CN114755745B 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 （河海大学）_第1页
CN114755745B 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 （河海大学）_第2页
CN114755745B 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 （河海大学）_第3页
CN114755745B 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 （河海大学）_第4页
CN114755745B 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 （河海大学）_第5页
已阅读5页，还剩24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

号WO2022074643A1,2022.04基于多通道深度残差收缩网络的冰雹天气本发明公开了一种基于多通道深度残差收微波信号数据经MSST处理后，输入训练好的模实现较低信噪比条件下冰雹相关微波信号的有2所述步骤S2中对预处理后的数据进行多重同步压缩当G(t,ω)≠0时，瞬时频率估计(,o)表示为：所述步骤S3中采用BN-SMOTE算法对训练集中冰雹样本数据进行过采样的具体步骤包3剔除在其k1近邻中没有其他少数类存在的少数类样本，组成一个过滤后的少数类样本m1所述步骤S4中输入多通道深度残差收缩网络进行特征提取卷积模块由四个结构不同的通道构成，通道1包最后通过Concatenate层将3个分支提取的特征进行融合4残差收缩模块中嵌入的子网络可自适应生成阈值，软阈值化输出对于输入的导数如S4-3：通过全局平均池化对提取出的高维特征进2.根据权利要求1所述的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方3.根据权利要求1所述的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方S5-1：选取度量学习中的RankedListLoss和交其中f为嵌入函数，λ为交叉熵损失函数的权重，LRLL为度量学习中的RankedListCE为交叉熵损失函数；)gtt是损失函数的梯度，mt和vt分别是第t次迭代更新的有偏一阶矩估计和二阶矩5672是用来生成多数类集合的多数类最近邻样本数量；k3是用来生成少数8m1[0053]最后通过Concatenate层将3个分支提取的特征进行融合，使相关性强的特征聚9[0062]S4-3：通过全局平均池化(GAP)对提取出的高维特征进行降维，大量减少训练参[0067]S5-1：选取度量学习中的RankedListLoss和交叉熵损失函数c为第c类样本的总数。CE为交叉熵损失函数。[0079]有益效果：本发明的基于多通道深度残差收缩网络的冰雹天气[0082]3、构建了多通道深度残差收缩网络，极大提高了含噪微波信号识别分类的准确(i,o)可表示为：[0112]所述步骤S3中采用BN-SMOTE算法对训练集中冰雹样本数据进行过采样的具体步2是用来生成多数类集合的多数类最近邻样本数量；k3是用来生成少数[0130]所述步骤S4中输入多通道深度残差收缩网络进行特征提取与分类的具体步骤包[0144]最后通过Concatenate层将3个分支提取的特征进行融合，使相关性强的特征聚[0153]首先对残差模块最后一层的输出进行绝对值化，经全局平均池化(GAP)获取与上[0158]S4-3：通过全局平均池化(GAP)对提取出的高维特征进行降维，大量减少训练参[0164]S5-1：选取度量学习中的RankedListLoss和交叉熵损失函数c为第c类样本的总数。[0166]以成对余量损失作为基本成对约束

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