-
公开(公告)号：CN118050729A
公开(公告)日：2024-05-17
申请号：CN202410447311.6
申请日：2024-04-15
Applicant: 南京信息工程大学
IPC: G01S13/95 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/082 , G01S7/41 , G01S7/40
Abstract: 本发明公开了一种基于改进U‑Net的雷达回波时间降尺度订正方法，包括以下步骤：（1）收集发布的CMA‑SH数值模式预报数据，并进行初步的预报因子筛选和预处理；（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品；本发明通过降尺度得到分钟级预报，提高了对短临系统的预报能力。
-
公开(公告)号：CN118227979B
公开(公告)日：2024-09-06
申请号：CN202410652939.X
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
Abstract: 本发明公开一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，包括以下步骤:（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；（2）搭建加入了注意力机制SENet的CNN模型；（3）基于所述训练集和模型进行训练；（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；本发明所用数据资源和计算资源少，计算速度更快，预测时效长；突出次表层海温的经向扰动，更能体现热带太平洋次表层海温异常东传的特征。
-
公开(公告)号：CN118366046B
公开(公告)日：2024-08-30
申请号：CN202410799661.9
申请日：2024-06-20
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习并结合地形的风场降尺度方法，包括：（1）采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；（2）搭建基于矢量的神经网络深度学习降尺度模型；（3）基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；（4）基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。本发明能够实现经纬度分辨率从0.25°×0.25°到0.1°×0.1°的降尺度预测，提高了网络拟合效果，并可以综合把握矢量的方向和大小，产生更具有应用价值、准确率更高的结果。
-
Patent Agency Ranking
公开(公告)号：CN118227979A
公开(公告)日：2024-06-21
申请号：CN202410652939.X
申请日：2024-05-24
Applicant: 南京信息工程大学
IPC: G06F18/15 , G06F18/214 , G06N3/0464 , G06F30/27 , G06F119/02
Abstract: 本发明公开一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，包括以下步骤:（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；（2）搭建加入了注意力机制SENet的CNN模型；（3）基于所述训练集和模型进行训练；（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；本发明所用数据资源和计算资源少，计算速度更快，预测时效长；突出次表层海温的经向扰动，更能体现热带太平洋次表层海温异常东传的特征。
-
公开(公告)号：CN118366046A
公开(公告)日：2024-07-19
申请号：CN202410799661.9
申请日：2024-06-20
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习并结合地形的风场降尺度方法，包括：（1）采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；（2）搭建基于矢量的神经网络深度学习降尺度模型；（3）基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；（4）基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。本发明能够实现经纬度分辨率从0.25°×0.25°到0.1°×0.1°的降尺度预测，提高了网络拟合效果，并可以综合把握矢量的方向和大小，产生更具有应用价值、准确率更高的结果。
-
公开(公告)号：CN118050729B
公开(公告)日：2024-07-09
申请号：CN202410447311.6
申请日：2024-04-15
Applicant: 南京信息工程大学
IPC: G01S13/95 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/082 , G01S7/41 , G01S7/40
Abstract: 本发明公开了一种基于改进U‑Net的雷达回波时间降尺度订正方法，包括以下步骤：（1）收集发布的CMA‑SH数值模式预报数据，并进行初步的预报因子筛选和预处理；（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品；本发明通过降尺度得到分钟级预报，提高了对短临系统的预报能力。
-
公开(公告)号：CN116467946B
公开(公告)日：2023-10-27
申请号：CN202310437043.5
申请日：2023-04-21
Applicant: 南京信息工程大学
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
Abstract: 本发明公开了一种基于深度学习的模式预报产品降尺度方法，包括：采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；搭建基于改进卷积神经网络的深度学习模型；基于所述训练集和模型进行训练；基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。本发明使用卷积处理地面高程数据，保留其高分辨率信息的同时控制了其在网络特征提取和降尺度部分的比例，提高了结果的准确率；结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；采用最近邻插值与卷积运算配合进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。
-
公开(公告)号：CN116467946A
公开(公告)日：2023-07-21
申请号：CN202310437043.5
申请日：2023-04-21
Applicant: 南京信息工程大学
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G06F111/10
Abstract: 本发明公开了一种基于深度学习的模式预报产品降尺度方法，包括：采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；搭建基于改进卷积神经网络的深度学习模型；基于所述训练集和模型进行训练；基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。本发明使用卷积处理地面高程数据，保留其高分辨率信息的同时控制了其在网络特征提取和降尺度部分的比例，提高了结果的准确率；结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；采用最近邻插值与卷积运算配合进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
