CN113095586B 一种基于深度神经网络的短临多气象要素预报方法 （华风气象传媒集团有限责任公司）_第1页
CN113095586B 一种基于深度神经网络的短临多气象要素预报方法 （华风气象传媒集团有限责任公司）_第2页
CN113095586B 一种基于深度神经网络的短临多气象要素预报方法 （华风气象传媒集团有限责任公司）_第3页
CN113095586B 一种基于深度神经网络的短临多气象要素预报方法 （华风气象传媒集团有限责任公司）_第4页
CN113095586B 一种基于深度神经网络的短临多气象要素预报方法 （华风气象传媒集团有限责任公司）_第5页
已阅读5页，还剩26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

US2009049002A1,2009.02.19一种基于深度神经网络的短临多气象要素本发明提供一种基于深度神经网络的短临Barnes因子图；使用knn邻近算法采样连接站点进行预处理后进入UNet网络输出类别数量的特用knn算法构造图连接得到图特征集；将图特征2Barnes因子图使用knn邻近算法对kNNBarnes因子图进行数据采样连接站点构造图获得邻基于kNNBarnes因子图使用knn邻近算法对kNNBarnes因子图进行数据采样连接站点S3：对S2获得的邻接图特征数据进行预处理后输入U对S2获得的邻接图特征数据进行预处理后输入UNet模型和残差网络进行下采样学习S4：根据历史压温湿风数据计算大气层物理特性3状六边形结构对S3获得的特征图连接得到图根据历史压温湿风数据计算大气层物理特性和变化过程的动力气象计算湿空气密度ρ:4通过如下公式计算Brunt-VaisalaKelvin-Helmholtz稳定度计算1252S5：将S4获得的图特征集进行样本匹配后代将S4获得的图特征集进行样本匹配后代入时序图网络模型，最终在获取到图特征集数据之后，使用相应的激活函数PReLU对数据进行处理，之后通过6和国防建设的重要手段，目前气象预报方法主要分为数值气象预报和数值驱动方法两种，于kNNBarnes因子图使用knn邻近算法对kNNBarnes因子图进行数据采样连接站点构造图[0008]S3：对S2获得的邻接图特征数据进行预处理后输入UNet模型和残差网络先下采蜂窝状六边形结构对S3获得的特征图连接得到图7[0012]进一步地，所述使用knn邻近算法对kNNBarnes因子图进行数据采样的步骤具体8[0034]本实施例中公开一种基于深度神经网络的短临多气象要素预报方法，参考图1的时间范围2016-2019；然后将这些数据按照预设时间序列段进行分组，如按每侯(0-2]时、[0038]kNNBarnes因子图是使用knn邻近算法模型、Barnes高斯函数建立起邻近站点因9[0045]S3：使用knn邻近算法对kNNBarnes因子图进行数据采样连接kNNBarnes因子图[0046]本步骤中的数据采样的原理是基于kNNBarnes因子图原则，具体为使用knn邻近[0054]S4：对S3获得的邻接图特征数据进行预处理后进入UNet模型和残差网络先下采[0056]UNet将神经网络的编码(Encode)/解码(Decode)结构，形蜂窝状六边形结构对S4获得的特征图连接得到图[0079]Brunt-Vaisala重力内波，Brunt-Vaisala频率(N)是表示大气层结稳定性的一个g为重力加速度：ρ2[0099]由于每个物理量的取值范围不尽相同，如果直接根据表1的取值范围进行特征分测区域内的所用站点使用knn算法构造图连接，实现了站点气象物理特征向站点六边图结序列。

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