CN119476055A 一种基于机器学习模型的生态水文模拟方法 （河海大学）_第1页
CN119476055A 一种基于机器学习模型的生态水文模拟方法 （河海大学）_第2页
CN119476055A 一种基于机器学习模型的生态水文模拟方法 （河海大学）_第3页
CN119476055A 一种基于机器学习模型的生态水文模拟方法 （河海大学）_第4页
CN119476055A 一种基于机器学习模型的生态水文模拟方法 （河海大学）_第5页
已阅读5页，还剩19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

号一种基于机器学习模型的生态水文模拟方法本发明提供了一种基于机器学习模型的生2基于改进的ConvLSTM网络结构构建生获取全色图像，将经过辐射定标和大气校正后的图像与全色图以传统ConvLSTM网络结构为主干网络，3基于改进的ConvLSTM网络结构构建生456对待镶嵌图像与融合图像进行几何配准，使它们处于同样的空间坐标系统之下，7据在不同时刻仅存在其中单维度数据出现异常的情景，并给出了检测异常值的基本框架，相关性计算是将待清洗多维时间序列数据表示成计算机能识别和处理的形式后确定异常维度主要是分别通过对历史滑动窗口大小的多维时序数据和第一个滑定位异常值是基于确定异常维度这一操作之上的，在明确哪一维度发生异常后，的检测标准比单维时序数据检测方法中由过时且无效的历史数据预测的异常约束更合理，8存储完整的多维时序数据进行切分，试图将全局异常检测问题转化成局部异常检测问题，系数邻接矩阵与历史窗口的相关系数邻接矩阵对比并确定异常序列；可利用异常维度和与其最相关的维度上数据间速度变化率比值的相似性来描述异常修复行为分为两步，如图3所示，包括生成修复值候选集合和确定最终修复方法对异常修复中生成的修复值候选集合进行最优分类，从而得到若干个簇，其次，按照ConvLSTM是香港科技大学的施行健博士在2017年针对时空序列预测问题提出的9[0028]式中，*代表卷积操作，o代表哈达玛运算（矩阵对应元素相乘与LSTM不同，对CBAM卷积注意力模块进行介绍，卷积注意力模块（ConvolutionalBlock信息的SENet注意力模块，CBAM结合了空间与通道维度，在许多领域取得了更好的效果。输入到通道注意力模块的特征图将分别通过基于Width和Height的最大池化层和累和操作，随后经过Sigmoid函数进行激活操作得到通道注意力权重，再与输入特征进行[0029]图8为空间注意力模块的内部结构图，通道注意力模块输出的特征图为空间注意Sigmoid函数的激活操作生成空间注意力权重，最后把输出的空间注意力权重和空间注意度上进行平均池化和最大池化操作，然后与前面提取到的通道为1的特征图进行合并得到Adam算法以保证较快的网络收敛速度，并在恰当的时候切换到SGD算法以获得更好的泛化学习率都是作为训练过程的一部分通过学习得到的，SWATS算法结合了Adam和SGD算法的优点，克服了Adam算法泛化能力较弱和SGD算法收敛速度较慢的缺点，在神经网络收敛速到的输出特征再经过CBAM卷积注意力模块进行处理，CBAM中的通道注意力模块首先对

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