CN113449812A - 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 - Google Patents
一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 Download PDFInfo
- Publication number
- CN113449812A CN113449812A CN202110807986.3A CN202110807986A CN113449812A CN 113449812 A CN113449812 A CN 113449812A CN 202110807986 A CN202110807986 A CN 202110807986A CN 113449812 A CN113449812 A CN 113449812A
- Authority
- CN
- China
- Prior art keywords
- sea ice
- gnss
- data
- local linear
- embedding algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于局部线性嵌入算法的GNSS‑R海冰检测方法及装置,所述方法包括:对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;搭建用于降维的局部线性嵌入算法;搭建分类器并完成训练与测试;以及利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类。本发明提供的基于局部线性嵌入算法的GNSS‑R海冰检测方法及装置可实现对海冰与海水的分类,降低了数据处理量,缩短了数据处理时间并具有极高的准确率。
Description
技术领域
本发明涉及海洋气象监测技术领域,具体地,涉及一种基于局部线性嵌入算法的GNSS-R海冰检测方法及装置。
背景技术
全球卫星导航系统(Global Navigation Satellite System,GNSS)经历了几十年的发展,已经在国家的社会、军事和经济生活发挥越来越重要的作用。GNSS不仅可以为用户提供导航定位信息、授时等功能,其反射信号也可以被接收与处理,利用GNSS反射信号进行目标遥感测量的技术,被称为GNSS-R技术,利用GNSS经过反射后的信号对反射面的物理特性和参数进行反演已经成为导航应用领域的新的研究热点,主要应用包括海面高度、海浪、海风、海水盐度、海冰、土壤湿度、森林覆盖、移动目标探测等。其中海冰探测是探索、检测海洋重要参数之一,也是海洋气象监测和预报领域一直的关注重点。
由于在海冰上收集到的扩散系数比在海水上收集到的扩散系数要小,因此,在扩散系数中具有高归一化值的扩散系数像素的数量被认为是检测标准,即根据多普勒频移和时间延迟图像(Delay Doppler Map,DDM)进行海冰探测主要有两种途径,一种是通过评估分布式数据处理和波形中的相干性的方式对海冰的存在性进行验证,另一种是直接利用获取的DDM图像来判别海冰。
现有的海冰检测方法基本都是利用从星载接收机上获取的DDM,当转化为图像进行处理时,会出现数据量增大,降低处理速度,以使用卷积神经网络技术进行海冰检测为例,使用DDM图像作为输入数据,处理时间一般在两个小时以上,但直接使用原始数据,处理时间一般在四十分钟以内,严重限制利用星载接收机数据对海冰的检测效率。并且由于数据形式为图像,在传输中会出现数据失真,失效等问题。实际实验中,对于海冰的检测需要极高的实时性,使用原始数据和转化的DDM图片数据的处理速度无法满足。针对以上可能出现的问题,提出基于局部线性嵌入算法的GNSS-R海冰检测方法,对原始数据进行降维,将二维的数据转化为一维数据,通过对一维数据进行特征提取,进一步降低数据量,将大批量数据的处理时间缩短到十分钟,单个数据的处理时间缩短到1秒以内,完成对于海冰检测时的实时性,提高海冰检测效率。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种可实现对海冰与海水的分类并可降低数据处理量、具有极高准确率的基于局部线性嵌入算法的GNSS-R海冰检测方法及装置。
为解决上述问题,本发明的技术方案为:
一种基于局部线性嵌入算法的GNSS-R海冰检测方法,所述方法包括以下步骤:
对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
搭建用于降维的局部线性嵌入算法;
搭建分类器并完成训练与测试;以及
利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类。
可选地,所述对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集的步骤具体包括:获取星载接收机上的延迟多普勒频移功率谱数据集,筛选出具备完整特征的延迟多普勒频移功率谱,对筛选出来的延迟多普勒频移功率谱进行噪底处理,减少噪声的干扰,并进行多普勒积分,获得积分延迟波形,对积分延迟波形进行归一化,将归一化的积分延迟波形和类型标签放入数据集中。
