CN110795890A - 一种基于lm-bpnn的iwf计算方法 - Google Patents
一种基于lm-bpnn的iwf计算方法 Download PDFInfo
- Publication number
- CN110795890A CN110795890A CN201910990007.5A CN201910990007A CN110795890A CN 110795890 A CN110795890 A CN 110795890A CN 201910990007 A CN201910990007 A CN 201910990007A CN 110795890 A CN110795890 A CN 110795890A
- Authority
- CN
- China
- Prior art keywords
- bpnn
- iwf
- training
- function
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000000053 physical method Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于LM‑BPNN的IWF计算方法,包括以下步骤:通过物理方法仿真生成训练数据;将训练数据统一到相同的量纲及数量级上;将训练数据输入LM‑BPNN进行训练,输入为某一时刻的温度、湿度、压强数据,输出为该时刻的IWF值,通过对LM‑BPNN权值的修正与阈值的修正,使误差函数沿梯度方向下降,得到训练完成的LM‑BPNN模型;识别未知模式并进行误差分析,查看是否满足精度要求。本发明能快速计算IWF值,取代传统的物理方法的繁琐和计算量大的情况,以满足未来CO2激光雷达卫星数据及时反演的需求。
Description
技术领域
本发明涉及大气遥感技术领域,尤其涉及一种基于LM-BPNN的IWF计算方法。
背景技术
以二氧化碳(CO2)为主的温室气体被视为是对全球气候变化影响最大的气体,大多数气候学家认为,人类活动排放的二氧化碳导致了近200年间大气二氧化碳浓度急剧上升。随着全球工业化的进程不断加快,人为碳排放的不断增加给全球的气候、经济、生态等方面带来显著影响,受到世界各国政府、科研机构、社会公众的普遍重视,根据碳排放量的多少对企业进行收税也将逐渐成为一种趋势,因此,对大气中CO2浓度的监测变得越来越重要。
激光Laser(Light amplification by stimulated emission of radiation)是20世纪人类重大发明之一,被称为“最快的刀”、“最准的尺”、“最亮的光”。它被广泛应用于军事、医疗、通信、工业、大气探测等很多领域。人类不断的在寻找波长更短、能量更高、方向性更单一的激光,这样的激光在大气中传输中不容易发生绕射,可以探测大气中微小粒子。激光雷达(lidar)是激光技术和光电探测技术的结合,其原理是由发射器发出两束单一频率、波长稳定、高功率的激光,一条为CO2的强吸收线(On-line wavelength),另一束光为CO2的弱吸收线(Off-line),理想情况下,Off-line的光不被大气中的二氧化碳分子所吸收。目前主要作为探测CO2气体的波段主要集中在(1.5um以及2.0um)。这两束光在接触到硬目标(或后向散射信号)以后进行反射,再次经过大气到接收器中,通过数据采集系统以及反演算法进行处理获得大气中二氧化碳的分布信息。
大气中CO2浓度可由DAOD和IWF推算得到,IWF与该时刻的温度、湿度、压强有关,传统的方法是利用复杂的物理公式推算,效率较低,无法满足未来CO2激光雷达卫星数据的及时反演需求。
发明内容
本发明要解决的技术问题在于针对现有技术中通过物理方法计算IWF速度较慢的缺陷,提供一种基于LM-BPNN的IWF计算方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于LM-BPNN的IWF计算方法,该方法包括以下步骤:
步骤S1、通过物理方法仿真生成大气遥感的训练数据,包括温度、湿度、压强和IWF值数据;
步骤S2、对得到的训练数据进行归一化处理,将训练数据统一到相同的量纲及数量级上;
步骤S3、将训练数据输入LM-BPNN进行训练,输入为某一时刻的温度、湿度、压强数据,输出为该时刻的IWF值,通过对LM-BPNN权值的修正与阈值的修正,使误差函数沿梯度方向下降,得到训练完成的LM-BPNN模型;
步骤S4、识别未知模式,生成测试数据并对其进行归一化处理,将测试数据输入训练得到的LM-BPNN,输出结果并对其进行反归一化处理,得到对应的IWF值;
步骤S5、将通过LM-BPNN计算得到的IWF值与真实值进行比较,进行误差分析,若误差不满足精度需求,返回步骤S3调整参数重新训练;若误差满足精度需求,训练结束,得到训练后的模型。
