-
公开(公告)号：CN119293464B
公开(公告)日：2025-04-08
申请号：CN202411828751.2
申请日：2024-12-12
Applicant: 南京大学
Abstract: 本申请公开了一种基于多种人工智能模型融合的气候集成预测方法和系统，属于气候预测领域。包括：选取与预测目标存在物理相关关系的要素作为预测因子；选取多种人工智能模型，并基于历史观测数据集对该多种人工智能模型进行预训练；对预训练得到的多种人工智能模型进行独立回报检验，并择优选取多个目标人工智能模型；对各个预测因子对于预测目标的相对贡献进行分析，并确定各个目标人工智能模型对应的实际预测因子。最后基于多个目标人工智能模型和各个目标人工智能模型对应的实际预测因子构建得到气候集成预测模型。如此，可以对线性与非线性特征进行融合预测，有效提升模型的泛化性和稳定性，且提升预测效率和准确性。
-
公开(公告)号：CN117933299B
公开(公告)日：2024-07-23
申请号：CN202410312661.1
申请日：2024-03-19
Applicant: 南京大学
Abstract: 本申请提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，该方法包括：计算预测因子与预测对象的异常相对倾向场；对预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。本申请能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
-
公开(公告)号：CN114707687A
公开(公告)日：2022-07-05
申请号：CN202111570421.4
申请日：2021-12-21
Applicant: 南京大学
Abstract: 本发明针对我国现有夏季降水次季节异常预测能力的不足，公开了一种基于热带大气次季节振荡信号的旬降水预测方法和系统。利用异常相对倾向方法，将原始观测数据处理为旬异常相对倾向数据，从中提取影响降水异常的前期热带次季节振荡信号及主要模态，并将其作为预测因子与降水次季节异常相对倾向进行统计建模，构建针对降水旬异常相对倾向的统计预测模型，将该模型预测结果与前期降水异常背景相加，从而实现对降水次季节异常的定量化预测。相较于现有预测方法，本发明能够有效提取出影响降水次季节异常的热带次季节振荡信号，构建基于物理模态的夏季降水旬异常的定量化预测系统，可有效提升我国夏季降水次季节预测能力。
-
公开(公告)号：CN113592165A
公开(公告)日：2021-11-02
申请号：CN202110834465.7
申请日：2021-07-23
Applicant: 南京大学
Abstract: 本发明公开了一种基于旬倾向和物理模态建模的次季节气候预测方法与系统。利用历史资料计算大气要素场和预测变量的旬倾向距平；通过奇异值分解，提取决定预测变量旬倾向距平的前期热带大气向外长波辐射场和中高纬大气500hPa位势高度场旬倾向距平变异的主要物理模态，并作为预测因子；利用多元回归方法，构建预测变量旬倾向距平与前期主要物理模态关系的预测模型，并通过历史回报确定最优物理模态；将前期观测的最优物理模态代入预测模型，从而实现对预测变量的旬倾向距平预测；将预测的旬倾向距平叠加前一旬的观测或预测距平，从而得到本旬的距平预测。本发明建立的基于旬倾向距平和物理模态建模的方法与系统可有效提高次季节气候预测准确率。
-
公开(公告)号：CN119513723A
公开(公告)日：2025-02-25
申请号：CN202411571820.6
申请日：2024-11-06
Applicant: 南京大学
IPC: G06F18/2415 , G01S13/88 , G06F18/214 , G06F18/213 , G06F18/2321 , G06F30/27 , G06F18/20 , G06N3/0464 , G06N3/084 , G06N7/01
Abstract: 本发明公开了一种基于深度贝叶斯聚类和类别关联的辐射源识别方法，包括将雷达数据输入仿真程序，构建辐射源数据集，数据集分别仿真得到训练集和测试集数据，构建一个类别判定模型，训练得到一个特征提取器，训练完成后固定网络参数用于后续的特征提取；构建一个基于时间序列的分类模型，用提取出来的脉冲重复间隔训练网络，网络收敛后固定参数用于后续的类别关联；构建一个用于不指定类别数目聚类的基于高斯模型的中国餐馆聚类算法，并得到聚类后的簇，在一个时间周期内计算簇间的距离以进行微簇合并；将上述聚类好的簇输入基于脉冲重复间隔构建的分类模型，实现类别关联。不仅适应了现实环境中复杂多变的信号环境，还提高了识别效率。
-
Patent Agency Ranking
公开(公告)号：CN119513627A
公开(公告)日：2025-02-25
申请号：CN202411565651.5
申请日：2024-11-05
