-
公开(公告)号：CN109299163A
公开(公告)日：2019-02-01
申请号：CN201811417390.7
申请日：2018-11-26
Applicant: 武汉大学
IPC: G06F16/2458 , G06F16/215 , G06N3/04
Abstract: 本发明提供了一种基于卷积神经网络的降水数据的插值方法及装置，其中的方法，首先对已有的高时间分辨率降水数据(48时次，逐小时)进行逐3小时累积处理，接着对处理后的数据上采样至原有时间分辨率(48时次，逐小时)，并在此基础上计算各个时次在对应的逐3小时降水中的比例，然后将上采样之前的数据按照此比例分配到原高时间分辨率，再利用维度变换方法，将得到的数据变换为二维数据，利用卷积神经网络模型对训练数据进行训练以得到合适的模型参数，最后利用训练出的模型对新的低时间分辨率降水数据(16时次,逐3小时)插值到高分辨率降水数据(48时次,逐小时)。实现了获得高时间分辨率降水数据以及提高预测效果的技术效果。
-
公开(公告)号：CN109299163B
公开(公告)日：2020-07-24
申请号：CN201811417390.7
申请日：2018-11-26
Applicant: 武汉大学
IPC: G06F16/2458 , G06F16/215 , G06N3/04
Abstract: 本发明提供了一种基于卷积神经网络的降水数据的插值方法及装置，其中的方法，首先对已有的高时间分辨率降水数据(48时次，逐小时)进行逐3小时累积处理，接着对处理后的数据上采样至原有时间分辨率(48时次，逐小时)，并在此基础上计算各个时次在对应的逐3小时降水中的比例，然后将上采样之前的数据按照此比例分配到原高时间分辨率，再利用维度变换方法，将得到的数据变换为二维数据，利用卷积神经网络模型对训练数据进行训练以得到合适的模型参数，最后利用训练出的模型对新的低时间分辨率降水数据(16时次,逐3小时)插值到高分辨率降水数据(48时次,逐小时)。实现了获得高时间分辨率降水数据以及提高预测效果的技术效果。
-
公开(公告)号：CN107346286B
公开(公告)日：2020-05-12
申请号：CN201710533417.8
申请日：2017-07-03
Applicant: 武汉大学
Abstract: 本发明公开了一种基于核主成分分析和极限学习机的软件缺陷预测方法，针对软件缺陷个数的预测中不相关的模块特征损害了缺陷预测模型性能，原始特征可能无法正确表示原始缺陷数据的问题，首先采用核主成分分析，通过非线性映射将原始数据投影到潜在特征空间中，使得映射的特征可以正确表征复杂数据结构、增加空间内数据的线性可分离性的概率，然后提取数据的代表性特征，最后根据特征提取后的数据，采用极限学习机构建缺陷预测模型。
-
公开(公告)号：CN107346286A
公开(公告)日：2017-11-14
申请号：CN201710533417.8
申请日：2017-07-03
Applicant: 武汉大学
Abstract: 本发明公开了一种基于核主成分分析和极限学习机的软件缺陷预测方法，针对软件缺陷个数的预测中不相关的模块特征损害了缺陷预测模型性能，原始特征可能无法正确表示原始缺陷数据的问题，首先采用核主成分分析，通过非线性映射将原始数据投影到潜在特征空间中，使得映射的特征可以正确表征复杂数据结构、增加空间内数据的线性可分离性的概率，然后提取数据的代表性特征，最后根据特征提取后的数据，采用极限学习机构建缺陷预测模型。
-
-
-
Search Results
4
records
(took 0.013 seconds)