进一步地,本发明的步骤S1中生成训练数据的具体方法为:
IWF值是要得到的权重函数,通过WF积分得到;其公式为:
vc=v0+P×(δ0(T0)+δ'(T-T0))
其中,σg(v)是吸收截面积,P是给定压力,P0和T0分别是标准大气压101325Pa和温度296.15K,γ0是T0和P0处的线HWHM,n是压力展宽系数的温度依赖指数,kB是玻尔兹曼常数,E"是过渡的低能态,h是普朗克常数,m是分子量,v0是0Pa和296K的中心波长,δ0是压力引起的位移系数,δ'是δ0的温度依赖系数;
通过仿真模拟得到数据10000组训练数据,每组训练数据包括温度、湿度、压强和IWF值。
进一步地,本发明的步骤S2中数据归一化处理的具体方法为:
选用最大最小值归一化方法,将数据映射到[-1,1]之间,进行归一化处理;具体算法的计算公式为:
y=(ymax-ymin)(x-xmin)/(xmax-xmin)+ymin
其中,y表示归一化后的值,x表示样本数据,xmax表示样本最大值,xmin表示样本最小值,其中ymax,ymin默认为1,-1。
进一步地,本发明的步骤S3中进行LM-BPNN训练的具体方法为:
步骤S3.1、网络建立:LM-BPNN包括输入层、隐含层、输出层,网络采用MATLAB的newff函数实现,其中隐藏层的传递函数采用默认的tansig正切S型传递函数,输出层的传递函数采用默认的purelin线性传递函数,学习训练函数采用trainlm函数;
步骤S3.2、初始化:通过函数init实现,当newff函数在创建网络对象的同时,自动调动初始化函数init,根据函数网络进行连接权值和阈值初始化,产生一个(-1,1)区间内的随机数;
步骤S3.3、网络训练:通过函数train实现,根据样本的输入矢量P、目标矢量T和预先已设置好的训练函数的参数,对网络进行训练;输入矢量为温度、湿度和压强,目标矢量为IWF值,选取1000组训练数据作为训练学习样本,对网络进行训练。
进一步地,本发明的步骤S4中的具体方法为:
通过函数sim实现,根据1000组数据样本训练好的LM-BPNN,将10000组测试数据作为检验样本,对输出结果再进行反归一化处理,得到最终结果,通过函数postmnmx实现。
本发明产生的有益效果是:本发明的基于LM-BPNN的IWF计算方法,能快速计算IWF值,取代传统的物理方法的繁琐和计算量大的情况,以满足未来CO2激光雷达卫星数据及时反演的需求。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的总流程图;
图2是本发明实施例的步骤S1和步骤S2的流程图;
图3是本发明实施例的10000个测试样板误差分析图;
图4是本发明实施例的10000个测试样板误差分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1和图2所示,本发明实施例的基于LM-BPNN的IWF计算方法,该方法包括以下步骤:
步骤S1、通过物理方法仿真生成大气遥感的训练数据,包括温度、湿度、压强和IWF值数据;
步骤S2、对得到的训练数据进行归一化处理,将训练数据统一到相同的量纲及数量级上;
步骤S3、将训练数据输入LM-BPNN进行训练,输入为某一时刻的温度、湿度、压强数据,输出为该时刻的IWF值,通过对LM-BPNN权值的修正与阈值的修正,使误差函数沿梯度方向下降,得到训练完成的LM-BPNN模型;
步骤S4、识别未知模式,生成测试数据并对其进行归一化处理,将测试数据输入训练得到的LM-BPNN,输出结果并对其进行反归一化处理,得到对应的IWF值;
步骤S5、将通过LM-BPNN计算得到的IWF值与真实值进行比较,进行误差分析,若误差不满足精度需求,返回步骤S3调整参数重新训练;若误差满足精度需求,训练结束,得到训练后的模型。
步骤S1中生成训练数据的具体方法为:
IWF值是要得到的权重函数,通过WF积分得到;其公式为:
vc=v0+P×(δ0(T0)+δ'(T-T0))
其中,σg(v)是吸收截面积,P是给定压力,P0和T0分别是标准大气压101325Pa和温度296.15K,γ0是T0和P0处的线HWHM,n是压力展宽系数的温度依赖指数,kB是玻尔兹曼常数,E"是过渡的低能态,h是普朗克常数,m是分子量,v0是0Pa和296K的中心波长,δ0是压力引起的位移系数,δ'是δ0的温度依赖系数;
通过仿真模拟得到数据10000组训练数据,每组训练数据包括温度、湿度、压强和IWF值。
由于输入输出的数据均不在相同的量纲及数量级上,需要将数据转换成具有可比性的一组数据,从而保证神经网络的训练速度及网络的预测效果,本发明选用最大最小值归一化方法,将数据映射到[-1,1]之间,进行归一化处理。
数据归一化处理的具体方法为:
选用最大最小值归一化方法,将数据映射到[-1,1]之间,进行归一化处理;具体算法的计算公式为:
y=(ymax-ymin)(x-xmin)/(xmax-xmin)+ymin
其中,y表示归一化后的值,x表示样本数据,xmax表示样本最大值,xmin表示样本最小值,其中ymax,ymin默认为1,-1。
步骤S3中进行LM-BPNN训练的具体方法为:
步骤S3.1、网络建立:LM-BPNN包括输入层、隐含层、输出层,网络采用MATLAB的newff函数实现,其中隐藏层的传递函数采用默认的tansig正切S型传递函数,输出层的传递函数采用默认的purelin线性传递函数,学习训练函数采用trainlm函数;
步骤S3.2、初始化:通过函数init实现,当newff函数在创建网络对象的同时,自动调动初始化函数init,根据函数网络进行连接权值和阈值初始化,产生一个(-1,1)区间内的随机数;
步骤S3.3、网络训练:通过函数train实现,根据样本的输入矢量P、目标矢量T和预先已设置好的训练函数的参数,对网络进行训练;输入矢量为温度、湿度和压强,目标矢量为IWF值,选取1000组训练数据作为训练学习样本,对网络进行训练。
LM-BPNN的学习速率选取为0.01,设置数值过大会导致系统在稳定点附近震荡,乃至最终不收敛。设置数值过小会导致权值的修改量较小,使学习速度放缓及收敛时间过长。
针对标准BP算法存在收敛速度慢、易陷入局部极小值等缺陷,采用LM(Levenberg-Marquart)算法对标准BP算法进行改进,LM算法是一种非常有效的优化设计方法,从收敛速度和收敛性来看,它结合了神经网络的梯度下降法和高斯-牛顿法的优点,是在牛顿法和最速下降法之间进行平滑调和的一种结合算法。
步骤S4中的具体方法为:
通过函数sim实现,根据1000组数据样本训练好的LM-BPNN,将10000组测试数据作为检验样本,对输出结果再进行反归一化处理,得到最终结果,通过函数postmnmx实现。
如图3和图4所示,在本发明的以一个具体实施例中,其具体计算过程为:
P为训练网络用到的数组,即1000组温湿压数据,T为P对应的IWF数组,Ttrue为真实IWF数组,Ttest为由LM-BPNN计算得到的IWF数组,设置误差向量error=Ttest-Ttrue,plot即得到图3、图4。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于LM-BPNN的IWF计算方法,其特征在于,该方法包括以下步骤:
步骤S1、通过物理方法仿真生成大气遥感的训练数据,包括温度、湿度、压强和IWF值数据;
步骤S2、对得到的训练数据进行归一化处理,将训练数据统一到相同的量纲及数量级上;
步骤S3、将训练数据输入LM-BPNN进行训练,输入为某一时刻的温度、湿度、压强数据,输出为该时刻的IWF值,通过对LM-BPNN权值的修正与阈值的修正,使误差函数沿梯度方向下降,得到训练完成的LM-BPNN模型;
步骤S4、识别未知模式,生成测试数据并对其进行归一化处理,将测试数据输入训练得到的LM-BPNN,输出结果并对其进行反归一化处理,得到对应的IWF值;
步骤S5、将通过LM-BPNN计算得到的IWF值与真实值进行比较,进行误差分析,若误差不满足精度需求,返回步骤S3调整参数重新训练;若误差满足精度需求,训练结束,得到训练后的模型。
2.根据权利要求1所述的基于LM-BPNN的IWF计算方法,其特征在于,步骤S1中生成训练数据的具体方法为:
IWF值是要得到的权重函数,通过WF积分得到;其公式为:
vc=v0+P×(δ0(T0)+δ'(T-T0))
其中,σg(v)是吸收截面积,P是给定压力,P0和T0分别是标准大气压101325Pa和温度296.15K,γ0是T0和P0处的线HWHM,n是压力展宽系数的温度依赖指数,kB是玻尔兹曼常数,E"是过渡的低能态,h是普朗克常数,m是分子量,v0是0Pa和296K的中心波长,δ0是压力引起的位移系数,δ'是δ0的温度依赖系数;
通过仿真模拟得到数据10000组训练数据,每组训练数据包括温度、湿度、压强和IWF值。
3.根据权利要求1所述的基于LM-BPNN的IWF计算方法,其特征在于,步骤S2中数据归一化处理的具体方法为:
选用最大最小值归一化方法,将数据映射到[-1,1]之间,进行归一化处理;具体算法的计算公式为:
y=(ymax-ymin)(x-xmin)/(xmax-xmin)+ymin
其中,y表示归一化后的值,x表示样本数据,xmax表示样本最大值,xmin表示样本最小值,其中ymax,ymin默认为1,-1。
4.根据权利要求1所述的基于LM-BPNN的IWF计算方法,其特征在于,步骤S3中进行LM-BPNN训练的具体方法为:
步骤S3.1、网络建立:LM-BPNN包括输入层、隐含层、输出层,网络采用MATLAB的newff函数实现,其中隐藏层的传递函数采用默认的tansig正切S型传递函数,输出层的传递函数采用默认的purelin线性传递函数,学习训练函数采用trainlm函数;