可选地,所述搭建用于降维的局部线性嵌入算法的步骤具体包括:确定表示一个样本所需要的邻域样本个数k,通过距离度量来选择一个样本的k个最近邻,某个样本xi和其k个最近邻之间的线性关系中的权重系数wij,所述权重系数wij,满足公式:使用均方差作为损失函数J(w):
其中,m表示样本x个数,Xi表示第i个高维n维度样本,wij表示第i个高维n维度样本的第j个权重系数,Yi表示第i个低维d维度样本。
可选地,对所述损失函数J(w)和权重系数wij进行矩阵化:
其中,Zi=(xj-xj)T(xi-xj)。
可选地,对所述损失函数J(w)和权重系数wij使用拉格朗日乘法合为一个优化目标:
可选地,根据获取的高维数据权重系数,在降维后,这些高维数据权重系数的线性关系依旧要得到保持,高维n维样本为{x1,x2,…,xm},其对应的低维d维对应投影为{y1,y2,…,ym},对应均方差损失函数J(Y):
可选地,对所述均方差损失函数J(Y)进行矩阵化:
式中M=(I-W)T(I-W),tr为迹函数,此处约束函数矩阵化为YTY=mI。
可选地,对矩阵化后均方差损失函数使用拉格朗日乘法合为一个优化目标:
L(Y)=tr(YTMY)+λ(YTY-mI)
并对Y进行求导,得到MY=λY。
可选地,所述搭建分类器并完成训练与测试的步骤具体包括:所述分类器采用SVM分类器,利用数据集的百分八十对所述SVM分类器进行训练,训练出用于海冰分类的SVM分类器,利用数据集的百分二十进行测试。
进一步地,本发明还提供一种基于局部线性嵌入算法的GNSS-R海冰检测装置,所述装置包括:
数据处理筛选模块:用于对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
算法搭建模块:用于搭建用于数据降维的局部线性嵌入算法;
训练测试模块:用于利用训练集对分类器进行训练并利用测试集进行测试;
预测分类模块:用于利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类;
其中,所述基于局部线性嵌入算法的GNSS-R海冰检测装置用于实现如上所述的基于局部线性嵌入算法的GNSS-R海冰检测方法。
与现有技术相比,本发明提出一种基于局部线性嵌入算法的GNSS-R海冰检测的方法,有效避免功率谱转化为图像所带来的失真和图像中无法反应具体功率值的问题,而且对用于海冰检测的数据进行降维,获得可以表示原始DDM的特征。在保证特征有效的同时,降低海冰处理数据量远比转化为功率谱图像小,极大的减少了数据处理压力。通过对从星载GNSS-R接收机上获取的延迟多普勒频移功率谱数据集进行预处理、实现局部线性嵌入算法,并对数据实现降维,提取特征,搭建分类器进行训练并测试,使用训练并测试好的分类器进行海冰和海水的区分。本发明可以通过对多维的延迟多普勒功率谱数据进行降维,将二维的数据转化为一维数据,通过对一维数据进行特征提取,降低数据处理量,缩短数据处理时间并具有极高的准确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的基于局部线性嵌入算法的GNSS-R海冰检测方法流程框图;
图2为本发明实施例提供的局部线性嵌入算法流程示意图;
图3为本发明实施例提供的超平面示意图;
图4为本发明实施例提供的局部线性嵌入降维后特征分类图;
图5为本发明实施例提供的基于局部线性嵌入算法的GNSS-R海冰检测装置结构框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
局部线性嵌入(Locally Linear Embedding,LLE)算法是一类针对非线性数据的一种新的降维方法,处理后的低维数据均能够保持原有的拓扑关系。利用局部线性嵌入算法可以完成对大量DDM数据的处理、分析与预测,借助SVM分类器对于分类的优越能力,可以完成对海冰和海水降维后DDM特征分类标准的确定,最终借助训练出来的SVM分类器完成对海冰的预测。
具体地,如图1所示,图1为本发明实施例提供的基于局部线性嵌入算法的GNSS-R海冰检测方法流程框图,所述方法包括以下步骤:
S1:对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
具体地,获取星载接收机上的延迟多普勒频移图像数据集,从TDS-1卫星获取15000个有效数据,对获取的延迟多普勒频移功率谱数据进行预处理,利用经纬度限制筛选合适数据,即具备完整信号的功率谱,S1步骤具体包括:获取星载接收机上的延迟多普勒频移功率谱数据集,筛选出具备完整特征的延迟多普勒频移功率谱(DDM),对筛选出来的DDM进行噪底处理,减少噪声的干扰,接着进行多普勒积分,获得积分延迟波形,然后对积分延迟波形进行归一化,突出特征,最后将归一化的积分延迟波形和类型标签放入数据集中,分为5个训练集,每个数据集包含3000个数据,等待局部线性嵌入算法的处理,为了避免每次处理的数据量过大,数据集的数量需要进行限制。
S2:搭建用于降维的局部线性嵌入算法;
具体地,如图2所示,图2为本发明实施例提供的局部线性嵌入算法流程示意图,其中,Xi表示第i个高维n维度样本,wij表示第i个高维n维度样本的第j个权重系数,Yi表示第i个低维d维度样本。
首先确定邻域的大小,即确定表示一个样本所需要的邻域样本个数k,通过距离度量来选择一个样本的k个最近邻,然后就是某个样本xi和其k个最近邻之间的线性关系,即线性关系中的权重系数wij,上述问题式回归问题,所以使用均方差作为损失函数J(w):