Applicant: 南京大学
IPC: G06F18/23 , G01S7/41 , G06F18/22 , G06F18/241
Abstract: 本发明公开了一种基于反距离加权在线聚类的雷达脉冲分选方法，属于雷达信号分选领域，包括步骤一，根据现代雷达信号的特点，用python来生成大量具有典型雷达信号多样性的脉冲样本；步骤二，将生成的脉冲数据集的前1000个全量预聚类；步骤三，剩余的脉冲数据进行单样本反距离加权相似度的实时信号分选，步骤四，对分选结果进行实时验证；步骤五，重复步骤三步骤四，直至全部数据分选完；步骤六，用增量Leader算法和非增量DBSCAN和BGMM算法重复步骤三步骤四，与本发明进行对比试验验证，本发明基于加权和的判别准则进行脉冲的聚类关联，克服了先验知识依赖的困扰，通过滑动平均技术动态更新簇中心，实现了更高的分选准确度。
-
公开(公告)号：CN119293497A
公开(公告)日：2025-01-10
申请号：CN202411836791.1
申请日：2024-12-13
Applicant: 南京大学
IPC: G06F18/2135 , G06F18/214 , G06F18/2431 , G06N3/0442 , G06N3/0464
Abstract: 本申请提供了一种基于人工智能技术的气候集合预测方法和系统，该方法应用于人工智能技术领域，该方法包括：将预测目标气候要素进行时空分解，得到实际预测目标；对影响多个气候要素主分量的前期大尺度环流场进行降维和特征提取，得到实际预测因子；构建实际预测因子和实际预测目标的非线性人工智能拟合模型；确定多个气候要素主分量的集合预测结果；重建预测目标气候要素的完整预测结果。该方法能够基于人工智能技术和气候动力学、气候可预测性研究，从气候大数据中提取出可预测信息，通过不同的参数方案构建多个人工智能非线性拟合模型，使用集合预测方案进一步构建更具有稳定性和泛化性的预测模型，从而对气候要素进行客观定量化预测。
-
公开(公告)号：CN117932560B
公开(公告)日：2024-07-23
申请号：CN202410321398.2
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/27 , G06F18/26 , G06N3/0464 , G06N3/045 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种基于南北半球年代际模态的人工智能年代际气候预测方法，包括：基于去除长期趋势并进行低频滤波后的全球海表面温度和降水、气温等气候要素的季节平均历史观测数据；分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态；通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；通过将所述主要年代际模态的近期观测状态或未来预测状态导入预测模型，得到气候要素在未来几年到数十年内的实时预测结果。
-
公开(公告)号：CN117933299A
公开(公告)日：2024-04-26
申请号：CN202410312661.1
申请日：2024-03-19
Applicant: 南京大学
Abstract: 本申请提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，该方法包括：计算预测因子与预测对象的异常相对倾向场；对预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。本申请能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
-
公开(公告)号：CN117932560A
公开(公告)日：2024-04-26
申请号：CN202410321398.2
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/27 , G06F18/26 , G06N3/0464 , G06N3/045 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种基于南北半球年代际模态的人工智能年代际气候预测方法，包括：基于去除长期趋势并进行低频滤波后的全球海表面温度和降水、气温等气候要素的季节平均历史观测数据；分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态；通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；通过将所述主要年代际模态的近期观测状态或未来预测状态导入预测模型，得到气候要素在未来几年到数十年内的实时预测结果。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.024 seconds)