步骤S3.2、初始化:通过函数init实现,当newff函数在创建网络对象的同时,自动调动初始化函数init,根据函数网络进行连接权值和阈值初始化,产生一个(-1,1)区间内的随机数;
步骤S3.3、网络训练:通过函数train实现,根据样本的输入矢量P、目标矢量T和预先已设置好的训练函数的参数,对网络进行训练;输入矢量为温度、湿度和压强,目标矢量为IWF值,选取1000组训练数据作为训练学习样本,对网络进行训练。
5.根据权利要求4所述的基于LM-BPNN的IWF计算方法,其特征在于,步骤S4中的具体方法为:
通过函数sim实现,根据1000组数据样本训练好的LM-BPNN,将10000组测试数据作为检验样本,对输出结果再进行反归一化处理,得到最终结果,通过函数postmnmx实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990007.5A CN110795890A (zh) | 2019-10-17 | 2019-10-17 | 一种基于lm-bpnn的iwf计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990007.5A CN110795890A (zh) | 2019-10-17 | 2019-10-17 | 一种基于lm-bpnn的iwf计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110795890A true CN110795890A (zh) | 2020-02-14 |
Family
ID=69440396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910990007.5A Pending CN110795890A (zh) | 2019-10-17 | 2019-10-17 | 一种基于lm-bpnn的iwf计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795890A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113659833A (zh) * | 2021-08-24 | 2021-11-16 | 哈尔滨工业大学 | 一种并联直流-直流变换器的寿命延长方法 |
CN114943136A (zh) * | 2022-04-06 | 2022-08-26 | 武汉大学 | 一种差分吸收激光雷达二氧化碳浓度反演方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
-
2019
- 2019-10-17 CN CN201910990007.5A patent/CN110795890A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
Non-Patent Citations (7)
Title |
---|
关韵桐等: "基于遗传优化神经网络的多源遥感数据反演土壤水分", 《水资源与水工程学报》 * |
孙亮等: "《模式识别原理》", 28 February 2009, 北京工业大学出版社 * |
张涛: "《自动化专业毕业设计(论文)指导教程》", 31 December 2013, 煤炭工业出版社 * |
王小川等: "《MATLAB神经网络43个案例分析》", 31 August 2013, 北京航空航天大学出版社 * |
陈良富等: "大气CO_2浓度卫星遥感进展", 《遥感学报》 * |
马晖等: "IPDA激光雷达数据反演快速精确优化算法", 《光谱学与光谱分析》 * |
黄东卫等: "《非线性数学基础引论》", 30 September 2018, 天津大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113659833A (zh) * | 2021-08-24 | 2021-11-16 | 哈尔滨工业大学 | 一种并联直流-直流变换器的寿命延长方法 |
CN113659833B (zh) * | 2021-08-24 | 2022-05-17 | 哈尔滨工业大学 | 一种并联直流-直流变换器的寿命延长方法 |
CN114943136A (zh) * | 2022-04-06 | 2022-08-26 | 武汉大学 | 一种差分吸收激光雷达二氧化碳浓度反演方法 |
CN114943136B (zh) * | 2022-04-06 | 2024-05-03 | 武汉大学 | 一种差分吸收激光雷达二氧化碳浓度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
