CN118070951B 基于注意力机制的大面积自适应作物产量预测方法及系统 （中国科学院计算技术研究所）_第1页
CN118070951B 基于注意力机制的大面积自适应作物产量预测方法及系统 （中国科学院计算技术研究所）_第2页
CN118070951B 基于注意力机制的大面积自适应作物产量预测方法及系统 （中国科学院计算技术研究所）_第3页
CN118070951B 基于注意力机制的大面积自适应作物产量预测方法及系统 （中国科学院计算技术研究所）_第4页
CN118070951B 基于注意力机制的大面积自适应作物产量预测方法及系统 （中国科学院计算技术研究所）_第5页
已阅读5页，还剩15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

基于注意力机制的大面积自适应作物产量本发明提出一种基于注意力机制的大面积将作物生长二维特征矩阵分别输入时间注意力预测产量和实际产量构建损失函数训练作物产2征注意力层学习不同地区环境因素对作物产量的影响2.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在3.如权利要求1所述的基于注意力机制的大面积自适应作物产量预测方法，其特征在初始模块，用于获取多个已标注实际产量的作物时序训练模块，用于将各个时间点对应的生长特征输入该预测模块，用于将待预测的作物时序数据输入训练完成后的作物产量预测35.如权利要求4所述的基于注意力机制的大面积自适应作物产量预测系统，其特征在6.如权利要求4所述的基于注意力机制的大面积自适应作物产量预测系统，其特征在利要求1_3中任一所述基于注意力机制的4[0003](1)基于农作物机理的作物产量预测模型。作物产量估计的机理模型(或过程模5务来学习。这些空间异质性学习方法在很大程度上依赖于复杂的人工干预(人为地理划[0009](2)采用注意力机制自适应计算空间差异的模型已被提出从而避免了人工干预，利用注意力机制来让模型从数据中自适应学习和计算作物生长建模的空间异质性的方法，6该特征注意力层学习不同地区环境因素对作物产还包括卷积层CNN；该步骤3包括将各个特征对应的时序特征输入该卷积层CNN提取时间模的作物类别与该已标注实际产量的作物时序数据的[0024]预测模块，用于将待预测的作物时序数据输入训练完成的作物类别与该已标注实际产量的作物时序数据的7[0036]本发明的主要贡献在于引入特征注意力网络，提出了时间_特征注意力网络模型8如大豆在美国13州1115个大豆县的环境中，通常使用三维张量来表示序列数据。对于LSTM来说，这个三维张量的维度通常是[0047]本阶段主要图1中的Attentionblock1和Attentionblock2组成。Attention[0048]Attentionblock2即是特征注意力模块。传统的注意力机制选择每个时间步的信9[0052]时间注意力网络用于在时间序列数据中将重要的时间步骤或时刻进行加权和关据任务需求进行自适应调整，使网络能够更好地关注和利用那些对于任务关键的时间点。制学习到的权重b表示了输入序列中每个时间点的相对重要性。将这些权重与原始时序特的作物生长对气候变化的反应程度也可能有所不同。所以Attentionblock2学习到的权重[0057]在本模型中，Attentionblock2用来学习不同地区不同影响因素对大豆产量的贡[0065]预测模块，用于将待预测的作物时序数据输入训练完成的作物类别与该已标注实

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