-
公开(公告)号：CN118364301B
公开(公告)日：2024-09-27
申请号：CN202410798747.X
申请日：2024-06-20
Applicant: 南京信息工程大学
IPC: G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于改进的U‑Net网络的次季节极端高温预测方法，包括以下步骤：（1）选择数值模式和目标区域，获取对极端高温影响的物理因子，构建数据集并进行预处理；（2）构建基于残差模块的U‑Net深度学习模型；（3）对模型进行训练；将处理好的数据按照年份先后分为训练集、验证集与测试集，训练集与验证集随机分批次对网络进行训练；（4）将测试集多因子模式数据输入训练好的模型中得到最终的次季节极端高温预测结果；本发明在U‑Net 网络结构中结合了残差模块，提高了数据利用效率，增强了网络拟合能力，提升了模型学习能力。
-
Patent Agency Ranking
公开(公告)号：CN118822048A
公开(公告)日：2024-10-22
申请号：CN202411305389.0
申请日：2024-09-19
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。
-
公开(公告)号：CN118822048B
公开(公告)日：2024-12-06
申请号：CN202411305389.0
申请日：2024-09-19
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/049 , G06N3/0499 , G06N3/0464 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。
-
公开(公告)号：CN118735082B
公开(公告)日：2024-12-06
申请号：CN202411225933.0
申请日：2024-09-03
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06N3/04 , G06N3/0464 , G06N3/082 , G06Q50/26
Abstract: 本发明公开了一种基于3D‑TimesNet的次季节气温预报订正方法，包括：采用结合傅里叶变换和卷积神经网络的三维时间块3D‑TimesBlock，构建融合次季节气温预报结果与历史气温数据的3D‑TimesNet神经网络优化模型，并利用次季节气温预报结果数据集和历史气温数据集进行训练；将训练好的模型进行优化加速；利用优化后模型，针对目标时间，输入待订正次季节气温预报结果与历史气温数据，将模式输出数据进行反标准化，得到订正后的目标时间的气温预报结果。本发明能够有效提取气温的周期性变化规律和空间关系，在次季节气温的预报方面具有独特的适用性和显著的优势，推动了气象预报领域的前进。
-
公开(公告)号：CN118735082A
公开(公告)日：2024-10-01
申请号：CN202411225933.0
申请日：2024-09-03
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06N3/04 , G06N3/0464 , G06N3/082 , G06Q50/26
Abstract: 本发明公开了一种基于3D‑TimesNet的次季节气温预报订正方法，包括：采用结合傅里叶变换和卷积神经网络的三维时间块3D‑TimesBlock，构建融合次季节气温预报结果与历史气温数据的3D‑TimesNet神经网络优化模型，并利用次季节气温预报结果数据集和历史气温数据集进行训练；将训练好的模型进行优化加速；利用优化后模型，针对目标时间，输入待订正次季节气温预报结果与历史气温数据，将模式输出数据进行反标准化，得到订正后的目标时间的气温预报结果。本发明能够有效提取气温的周期性变化规律和空间关系，在次季节气温的预报方面具有独特的适用性和显著的优势，推动了气象预报领域的前进。
-
公开(公告)号：CN118364301A
公开(公告)日：2024-07-19
申请号：CN202410798747.X
申请日：2024-06-20
Applicant: 南京信息工程大学
IPC: G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于改进的U‑Net网络的次季节极端高温预测方法，包括以下步骤：（1）选择数值模式和目标区域，获取对极端高温影响的物理因子，构建数据集并进行预处理；（2）构建基于残差模块的U‑Net深度学习模型；（3）对模型进行训练；将处理好的数据按照年份先后分为训练集、验证集与测试集，训练集与验证集随机分批次对网络进行训练；（4）将测试集多因子模式数据输入训练好的模型中得到最终的次季节极端高温预测结果；本发明在U‑Net网络结构中结合了残差模块，提高了数据利用效率，增强了网络拟合能力，提升了模型学习能力。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
