CN115618988B 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 （中国科学院沈阳自动化研究所）_第1页
CN115618988B 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 （中国科学院沈阳自动化研究所）_第2页
CN115618988B 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 （中国科学院沈阳自动化研究所）_第3页
CN115618988B 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 （中国科学院沈阳自动化研究所）_第4页
CN115618988B 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 （中国科学院沈阳自动化研究所）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

forecasting结构ConvLSTM网络提取上述要素中素的时间序列信息对被预测要素三维空间场进2中每种要素历史时间序列深层特征的提取；所述融合特征节点用于融合提取的海水温度、2.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联3.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联4.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联5.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联6.根据权利要求5所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联34水面航行器、自主水下机器人和水下滑翔机等海洋观测平台是几种重要的拉格朗日平台，径是基于拉格朗日平台的海洋观测和预测系统运位置和观测路径规划提供支撑。除需要求解地球物理流体动力学微分方程的数值海洋模域海洋环境预测和海洋机器人采样策略优化[0004]深度学习是一种有效的数据驱动建模和预测方法，适用于局部区域海洋环境预5[0018]所述的训练样本集为全部数据集的70所述的验证样本集为全部数据集的15所述的测试样本集为全部数据集的15%;[0019]所述的人工神经网络模型包括四个并列的encoding–forecasting结构的[0021]所述的人工神经网络模型训练停止条件包括达到最大迭代次数、最佳训练时间、6理方法为z＝(x_μ)/σ,其中x为其中训练样本集为全部数据集的70验证样本集为全部数据集的15测试样本集为全部数据集的15%;其中G=tsun[0038]步骤五：利用训练样本集与验证样本集对人工神经网络模型进行训练与参数选联合特征进行卷积操作获得各要素三维空间场预测结果。在训练过程中达到最大迭代次通过神经网络对在训练过程中没有使用到的测试样本的预测结果评估神经网络的泛化能7[0042]将每种要素此前K个连续时间步长的三维空间场的时间序列都分别输入到一个中每个ConvLSTM在进行卷积操作时所用的卷积核的尺寸为3×3×D，所用的每个ConvLSTM[0043]为了在预测过程中联合多种海洋要素的特征，之后将前述的每个要素对应的造的联合特征作为卷积层的输入，在进行卷积操作时所用的卷积核

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论