本發(fā)明公開了一種用于碼頭油氣中甲烷氮氣吸附分離的金屬有機框架材料及其制備方法與應用，金屬有機框架材料為鋁金屬節(jié)點與富馬酸絡合而成的框架材料經(jīng)有機液體后處理后得到的改性Al?fumarate材料。本發(fā)明基于有機物后處理進行Al?fumar...

本發(fā)明公開了一種非貴金屬碼頭油氣凈化催化劑及其制備方法與應用，催化劑由活性組分、助催化劑和載體組成；活性組分包括Co和/或Mn；助催化劑為稀土元素鈰、鈰鋯固溶體中的至少一種氧化物；載體為金屬氧化物與CHA型硅鋁分子篩組成的復合物；金屬氧...

本發(fā)明涉及流場測點位置選擇領域，是一種流場測點位置選擇的時程深度學習方法，包括：針對實驗對象的原始數(shù)據(jù)，布置流場監(jiān)測點；開展流場的數(shù)值模擬，獲得測點處的流場時程數(shù)據(jù)；構建FTH?AE深度學習網(wǎng)絡模型，利用所述原始數(shù)據(jù)對深度學習網(wǎng)絡模型進...

本發(fā)明一種針對噪聲數(shù)據(jù)的總體引導魯棒線性分類方法，屬于噪聲數(shù)據(jù)分類、人工智能數(shù)據(jù)處理技術領域，包括以下步驟：獲取待處理的數(shù)據(jù)；構建重縮放的鉸鏈損失函數(shù)；基于訓練樣本的總體統(tǒng)計信息和重新縮放的鉸鏈損失構建目標函數(shù)；將目標函數(shù)轉(zhuǎn)換為總體統(tǒng)計...

本發(fā)明涉及船舶運動狀態(tài)預測技術領域，是一種基于DeepONet?LSTM融合的長時程船舶極短期運動預報方法，包括：構建基于DeepONet與LSTM的多數(shù)據(jù)源增強的船舶運動預報模型；將DeepONet中的子網(wǎng)絡Branch?net改造為...

本發(fā)明提供一種融合多源數(shù)據(jù)的船舶燃油消耗預測方法，屬于船舶燃油消耗技術領域。本方法包括：采集船舶燃油消耗的相關特征輸入多個機器學習模型；各機器學習模型輸出各自的油耗預測結(jié)果；基于預設權重融合各機器學習模型的預測結(jié)果獲得最終船舶燃油消耗預...

本發(fā)明公開了一種面向仿真推演的任務剖面圖自動生成系統(tǒng)，包括：數(shù)據(jù)結(jié)構構建模塊，依據(jù)仿真推演需求結(jié)合給定的任務信息、解析出當前任務的相關輸入數(shù)據(jù)，剖面圖數(shù)學約束模型構建模塊，用于根據(jù)任務類型順序和時間約束條件，構建任務編排的數(shù)學約模型，任...

本發(fā)明公開了一種基于改進探索率DQN的港口引航無人艇智能路徑規(guī)劃方法及系統(tǒng)。該方法通過改進的DQN算法，采用評估網(wǎng)絡與目標網(wǎng)絡優(yōu)化Q值估計，并設計基于獎勵趨勢的自適應探索率調(diào)整策略。構建融合距離、偏航、路徑效率及避碰規(guī)則獎勵的多維度獎勵...

本發(fā)明公開了一種基于雙監(jiān)督引導的水下目標檢測方法，包括以下步驟：獲取水下目標的數(shù)據(jù)集；構建基于雙監(jiān)督引導的水下目標檢測模型，用于對水下目標進行檢測；基于數(shù)據(jù)集中訓練集對所述水下目標檢測模型采用增強損失與檢測損失的雙監(jiān)督訓練機制，實現(xiàn)圖像...

本發(fā)明涉及橋墩水下檢測布點技術領域，是一種橋墩水下檢測布點方案的深度學習方法，包括：根據(jù)橋墩的實測外形，建立對應的計算幾何區(qū)域；確定布點的范圍，模擬得到范圍內(nèi)的流場數(shù)據(jù)；對流場數(shù)據(jù)進行訓練，得到壓縮編碼；對壓縮編碼進行分類，得到特征集合...

