CN114547017B 一种基于深度学习的气象大数据融合方法 （南京信息工程大学）_第1页
CN114547017B 一种基于深度学习的气象大数据融合方法 （南京信息工程大学）_第2页
CN114547017B 一种基于深度学习的气象大数据融合方法 （南京信息工程大学）_第3页
CN114547017B 一种基于深度学习的气象大数据融合方法 （南京信息工程大学）_第4页
CN114547017B 一种基于深度学习的气象大数据融合方法 （南京信息工程大学）_第5页
已阅读5页，还剩17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

专利代理师陈月菊AU2020100200A4,2020本发明公开了一种基于深度学习的气象大融合模型；以气候变量的分辨率最小为损失函23中增加相应的第一特征提取模块，并在增加的第一特征提取模块中并行加入可形变卷积，包括第二特征提取模块和超分辨率模块，通过在第二特征提取模块中引入时空注意力模输入模块用于将t时刻前后指定时间范围内的气象数据样本按时序排列后，一方面导入第尺度模块进行尺度调整后发送至输出模块，由输出模块统一融合成第t时刻的融合气象数S5，将采集到的多个数据源的实时气象数据导2.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S13.根据权利要求2所述的基于深度学习的气象大4.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S25.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S246.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S3k]的融合过程更加重要的信息；通过打分函数计算每一个56在第二特征提取模块中引入时空注意力模块实现。以气候变量的分辨率最小为损失函数，所述输入模块用于将t时刻前后指定时间范围内的气象数据样本按时序排列后，一方面导经降尺度模块进行尺度调整后发送至输出模块，由输出模块统一融合成第t时刻的融合气[0011]S5，将采集到的多个数据源的实时气象数据导入训练完成的气7[0028]进一步地，所述时空注意力模型首先在每个时刻都计算与参[0031]第二，本发明的基于深度学习的气象大数据融合方法，引入局地注意力机制8一方面导入第二特征提取模块进行特征提取，提取得到的特征再依次经过时空注意力模[0044]S5，将采集到的多个数据源的实时气象数据导入训练完成的气[0050]数据归一化泛指将数据特征转换为相同尺9本发明采用的原始超分模型是RDN(ResidualDenseNetwork，RDN)，其结合了Resnet和[0071]其中s(x，q)为注意力打分函数，比较常用的方法为使用缩放点积模型来进行计[0079](2)时间注意力时间步长选取由于不同的气候变量存在不同的周期性的特点，以

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