-
公开(公告)号：CN114611792B
公开(公告)日：2023-05-02
申请号：CN202210238135.6
申请日：2022-03-11
Applicant: 南通大学
IPC: G06Q10/04 , G06N3/0464
Abstract: 本发明涉及一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，设计了一种混合CNN‑Transformer模型，该模型由卷积神经网络和改进的Transformer模型组合构成。卷积神经网络由2个一维卷积层组成，Transformer模型由编码器和解码器组成，每个编码器有3个编码层，解码器有3个解码层。同时，在传统Transformer编码器解码器架构的基础上，为编码器的不同编码层之间加入了“编码器到编码器”的交叉多头注意力层，进一步挖掘不同编码层之间编码信息的关联。CNN模型可以在特征维度上很好地提取有效信息，弥补了Transformer模型中编码器提取信息能力不足的问题。该预测方法能够更真实地反映多元数据对臭氧浓度的影响，并通过CNN‑Transformer模型学习这种影响模式，从而给出更精确的臭氧浓度预测结果。
-
公开(公告)号：CN112465243A
公开(公告)日：2021-03-09
申请号：CN202011398877.2
申请日：2020-12-02
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
Abstract: 本发明涉及一种空气质量预报方法及系统，使用加权K‑means算法对监测范围内各空气质量监测站点进行区域划分，得到目标监测站点所在区域内所有监测站点空气质量历史数据与气象数据，基于第一预设时间段内多站点空气质量历史数据与气象数据，利用CNN‑LSTM模型分析得出第二预设时间段内污染物浓度演变的时空趋势，从而实现精准的空气质量预报。另外，加权K‑means算法对各空气质量监测站点进行区域划分，能够准确的确定监测范围内与目标监测站点空间相关性较强的其他监测站点数量及位置，那么基于这些监测站点的空气质量历史数据与气象数据能够更真实的反映目标监测站点所在区域的空气质量，提高空气质量预报的准确性。
-
公开(公告)号：CN109948506A
公开(公告)日：2019-06-28
申请号：CN201910191797.0
申请日：2019-03-14
Applicant: 南通大学 , 江苏省南通环境监测中心
Abstract: 本发明公开了一种基于深度学习的多角度垃圾分类云平台，通过前端图像采集模块获取垃圾图片,并判断其是否能达到分类需求；通过无线高速传输模块把垃圾图像传送到垃圾分类云平台；垃圾分类云平台对垃圾图像进行识别，利用基于深度学习模型的垃圾分类模块给出分类结果，并把每次识别结果存储于云平台数据库模块；同时将分类结果传送到前端图像采集与传输模块，控制模块根据收到的分类命令对垃圾进行分类，在完成垃圾分类后，前端再传送确认指令至云平台以结束此次分类流程。本发明采用垃圾分类模块与数据库模块相结合的方式，使用分布式系统，便于深度学习模型的升级与更新，并结合多角度识别与判断技术，提升识别准确率。
-
公开(公告)号：CN117811633B
公开(公告)日：2024-10-01
申请号：CN202311819511.1
申请日：2023-12-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于深度学习的轻量化端到端CS I获取方法，包括：首先生成训练轻量化端到端CS I获取网络HOPFNet的输入数据集，然后，将生成的输入数据集输入HOPFNet中，对HOPFNet进行训练，保存模型最佳权重。最后，基站端将训练完成的导频信号发送至用户端；用户端将接收到的导频信号输入CS I反馈编码器网络，得到压缩的导频信号，并将其通过反馈链路反馈回基站端；基站端将接收到的压缩的导频信号输入CS I反馈解码器网络，得到基站端到用户端的下行实时估计信道。本发明绕过了信道估计，实现了导频设计、信道压缩和信道重建的一体化设计，采用HOPFNet将计算复杂度降低到了线性水平，可获得较好的信道估计精度，也减少了反馈开销和计算复杂度。
-
公开(公告)号：CN116596033A
公开(公告)日：2023-08-15
申请号：CN202310575634.9
申请日：2023-05-22
Applicant: 南通大学
IPC: G06N3/0455 , G06N3/08 , G06N5/04 , G06F17/18
Abstract: 本发明涉及臭氧浓度预测技术领域，尤其涉及一种基于窗口注意力和生成器的Transformer臭氧浓度预测方法，包括模型训练阶段和模型推理阶段；模型训练阶段包括：步骤S1.1、数据预处理阶段；步骤S1.2、调整模型参数，构建基于窗口注意力和生成器的TransformerWAG‑NAT模型，WAG‑NAT模型包括编码器、生成器和解码器三个部分；步骤S1.3、将历史数据输入至WAG‑NAT模型的编码器中，抽取历史信息和长程依赖；步骤S1.4、将协变量输入至生成器中，结合编码器的输出，生成最优序列；步骤S1.5、将生成器产生的序列输入至解码器中，得到的运算结果即为预测结果。本发明不仅能有效提取局部信息，还能充分挖全局信息，并将二者融合；还学习其他多源数据对臭氧浓度的影响模式，从而给出更精确的臭氧浓度预测结果。
-
Patent Agency Ranking
公开(公告)号：CN109948506B
公开(公告)日：2023-08-01
申请号：CN201910191797.0