本發(fā)明提供一種采用組合預處理強化Fisher判別模型鑒別潤滑油摻假方法，屬于潤滑油摻假鑒別技術領域。本方法包括：基于Fisher判別模型結(jié)合預處理方法構建預設潤滑油檢測模型；通過目標參數(shù)表征所述模型對潤滑油摻假的鑒別精度；以目標參數(shù)為依...

本發(fā)明提供一種基于RGB和Depth圖像的手部姿態(tài)估計方法，屬于手部姿態(tài)估計以及靈巧手遠程控制技術領域。本方法包括：基于手部RGB圖像提取RGB特征，基于手部Depth圖像提取初始手部關鍵點特征；將初始手部關鍵點特征投影到三維空間中得到...

本發(fā)明公開了一種基于特征融合和注意力增強的自然場景文本檢測方法，包括以下步驟：獲取待檢測圖像；構建自然場景下的文本檢測模型，用于對圖像中的文本信息進行提取；對所述自然場景下的文本檢測模型進行訓練，得到訓練好的自然場景下的文本檢測模型；將...

本發(fā)明涉及船舶與海洋工程技術領域，是一種全局?局部依賴協(xié)同表達的船舶橫搖運動極短期預報方法，包括：構建Informer分支和BiGRU?GSA分支并行架構，Informer分支的編碼器通過ProbSparse自注意力機制篩選關鍵查詢鍵對...

本發(fā)明公開了一種基于聲學去噪的多模態(tài)船用軸承故障檢測方法，包括獲取船用軸承故障信號數(shù)據(jù)；且船用軸承故障信號數(shù)據(jù)包括不同故障工況類別下，所對應軸承故障的聲學時間序列數(shù)據(jù)與振動時間序列數(shù)據(jù)；構建基于聲學去噪的多模態(tài)船用軸承故障檢測模型，包括...

本發(fā)明公開了一種基于高分辨率光學影像的筏式養(yǎng)殖區(qū)提取方法，包括如下步驟：篩選出預處理后的目標養(yǎng)殖區(qū)的高分辨率光學影像，使用離散小波變換融合R、G、B波段和全色波段，得到高分辨率的RGB融合圖像；使用非下采樣輪廓波變換方式對RGB融合圖像...

本發(fā)明公開了一種基于任務驅(qū)動式Mamba聯(lián)合模型的遙感圖像變化檢測方法，包括：通過公開數(shù)據(jù)集獲取同一地點不同時相的雙時遙感圖像組；通過設計任務解耦的U型三層網(wǎng)絡架構的遙感圖像變化檢測網(wǎng)絡模型實現(xiàn)端到端變化檢測，雙時遙感圖像組通過所述網(wǎng)絡...

本發(fā)明公開了一種疏浚船舶定位樁最大位移預測方法，所述方法包括：基于ABAQUS軟件構建臺車?定位樁?土體耦合數(shù)值模型；應用響應曲面法建立定位樁最大位移關于上述三個影響因素的三次多項式回歸模型；在回歸模型參數(shù)范圍內(nèi)隨機數(shù)據(jù)樣本，劃分訓練集...

本發(fā)明提供了一種聯(lián)合可見光與短波紅外遙感的冰區(qū)船舶識別方法及系統(tǒng)，方法包括如下步驟：S1、在遙感影像庫中，獲取極地航道同一時空下的可見光影像和短波紅外影像；S2、將可見光影像和短波紅外影像進行輻射校正、大氣校正、圖像采樣以及圖像融合處理...

本發(fā)明公開了一種帶翼梢小翼的船舶高效翼型風帆，包括主翼、翼梢小翼、桅桿結(jié)構、升降機構、旋轉(zhuǎn)驅(qū)動裝置、角度調(diào)節(jié)機構和智能控制系統(tǒng)，在主翼的翼梢處，安裝了可調(diào)節(jié)角度的翼梢小翼，能夠有效改變主翼端部的氣流流動狀態(tài)，抑制翼尖渦流、降低誘導阻力；...