公式(1)中,m表示样本x个数,其中权重系数wij,满足下公式:
对公式(1)和公式(2)进行矩阵化得到公式(3)和公式(4):
公式(3)中,Zi=(xj-xj)T(xi-xj),公式(3)、(4)使用拉格朗日乘法合为一个优化目标:
对公式(5)进行权重系数求导,计算得出最终的权重系数:
公式(6)获取的为高维数据权重系数,在降维后,这些高维数据权重系数的线性关系依旧要得到保持,此处高维n维样本为{x1,x2,…,xm},其对应的低维d维对应投影为{y1,y2,…,ym},此处要求保持线性关系,即对应均方差损失函数J(Y)最小:
对公式(7)进行矩阵化:
式中M=(I-W)T(I-W),tr为迹函数,此处约束函数矩阵化为YTY=mI。
对公式(8)使用拉格朗日乘法合为一个优化目标:
L(Y)=tr(YTMY)+λ(YTY-mI) (9)
对公式(9)进行对Y进行求导,得到MY=λY,由此可知要得到最小的d维数据集,需要求出矩阵M最小的d个特征值所对应的d个特征向量组成的矩阵Y=(y1,y2,…,yd),一般情况下,由于M的最小特征值为0不能反应数据特征,此时对应的特征向量为全1。通常选择M的第2个到第d+1个最小的特征值对应的特征向量M=(y2,y3,…,yd+1)获得最终的Y。
S3:搭建分类器并完成训练与测试;
具体地,所述分类器采用SVM分类器,利用数据集的百分八十对所述SVM分类器进行训练,训练出用于海冰分类的SVM分类器,然后利用数据集的百分二十进行测试。如图3所示,实心点和空心点,它们属于不同的两类,X1、X2表示特征向量的分量。SVM的目的就是想要画出一条线H,以区分这两类点,以至如果以后有了新的点,这条线也能做出很好的分类,这条线被称为超平面。超平面的选择依据区分两个类别并且能使间隔最大的划分超平面进行选择,如图3中两条虚线之间的直线距离表示为最大间隔。超平面的划分通过定义一个线性方程:
ωTX+b=0 (10)
式中ω={ω1,ω2,ω3,…,ωd},表示一个法向量,决定超平面的方向,d为特征值的个数,X={x1,x2,x3,…,xd},表示训练样本,b表示位移项,决定超平面距离原点的距离。通过拉格朗日公式的计算,最终得到ω,b和最大间距完成超平面的划分。使用测试集对SVM模型进行测试,如果准确率高于90%,则通过测试,不然就重新训练和测试。
图4为本发明实施例提供的基于局部线性嵌入算法降维后特征分类图,如图4所示,左侧的点表示海水DDM降维后提取的特征,右侧的点表示海冰DDM降维后提取的特征,在空间上可以看出两者有着很大的区分度,依据SVM划分超平面,完成海冰的分类。所述特征的计算依据上述公式(1)(2)(3)(4)(5)(6)(7)(8)(9)进行计算,对应用于分类的SVM超平面依据上述公式(10)进行计算。
S4:利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类。
具体地,利用训练并测试好的分类器对数据集中的数据进行预测,进行海冰与海水的分类,从而完成海冰分类任务。在如下的处理环境下,操作系统为windows 10,显卡为GTX1050,处理器为intel i5-7300,处理语言为python,处理软件为pycharm,处理3000条数据,可以将海冰数据的处理时间缩短到61.42秒,并且具有极高的准确率,可以达到98.58%的准确率。但是使用卷积神经网络加上SVM的海冰分类方法,处理同数据量的数据所花费的时间达到13.89个小时,同时准确率只有73.58%。
图5为本发明实施例提供的基于局部线性嵌入算法的GNSS-R海冰检测装置结构框图,如图5所示,所述装置包括:
数据处理筛选模块51:用于对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
算法搭建模块52:用于搭建用于数据降维的局部线性嵌入算法;
训练测试模块53:用于利用训练集对分类器进行训练并利用测试集进行测试;
预测分类模块54:用于利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类;
其中,所述基于局部线性嵌入算法的GNSS-R海冰检测装置用于实现如上所述的基于局部线性嵌入算法的GNSS-R海冰检测方法。
与现有技术相比,本发明提出一种基于局部线性嵌入算法的GNSS-R海冰检测的方法,有效避免功率谱转化为图像所带来的失真和图像中无法反应具体功率值的问题,而且对用于海冰检测的数据进行降维,获得可以表示原始DDM的特征。在保证特征有效的同时,降低海冰处理数据量远比转化为功率谱图像小,极大的减少了数据处理压力。通过对从星载GNSS-R接收机上获取的延迟多普勒频移功率谱数据集进行预处理、实现局部线性嵌入算法,并对数据实现降维,提取特征,搭建分类器进行训练并测试,使用训练并测试好的分类器进行海冰和海水的区分。本发明可以通过对多维的延迟多普勒功率谱数据进行降维,将二维的数据转化为一维数据,通过对一维数据进行特征提取,降低数据处理量,缩短数据处理时间并具有极高的准确率。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于局部线性嵌入算法的GNSS-R海冰检测方法,其特征在于,所述方法包括以下步骤:
对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
搭建用于降维的局部线性嵌入算法;
搭建分类器并完成训练与测试;以及
利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类。
2.根据权利要求1所述的基于局部线性嵌入算法的GNSS-R海冰检测方法,其特征在于,所述对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集的步骤具体包括:获取星载接收机上的延迟多普勒频移功率谱数据集,筛选出具备完整特征的延迟多普勒频移功率谱,对筛选出来的延迟多普勒频移功率谱进行噪底处理,减少噪声的干扰,并进行多普勒积分,获得积分延迟波形,对积分延迟波形进行归一化,将归一化的积分延迟波形和类型标签放入数据集中。
8.根据权利要求7所述的基于局部线性嵌入算法的GNSS-R海冰检测方法,其特征在于,对矩阵化后均方差损失函数使用拉格朗日乘法合为一个优化目标:
L(Y)=tr(YTMY)+λ(YTY-mI)
并对Y进行求导,得到MY=λY。
9.根据权利要求1所述的基于局部线性嵌入算法的GNSS-R海冰检测方法,其特征在于,所述搭建分类器并完成训练与测试的步骤具体包括:所述分类器采用SVM分类器,利用数据集的百分八十对所述SVM分类器进行训练,训练出用于海冰分类的SVM分类器,利用数据集的百分二十进行测试。
10.一种基于局部线性嵌入算法的GNSS-R海冰检测装置,其特征在于,所述装置包括:
数据处理筛选模块:用于对获取的延迟多普勒频移图像数据集进行预处理,筛选合适数据进行调整并生成数据集;
算法搭建模块:用于搭建用于数据降维的局部线性嵌入算法;
训练测试模块:用于利用训练集对分类器进行训练并利用测试集进行测试;
预测分类模块:用于利用训练并测试好的分类器对数据集中的数据进行预测,完成海冰与海水的分类;
其中,所述基于局部线性嵌入算法的GNSS-R海冰检测装置用于实现如权利要求1-9项任一项所述的基于局部线性嵌入算法的GNSS-R海冰检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807986.3A CN113449812A (zh) | 2021-07-16 | 2021-07-16 | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807986.3A CN113449812A (zh) | 2021-07-16 | 2021-07-16 | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449812A true CN113449812A (zh) | 2021-09-28 |
Family
ID=77816501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110807986.3A Pending CN113449812A (zh) | 2021-07-16 | 2021-07-16 | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449812A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170139A (zh) * | 2021-11-09 | 2022-03-11 | 深圳市衡兴安全检测技术有限公司 | 近岸海域生态灾害预警方法、装置、电子设备及存储介质 |
CN118194066A (zh) * | 2024-05-15 | 2024-06-14 | 交通运输部水运科学研究所 | 一种北极航行船舶冰情数据处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN109284781A (zh) * | 2018-09-10 | 2019-01-29 | 湖北工业大学 | 基于流形学习的图像分类算法和系统 |
CN111062321A (zh) * | 2019-12-17 | 2020-04-24 | 佛山科学技术学院 | 一种基于深度卷积网络的sar检测方法及系统 |
-
2021
- 2021-07-16 CN CN202110807986.3A patent/CN113449812A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN109284781A (zh) * | 2018-09-10 | 2019-01-29 | 湖北工业大学 | 基于流形学习的图像分类算法和系统 |
CN111062321A (zh) * | 2019-12-17 | 2020-04-24 | 佛山科学技术学院 | 一种基于深度卷积网络的sar检测方法及系统 |
Non-Patent Citations (10)
Title |
---|
"摄影测量与遥感学", 测绘文摘, no. 04 * |
何强;蔡洪;韩壮志;尚朝轩;: "基于非线性流形学习的ISAR目标识别研究", 电子学报, no. 03 * |
关健生;: "基于改进流形学习的数据分类算法", 计算机应用与软件, no. 12 * |
