-
公开(公告)号：CN113341419B
公开(公告)日：2022-11-01
申请号：CN202110570221.2
申请日：2021-05-25
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于VAN‑ConvLSTM的天气外推方法及系统，方法包括以下步骤：按时序接收目标雷达图像，并对目标雷达图像进行编码；将编码后的目标雷达图像按时序分别输入ConvLSTM网络；将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。该方法能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。
-
公开(公告)号：CN113254802A
公开(公告)日：2021-08-13
申请号：CN202110689433.2
申请日：2021-06-22
Applicant: 成都信息工程大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明提供一种基于微博大数据的复杂网络舆情节点重要度排序方法，包括步骤：获取节点的邻接点个数，从而获得节点的Q值；通过每个节点的Q值得到每个节点的局部集中度，获取两个节点之间的边权重；根据边权重得到节点的权重向量，通过根据节点关联边得到拓扑结构；基于k核分解法，求出k核迭代次数，然后对节点的度和k核迭代次数进行归一化处理，创建矩阵；根据矩阵获取指标熵值，根据熵值得到度和k核迭代次数的权重；根据度和k核迭代次数的权重获得每个节点的权重因子；根据每个节点的权重因子得到综合因子，进行重要度排序。该方法能确认网络中节点的重要关系，从而提高网络的布局效率。
-
公开(公告)号：CN118552634A
公开(公告)日：2024-08-27
申请号：CN202410533587.6
申请日：2024-04-30
Applicant: 成都信息工程大学
IPC: G06T11/00 , G06N3/0475 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种文本生成图像的方法，涉及图像生成领域，所述方法包括：获取单实体样本数据，基于所述单实体样本数据获得多实体样本数据，基于所述多实体样本数据获得识别模型；基于所述识别模型对所述多实体样本数据进行识别获得若干第一实体，对每个所述第一实体进行编码获得若干单一向量，将所有所述单一向量进行融合获得综合向量；基于所述综合向量和生成器获得第二图像，基于所述第二图像获得所述生成器的第一损失LG，基于所述第一损失LG获得所述生成器的目标生成参数，基于所述目标生成参数获得生成模型；获取文本数据，基于所述识别模型对所述文本数据进行识别获得若干第二实体，所述生成模型基于所有所述第二实体获得所述文本数据对应的图像，可以解决现有跨模态学习方法缺少对文本和图像的结构化处理，导致跨模态学习中信息损失增加，从而导致生成图像的多样性和真实性降低的问题。
-
公开(公告)号：CN113095442B
公开(公告)日：2021-09-10
申请号：CN202110624140.6
申请日：2021-06-04
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于半监督学习在多维度雷达数据下的冰雹识别方法，包括：S1：获取标注样本集，随机抽出监督样本集，暴雨样本训练集与冰雹样本训练集，获取未标注数据集并随机均分为q份第一样本；S2：计算各簇训练集的聚类中心；S3：对一份第一样本聚类划分到对应簇中，更新聚类中心；S4：迭代，获得此时的各簇聚类中心以及对应簇的置信度；S5：监督样本集重复步骤S2‑S4，获得监督样本集对各聚类中心的监督置信度，归类至对应簇中；S6：判断第一样本是否更新到簇中，重复S2‑S6至第一样本处理完毕；S7：将最佳的聚类中心作为识别模型输入，得各样本对各簇的置信度、进行分类。该方法有效提高冰雹识别的准确率、降低误报率。
-
公开(公告)号：CN113344902A
公开(公告)日：2021-09-03
申请号：CN202110714050.6
申请日：2021-06-25
Applicant: 成都信息工程大学
Abstract: 本发明公开一种基于深度学习的强对流天气雷达图识别模型及方法，首先根据雷达基数据中回波反射率因子生成反射率图像，对强对流天气的雷达图像样本进行分析，提取风暴单体的图像特征，结合常用气象因子建立样本图像特征数据库，然后，采用深度学习建立雷达图像自动标注系统框架，利用FasterR‑CNN模型自动识别并对其进行分类，最后采用改进的双向ConvST‑LSTM来存储时间和空间信息，同步进行轨迹识别强对流天气现象的移动；本发明充分考虑强对流天气分型特征以及气象要素的影响因子，采用改进的双记忆递归单元存储时间和空间信息，增加相邻状态之间的转换深度，提高处理短期变化的能力，从而提高模型对雷达图像的识别能力。
-
Patent Agency Ranking
公开(公告)号：CN113095442A
公开(公告)日：2021-07-09
申请号：CN202110624140.6
申请日：2021-06-04
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于半监督学习在多维度雷达数据下的冰雹识别方法，包括：S1：获取标注样本集，随机抽出监督样本集，暴雨样本训练集与冰雹样本训练集，获取未标注数据集并随机均分为q份第一样本；S2：计算各簇训练集的聚类中心；S3：对一份第一样本聚类划分到对应簇中，更新聚类中心；S4：迭代，获得此时的各簇聚类中心以及对应簇的置信度；S5：监督样本集重复步骤S2‑S4，获得监督样本集对各聚类中心的监督置信度，归类至对应簇中；S6：判断第一样本是否更新到簇中，重复S2‑S6至第一样本处理完毕；S7：将最佳的聚类中心作为识别模型输入，得各样本对各簇的置信度、进行分类。该方法有效提高冰雹识别的准确率、降低误报率。
-
公开(公告)号：CN118552634B
公开(公告)日：2025-01-28
申请号：CN202410533587.6
申请日：2024-04-30
Applicant: 成都信息工程大学
IPC: G06T11/00 , G06N3/0475 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种文本生成图像的方法，涉及图像生成领域，所述方法包括：获取多实体样本数据，基于多实体样本数据获得识别模型；基于识别模型对多实体样本数据进行识别获得若干第一实体，对每个第一实体进行编码获得若干单一向量，将所有单一向量进行融合获得综合向量；基于综合向量和生成器获得第二图像，基于第二图像获得生成器的目标生成参数，基于目标生成参数获得生成模型；获取文本数据，基于识别模型对文本数据进行识别获得若干第二实体，生成模型基于所有第二实体获得文本数据对应的图像，可以解决现有跨模态学习方法缺少对文本和图像的结构化处理，导致跨模态学习中信息损失增加，从而导致生成图像的多样性和真实性降低的问题。
-
公开(公告)号：CN113341419A
公开(公告)日：2021-09-03
申请号：CN202110570221.2
申请日：2021-05-25
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于VAN‑ConvLSTM的天气外推方法及系统，方法包括以下步骤：按时序接收目标雷达图像，并对目标雷达图像进行编码；将编码后的目标雷达图像按时序分别输入ConvLSTM网络；将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。该方法能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。
-
公开(公告)号：CN110794485A
公开(公告)日：2020-02-14
申请号：CN201911003227.0
申请日：2019-10-22
Applicant: 成都信息工程大学
Abstract: 本发明公开了基于集成学习的强对流天气持续时间预报方法，包括以下步骤：S1，数据源选取：选择预报地区的地面气象站资料以及离预报地区最近的两个探空站资料；S2，数据预处理：剔除错误及缺测资料，根据计算出的相关强对流预报参数作为输入，选择每次强队流天气持续的时间作为输出，当天没有出现强对流天气则认为时间为0，对预报参数即输入作归一化处理；S3，机器学习算法选择：选用K最近邻算法、多项式回归算法、决策树算法、神经网络算法。本发明主要用强对流天气发生当天的各种气象要素来推测强对流天气可能会持续的时间，通过多机器学习算法比较策略，对目标任务进行训练测试，选出其中最优的学习算法，用作实际的预报任务中。
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.022 seconds)