申请日：2019-03-14
Applicant: 南通大学 , 江苏省南通环境监测中心
IPC: G06V20/10 , G06V20/20 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于深度学习的多角度垃圾分类云平台，通过前端图像采集模块获取垃圾图片,并判断其是否能达到分类需求；通过无线高速传输模块把垃圾图像传送到垃圾分类云平台；垃圾分类云平台对垃圾图像进行识别，利用基于深度学习模型的垃圾分类模块给出分类结果，并把每次识别结果存储于云平台数据库模块；同时将分类结果传送到前端图像采集与传输模块，控制模块根据收到的分类命令对垃圾进行分类，在完成垃圾分类后，前端再传送确认指令至云平台以结束此次分类流程。本发明采用垃圾分类模块与数据库模块相结合的方式，使用分布式系统，便于深度学习模型的升级与更新，并结合多角度识别与判断技术，提升识别准确率。
-
公开(公告)号：CN112465243B
公开(公告)日：2024-01-09
申请号：CN202011398877.2
申请日：2020-12-02
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: G01W1/02 , G06Q50/26 , G06F18/23213 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F16/29 , G06N3/08 , G01N33/00
Abstract: 本发明涉及一种空气质量预报方法及系统，使用加权K‑means算法对监测范围内各空气质量监测站点进行区域划分，得到目标监测站点所在区域内所有监测站点空气质量历史数据与气象数据，基于第一预设时间段内多站点空气质量历史数据与气象数据，利用CNN‑LSTM模型分析得出第二预设时间段内污染物浓度演变的时空趋势，从而实现精准的空气质量预报。另外，加权K‑means算法对各空气质量监测站点进行区域划分，能够准确的确定监测范围内与目标监测站点空间相关性较强的其他监测站点数量及位置，那么基于这些监测站点的空气质量历史数据与气象数据能够更真实的反映目标监测站点所在区
-
公开(公告)号：CN111339092B
公开(公告)日：2023-09-08
申请号：CN202010111029.2
申请日：2020-02-24
Applicant: 江苏省南通环境监测中心 , 南通大学
IPC: G06F18/25 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09 , G06F16/2458 , G01N33/00 , G01W1/10
Abstract: 本发明涉及一种基于深度学习的多尺度空气质量预报方法，包括以下步骤：获取实时更新的多源融合数据集并进行归一化处理；依据预报时间尺度将多源融合数据集进行划分为大尺度数据集和小尺度数据集；根据用户选择的预报尺度，调用对应尺度的预报模型对数据集进行处理得到预报数据；然后对经过模型运算的预报数据进行反归一化处理，得到预报结果。预报模型包含有CNN、LSTM和DNN，DNN中，第一层和第二层神经网络加入Dropout正则化层，设置dropout比率为0.3，第三层作为预报结果的输出层。
-
公开(公告)号：CN114611792A
公开(公告)日：2022-06-10
申请号：CN202210238135.6
申请日：2022-03-11
Applicant: 南通大学
Abstract: 本发明涉及一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，设计了一种混合CNN‑Transformer模型，该模型由卷积神经网络和改进的Transformer模型组合构成。卷积神经网络由2个一维卷积层组成，Transformer模型由编码器和解码器组成，每个编码器有3个编码层，解码器有3个解码层。同时，在传统Transformer编码器解码器架构的基础上，为编码器的不同编码层之间加入了“编码器到编码器”的交叉多头注意力层，进一步挖掘不同编码层之间编码信息的关联。CNN模型可以在特征维度上很好地提取有效信息，弥补了Transformer模型中编码器提取信息能力不足的问题。该预测方法能够更真实地反映多元数据对臭氧浓度的影响，并通过CNN‑Transformer模型学习这种影响模式，从而给出更精确的臭氧浓度预测结果。
-
公开(公告)号：CN117811633A
公开(公告)日：2024-04-02
申请号：CN202311819511.1
申请日：2023-12-27
Applicant: 南通大学
Abstract: 本发明涉及一种基于深度学习的轻量化端到端CSI获取方法，包括：首先生成训练轻量化端到端CS I获取网络HOPFNet的输入数据集，然后，将生成的输入数据集输入HOPFNet中，对HOPFNet进行训练，保存模型最佳权重。最后，基站端将训练完成的导频信号发送至用户端；用户端将接收到的导频信号输入CS I反馈编码器网络，得到压缩的导频信号，并将其通过反馈链路反馈回基站端；基站端将接收到的压缩的导频信号输入CS I反馈解码器网络，得到基站端到用户端的下行实时估计信道。本发明绕过了信道估计，实现了导频设计、信道压缩和信道重建的一体化设计，采用HOPFNet将计算复杂度降低到了线性水平，可获得较好的信道估计精度，也减少了反馈开销和计算复杂度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.016 seconds)