冉丹;: "基于局部线形嵌入算法的雷达目标识别", 四川文理学院学报, no. 02 * |
张国栋;郭健;杨东凯;王峰;高洪兴;: "星载GNSS-R海冰边界探测方法", 武汉大学学报(信息科学版), no. 05 * |
朱勇超;邹进贵;余科根;: "一种使用卫星反射信号探测海冰分布新方法", 武汉大学学报(信息科学版), vol. 43, no. 10, pages 1472 - 1477 * |
朱昱;王晓南;宋雪源;贺丽;李智强;: "基于LLE低维嵌入的高光谱影像分类", 海洋测绘, vol. 30, no. 06, pages 48 - 50 * |
杨明;余旭初;吴翰书;王超;林斌;: "面向分类的高光谱影像局部线性嵌入算法研究", 测绘科学, no. 04 * |
蔡洪;何强;韩壮志;尚朝轩;: "基于局部保持判别子空间的ISAR目标识别", 中国电子科学研究院学报, no. 06 * |
这是峰峰: "机器学习之局部线性嵌入LLE", pages 1 - 6, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/38149795?utm_id=0> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170139A (zh) * | 2021-11-09 | 2022-03-11 | 深圳市衡兴安全检测技术有限公司 | 近岸海域生态灾害预警方法、装置、电子设备及存储介质 |
CN118194066A (zh) * | 2024-05-15 | 2024-06-14 | 交通运输部水运科学研究所 | 一种北极航行船舶冰情数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401201A (zh) | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN100547438C (zh) | 一种油气勘探方法及系统 | |
CN113095409B (zh) | 基于注意力机制和权值共享的高光谱图像分类方法 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
KR102479804B1 (ko) | 지역 및 계절에 대한 특성이 반영된 인공지능모델을 이용한 수위, 용적량, 유입량 및 오염도 측정 방법, 장치 및 프로그램 | |
CN113449812A (zh) | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 | |
CN113538347A (zh) | 基于高效双向路径聚合注意力网络的图像检测方法及系统 | |
CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
Carmo et al. | Deep learning approach for tropical cyclones classification based on C-band sentinel-1 SAR images | |
CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
CN113408540A (zh) | 一种合成孔径雷达图像叠掩区提取方法及存储介质 | |
CN116310851B (zh) | 遥感图像变化检测方法 | |
CN116778341A (zh) | 一种雷达图像多视角特征提取与鉴别方法 | |
CN116321414A (zh) | 无线定位方法及电子设备 | |
WO2022073398A1 (en) | Location prediction using hierarchical classification | |
Lei et al. | Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm | |
CN109543717A (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 | |
CN114283336A (zh) | 一种基于混合注意力的无锚框遥感图像小目标检测方法 | |
CN113239895A (zh) | 基于注意力机制的胶囊网络的sar图像变化检测方法 | |
CN117217103B (zh) | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 | |
Guerrero et al. | Assessment of seagrass percent cover and water quality using UAV images and field measurements in Bolinao, Pangasinan | |
CN115861824B (zh) | 基于改进Transformer的遥感图像识别方法 | |
CN114240872B (zh) | 图片质量评估方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |