及装置，该方法包括：先获取待识别区域的次声波数据；然后基于所述次声波数据构建次声时频图；最后将所述次声时频图输入至预设卷积神经网络中得到识别结果，其中，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图，本方案识别率高，且降低了使用成本，提升了用户体验。
-
公开(公告)号：CN116227365B
公开(公告)日：2023-07-07
申请号：CN202310504048.5
申请日：2023-05-06
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
摘要： 本发明公开了一种基于改进VMD‑TCN的滑坡位移预测方法，属于滑坡位移预测领域，包括以下步骤：采集待预测区域内一段时间内的滑坡数据，包括历史累积位移数据和影响该区域滑坡的多个影响因子序列；用VMD方法分解历史累积位移数据得到趋势项位移和周期项位移；确定预测的时间节点T3，对T3的趋势项位移进行预测；选出与周期项位移最相关的几个影响因子序列，与周期项位移构成影响因子向量，构建周期项位移预测网络，用影响因子向量训练得到周期项位移预测模型并对T3的周期项位移进行预测，最后T3得到滑坡位移预测值。本发明能克服现有预测模型训练时间长、梯度消失或梯度爆炸等问题，能提高滑坡位移预测的精度。
-
公开(公告)号：CN118172647B
公开(公告)日：2024-08-27
申请号：CN202410572636.7
申请日：2024-05-10
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0455 , G06N3/0499 , G06N3/082 , G06V10/80
摘要： 本发明公开了一种基于深度学习的融合模型泥石流次声识别方法，属于图像识别领域，包括构造由带有类别标记的次声时频图构成的数据集；构造一泥石流次声识别网络；用数据集训练泥石流次声识别网络至收敛，得到泥石流次声识别融合模型；获取待识别的次声波信号，转换为次声时频图，送入泥石流次声识别融合模型中，得到预测输出。本发明针对泥石流时频图的特点，改进ResNet18和ViT，并将二者结合在一起，不仅在全局把握以及上下文细节特征的提取更为准确，还能更好地识别到时频图振幅变化和谱带结构。本发明能对泥石流进行快速、准确的识别，不仅提高对泥石流时频图像的泛化能力，还能提升次声报警在防灾减灾中的可用性。
-
公开(公告)号：CN118172647A
公开(公告)日：2024-06-11
申请号：CN202410572636.7
申请日：2024-05-10
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0455 , G06N3/0499 , G06N3/082 , G06V10/80
摘要： 本发明公开了一种基于深度学习的融合模型泥石流次声识别方法，属于图像识别领域，包括构造由带有类别标记的次声时频图构成的数据集；构造一泥石流次声识别网络；用数据集训练泥石流次声识别网络至收敛，得到泥石流次声识别融合模型；获取待识别的次声波信号，转换为次声时频图，送入泥石流次声识别融合模型中，得到预测输出。本发明针对泥石流时频图的特点，改进ResNet18和ViT，并将二者结合在一起，不仅在全局把握以及上下文细节特征的提取更为准确，还能更好地识别到时频图振幅变化和谱带结构。本发明能对泥石流进行快速、准确的识别，不仅提高对泥石流时频图像的泛化能力，还能提升次声报警在防灾减灾中的可用性。
-
公开(公告)号：CN116821799B
公开(公告)日：2023-11-07
申请号：CN202311085851.6
申请日：2023-08-28
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06F18/241 , G06F18/214 , G06N3/0464 , G06F18/213
摘要： 本发明开了一种基于GRU‑DNN的地灾预警数据分类方法，包括根据地灾报警的点位的数据构造原始数据样本、进行类别标注得到标注样本；从标注样本中构造多个时序特征和非时序特征，用决策树模型筛选有分类能力的特征，构造出最终训练样本，并用最终训练样本训练深度神经网络得到能识别正常报警和误报警的分类模型，用于分类识别。本发明充分结合时序特征与非时序特征的特点，提高模型的分类能力，采用编码器结构提高模型的特征提取能力，还引入加权交叉熵函数进一步提高模型召回率，大幅降低了误报率、提高单次预警可靠度，从而在确保不漏报的前提下最大限度的降低预警误报率，有效减少因误报导致的人力、物力消耗。
-
公开(公告)号：CN116821799A
公开(公告)日：2023-09-29
申请号：CN202311085851.6
申请日：2023-08-28
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06F18/241 , G06F18/214 , G06N3/0464 , G06F18/213
摘要： 本发明开了一种基于GRU‑DNN的地灾预警数据分类方法，包括根据地灾报警的点位的数据构造原始数据样本、进行类别标注得到标注样本；从标注样本中构造多个时序特征和非时序特征，用决策树模型筛选有分类能力的特征，构造出最终训练样本，并用最终训练样本训练深度神经网络得到能识别正常报警和误报警的分类模型，用于分类识别。本发明充分结合时序特征与非时序特征的特点，提高模型的分类能力，采用编码器结构提高模型的特征提取能力，还引入加权交叉熵函数进一步提高模型召回率，大幅降低了误报率、提高单次预警可靠度，从而在确保不漏报的前提下最大限度的降低预警误报率，有效减少因误报导致的人力、物力消耗。
-
公开(公告)号：CN118152771A
公开(公告)日：2024-06-07
申请号：CN202410586103.4
申请日：2024-05-13
申请人： 成都理工大学 , 成理智源科技(成都)有限公司
IPC分类号： G06F18/21 , G06F18/10 , G06F18/2115 , G06F123/02
摘要： 本发明公开了一种基于时间序列分析的滑坡演化阶段划分方法，属于数据识别技术领域，包括获取待进行阶段划分的滑坡位移时间曲线，处理为时间序列数据；对时间序列数据进行2次Chow分割点检验，得到初始等速变形数据段作为数据段D；对数据段D进行平稳性检验，平稳则作为最终等速变形数据段输出，不平稳则调整D1和D2来更新数据段D。本发明利用滑坡位移时间曲线已知分割点数量但位置未知的特点，结合Chow分割点检验进行结构检测初步划分初始等速变形数据段，再分段检测和调整，更新数据段，最终得到精确的最终等速变形数据段，具有自动划分、精确、效率高，且无需人工参与的优点。
-
-
-
-
-
-
-
-
-
搜索结果
20 条记录 (耗时 0.042 秒)
