-
公开(公告)号：CN115062551B
公开(公告)日：2022-11-04
申请号：CN202210935359.2
申请日：2022-08-05
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明提出了一种基于时序神经网络的湿物理过程参数化方法，方法首先基于时序预测神经网络去学习过去时刻大气状态、对流和云的动态变化关系，然后通过融合筛选这些学习到的特征来预测湿物理过程中湿度和温度变化趋势以及云水和云冰含量。最后，根据预测出的湿度变化趋势计算出当前的降水量。此外，在网络训练过程中加入了物理约束来保证该方法遵循一般的物理规律。该方法相比传统湿物理参数化方案和其他神经网络能够准确再现社区大气模式超参数版本SPCAM的模拟结果，模拟的湿物理过程中的湿度和温度变化趋势、云水和云冰含量，降水等偏差也远小于它们。
-
公开(公告)号：CN114896826B
公开(公告)日：2022-09-09
申请号：CN202210819294.5
申请日：2022-07-13
Applicant: 成都信息工程大学
IPC: G06F30/20 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明涉及一种基于物理学结合残差注意力网络的行星边界层参数化方法，设计一种同时结合物理学和深度学习的残差注意力网络，包括依次连接的八个时空结合模块，每个时空结合模块包括通道注意力模块CAB和空间注意力模块PNSAB，通过卷积、CAB模块和PNSAB模块提取重要特征和模拟具体的物理过程，CAB模块用来模拟大气湍流过程中的能量交换，让网络不断地学习大气物理常识，PNSAB模块去挑选对于预测结果比较重要的气象要素，能够有效的替换传统模式中的参数化，设计的多个模块协同作用模拟边界层中的物理过程。本发明的模型能更好地模拟边界层内的速度、温度、风速和水汽的垂直分布，同时使用较低的计算成本和较短的时间。
-
公开(公告)号：CN114896826A
公开(公告)日：2022-08-12
申请号：CN202210819294.5
申请日：2022-07-13
Applicant: 成都信息工程大学
IPC: G06F30/20 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明涉及一种基于物理学结合残差注意力网络的行星边界层参数化方法，设计一种同时结合物理学和深度学习的残差注意力网络，包括依次连接的八个时空结合模块，每个时空结合模块包括通道注意力模块CAB和空间注意力模块PNSAB，通过卷积、CAB模块和PNSAB模块提取重要特征和模拟具体的物理过程，CAB模块用来模拟大气湍流过程中的能量交换，让网络不断地学习大气物理常识，PNSAB模块去挑选对于预测结果比较重要的气象要素，能够有效的替换传统模式中的参数化，设计的多个模块协同作用模拟边界层中的物理过程。本发明的模型能更好地模拟边界层内的速度、温度、风速和水汽的垂直分布，同时使用较低的计算成本和较短的时间。
-
Patent Agency Ranking
公开(公告)号：CN118485923A
公开(公告)日：2024-08-13
申请号：CN202410931719.0
申请日：2024-07-12
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供一种基于模型无关元学习和密集残差注意力的降尺度方法，涉及数据处理领域，包括：确定多个降尺度任务，任意两个降尺度任务对应的气象变量、时间范围和空间范围中的至少一个存在差异；对于每个降尺度任务，确定降尺度任务对应的降尺度样本，包括原气象图及原气象图对应的降尺度气象图；重复执行从多个降尺度任务中采样，形成元批次任务，对元模型进行训练，直至元模型满足预设条件；基于目标降尺度任务的对应的降尺度样本对元模型进行参数调整，生成降尺度模型；获取目标降尺度任务对应的待降尺度气象图；基于降尺度模型，生成待降尺度气象图对应的降尺度气象图，具有提升降尺度结果的大气物理准确性和细节丰富度的优点。
-
公开(公告)号：CN115062551A
公开(公告)日：2022-09-16
申请号：CN202210935359.2
申请日：2022-08-05
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明提出了一种基于时序神经网络的湿物理过程参数化方法，方法首先基于时序预测神经网络去学习过去时刻大气状态、对流和云的动态变化关系，然后通过融合筛选这些学习到的特征来预测湿物理过程中湿度和温度变化趋势以及云水和云冰含量。最后，根据预测出的湿度变化趋势计算出当前的降水量。此外，在网络训练过程中加入了物理约束来保证该方法遵循一般的物理规律。该方法相比传统湿物理参数化方案和其他神经网络能够准确再现社区大气模式超参数版本SPCAM的模拟结果，模拟的湿物理过程中的湿度和温度变化趋势、云水和云冰含量，降水等偏差也远小于它们。
-
公开(公告)号：CN119962380A
公开(公告)日：2025-05-09
申请号：CN202510057508.3
申请日：2025-01-14
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N20/00 , G06N3/08 , G06F18/213 , G06F18/25 , G06F111/04 , G06F119/08
Abstract: 本发明提出基于物理约束的自适应神经网络的湿物理参数化方法，构建一个结合物理约束的自适应湿物理参数化模型，参数化模型分为两个阶段，第一阶段通过基于双分支的特征提取网络提取来自适应聚合全局与局部信息，从而获得不同尺度的特征信息；第二阶段，为了保留大气状态、对流和云的历史数据变化，设计卷积长短期记忆模块与注意力机制的结合，学习过去时刻和当前已知的大气状态等动态变化关系，然后通过注意力机制去融合筛选学习到的特征来预测湿物理过程中湿度和温度变化趋势等，最后，在训练过程和网络推理过程中还引入湿静态能量守恒作为物理约束来避免模拟结果产生不稳定性和气候漂移等问题。本发明方法参数化过程效率和精度有明显提升。
-
公开(公告)号：CN118485923B
公开(公告)日：2024-09-13
申请号：CN202410931719.0
申请日：2024-07-12
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供一种基于模型无关元学习和密集残差注意力的降尺度方法，涉及数据处理领域，包括：确定多个降尺度任务，任意两个降尺度任务对应的气象变量、时间范围和空间范围中的至少一个存在差异；对于每个降尺度任务，确定降尺度任务对应的降尺度样本，包括原气象图及原气象图对应的降尺度气象图；重复执行从多个降尺度任务中采样，形成元批次任务，对元模型进行训练，直至元模型满足预设条件；基于目标降尺度任务的对应的降尺度样本对元模型进行参数调整，生成降尺度模型；获取目标降尺度任务对应的待降尺度气象图；基于降尺度模型，生成待降尺度气象图对应的降尺度气象图，具有提升降尺度结果的大气物理准确性和细节丰富度的优点。
-
公开(公告)号：CN116776731A
公开(公告)日：2023-09-19
申请号：CN202310746326.8
申请日：2023-06-25
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F111/10 , G06F111/04
Abstract: 本发明涉及一种基于物理约束的自适应神经网络海洋垂直混合参数化方法，主要针对海洋垂直混合参数化过程精度不高的问题，本发明构建了一个自适应网络模型，在海上实际站点观测数据的基础上加入一定的人工合成数据，构成训练集进行学习，构建参数化神经网络，参数化神经网络由四个自适应全连接模块AFCM堆叠构成，学习不同深度的海洋密度ρ、剪切平方S2、分层N2、速度U与垂直扩散系数Kt的关系，然后通过融合学习到的特征预测垂直混合参数化过程中的垂直扩散系数Kt，在训练过程和网络推理过程中引入物理约束来提高网络的预测精度，使得本发明的参数化网络在精度和泛化能力方面比现有技术表现更好。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
