“孙菡萏”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果4个，建议您升级VIP下载更多相关专利

[发明专利]一种基于元学习的多模态热带气旋遥感图像的超分辨率方法与系统-CN202211598964.1在审
发明人：宋弢;杨坤林;孙菡萏 -专利权人：中国石油大学（华东）
申请日： 2022-12-14 - 公布日： 2023-05-26 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及一种基于元学习的多模态热带气旋遥感图像的超分辨率方法与系统。本发明涉及海洋大气遥感图像处理技术领域。所述方法与系统包括以下步骤：步骤一：数据预处理与构建数据集：用于多模态的热带气旋图像超分辨率任务，数据源于HURSAT公开数据集。通过经纬度和时间的匹配，对卫星数据进行掩膜处理，以及数据对齐、区间缩放与标准化、异常值处理等。步骤二：利用元学习的思想对多模态数据进行特征信息的提取：利用元学习和生成对抗网络进行超分辨率任务的学习，通过引入生成对抗网络来学习超分辨率的重构，通过引入元学习来让网络学习不同模态之间的特征信息。步骤三：利用迁移学习训练不同模态下的单独的生成器和鉴别器：利用多模态任务中的大量数据预训练网络，将元学习学到的多模态特征信息迁移到单一模态。步骤四：结合步骤二和步骤三训练的模型，共同组成多模态遥感图像超分辨率系统算法部分。利用软件工程的相关知识，将训练好的模型和系统部署于云端。
一种基于学习多模态热带气旋遥感图像分辨率方法系统

[发明专利]一种基于随机森林的海洋数值模式单点偏差订正方法与系统-CN202211632289.X在审
发明人：宋弢;孙菡萏;杨坤林 -专利权人：中国石油大学（华东）
申请日： 2022-12-19 - 公布日： 2023-04-28 - 主分类号： G06N7/01 文献下载
摘要：本发明提供了一种基于随机森林的海洋数值模式单点偏差订正方法与系统。在一些可选实施例中，所述方法与系统包括以下步骤：步骤一：站点数据匹配：首先，针对不同大气、海洋数值模式的预报结果选择合适的再分析数据，可供选择的数据集包括欧洲气象中心的ERA5再分析数据。选择的数据的时间分辨率和选择站点的经纬度要匹配，同时。选择合适的数据之后，进行异常数据处理。步骤二：训练单点订正模型：订正的数据为站点的一维时间序列数据，并且具有不同的预报时效(如1小时，2小时等等)，针对不同站点、不同的预报要素(海温、海风、海浪高度等)、不同的预报时效需要训练不同的随机森林模型，并且进行参数优化调整，以获得最佳的订正效果。步骤三：调用模型进行单点偏差订正：系统实际运行过程中，当输入该站点该要素该时效的预报数据后，调用相应匹配的随机森林模型进行偏差订正，然后进行保存。
一种基于随机森林海洋数值模式单点偏差订正方法系统

[发明专利]一种基于深度学习的双分支热带气旋强度与尺度估计方法与系统-CN202211604962.9在审
发明人：宋弢;杨坤林;孙菡萏 -专利权人：中国石油大学（华东）
申请日： 2022-12-14 - 公布日： 2023-04-11 - 主分类号： G06T7/00 文献下载
摘要：本发明设计了一种基于深度学习的双分支热带气旋强度与尺度估计方法与系统。本发明涉及海洋大气遥感图像处理技术领域。所述方法与系统包括以下步骤：步骤一：数据预处理与构建数据集：用于双分支热带气旋强度与尺度估计任务，数据源于HURSAT公开数据集，采用红外和微波遥感图像，并采集热带气旋强度和风半径。步骤二：热带气旋强度与尺度估计编码器模块：根据输入的红外和微波通道的热带气旋遥感图像，利用卷积神经网络和注意力机制提取热带气旋强度和尺度上的高层次特征。步骤三：热带气旋强度与尺度估计双分支解码器模块：双分支解码器模块由两个不同的分支构成，一个分支用来估计热带气旋的强度大小，另一个分支用来估计热带气旋风半径。步骤四：结合步骤二和步骤三的两个模块，基于反向传播原理，共同组成基于深度学习的双分支热带气旋强度与尺度估计系统的算法部分。并利用软件工程的相关知识，将训练好的模型和系统部署于云端，构成最终的系统。
一种基于深度学习分支热带气旋强度尺度估计方法系统

[发明专利]一种基于深度学习的跨模态热带气旋遥感图像的强度估计方法与系统-CN202211619104.1在审
发明人：宋弢;杨坤林;孙菡萏 -专利权人：中国石油大学（华东）
申请日： 2022-12-14 - 公布日： 2023-03-31 - 主分类号： G06V20/13 文献下载
摘要：本发明设计了一种基于深度学习的跨模态热带气旋遥感图像的强度估计方法与系统。本发明涉及海洋大气遥感图像处理技术领域。所述方法与系统包括以下步骤：步骤一：数据预处理与构建数据集：数据源于HURSAT公开数据集。通过经纬度和时间的匹配，将HURSAT‑B1数据和HURSAT‑MW数据进行匹配。步骤二：跨模态遥感数据信息融合模块：利用红外和微波的不同穿透能力，使得跨模态热带气旋遥感图像数据之间的信息进行互补，使得模型对热带气旋的预估精度进一步提高。步骤三：基于卷积神经网络的热带气旋遥感图像强度回归模块：卷积神经网络由卷积层、池化层和全连接层组成。卷积层负责提取图像中的局部特征，池化层用来大幅降低参数量级，全连接层类似传统神经网络的部分，用来输出最终结果。步骤四：结合步骤二和步骤三的两个模块，共同组成基于深度学习的跨模态热带气旋遥感图像的强度估计系统的算法部分。并利用软件工程的相关知识，将训练好的模型和系统部署于云端，构成最终的系统。
一种基于深度学习跨模态热带气旋遥感图像强度估计方法系统

1
共 4 条