Ni et al. | Forecasting of forex time series data based on deep learning | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Sun et al. | Short-term multi-step wind power forecasting based on spatio-temporal correlations and transformer neural networks | |
Liu et al. | Spatial air quality index prediction model based on decomposition, adaptive boosting, and three-stage feature selection: A case study in China | |
CN110095784B (zh) | 一种复杂环境影响下的海洋-低层大气激光传输建模方法 | |
CN110795890A (zh) | 一种基于lm-bpnn的iwf计算方法 | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN102760235B (zh) | 一种基于多视的水下目标分类系统及方法 | |
Wenxiang et al. | Optimization of deep learning model for coastal chlorophyll a dynamic forecast | |
Xiujia et al. | Application of WNN-PSO model in drought prediction at crop growth stages: A case study of spring maize in semi-arid regions of northern China | |
Song et al. | Benefits of stochastic weight averaging in developing neural network radiation scheme for numerical weather prediction | |
Zhan et al. | A decomposition-ensemble broad learning system for AQI forecasting | |
Senthivel et al. | Machine learning approaches used for air quality forecast: A review | |
Li et al. | A new PM2. 5 concentration forecasting system based on AdaBoost‐ensemble system with deep learning approach | |
CN112197914A (zh) | 一种基于鲸鱼music算法的气体泄漏源估计方法 | |
CN116522648A (zh) | 湖泊藻类状态预测方法及应用 | |
CN115980697A (zh) | 一种不同天气条件下激光雷达反演边界层高度的方法 | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
CN112180470A (zh) | 环境实时监测系统 | |
Liu et al. | Air Pollution Lidar Signals Classification Based on Machine Learning Methods | |
Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
Sun et al. | An adaptive model for the location of low-frequency sound sources in shallow sea environments | |
López et al. | Estimation of visibility from spectral irradiance using artificial neural networks | |
Lu et al. | Data-driven global subseasonal forecast model (gsfm v1. 0) for intraseasonal oscillation components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |