CN112906989A - 一种基于cnn-lstm的区域海表面温度预测方法 - Google Patents
一种基于cnn-lstm的区域海表面温度预测方法 Download PDFInfo
- Publication number
- CN112906989A CN112906989A CN202110346550.9A CN202110346550A CN112906989A CN 112906989 A CN112906989 A CN 112906989A CN 202110346550 A CN202110346550 A CN 202110346550A CN 112906989 A CN112906989 A CN 112906989A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sea surface
- model
- training
- lstm
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于CNN‑LSTM的区域海表面温度预测方法,涉及物理海洋、计算机图形图像处理和深度学习领域。包括训练样本建立、模型构建和模型算法调整三步:首先采用留出法对区域海表面温度数据进行分割处理,并对预测的时间窗口进行设置;而后采用基于卷积神经网络CNN和长短期记忆神经网络LSTM相结合的算法,对海表面温度训练样本进行训练并建立海表面温度预测模型;最后根据模型的误差采用试错法对模型的参数进行调整训练并确定预测模型参数,实现区域海表面温度的高效预测。实践证明该方法可以通过CNN对海表面温度的空间特征进行提取,再通过LSTM对时序特征进行提取,从而提高海表面温度的预测精度和效率,扩展了深度学习方法在区域海表面温度预测中的应用。
Description
技术领域
本发明涉及海洋信息技术领域,尤其涉及一种基于CNN-LSTM的区域海表面温度预测方法。
背景技术
海表面温度是太阳辐射、海洋热力、动力过程以及海气相互作用的综合结果,是海表面水汽和热量交换的一个重要物理参数。最近几年,越来越多的研究开始关注海表面温度,海表面温度的预测也成为一个研究热点。传统的海温预测一般采用统计与经验相结合的预测方法,局限性在于大部分统计模型采用线性相关来预测非线性变化的海温,同时也受人们认知水平和解决物理机制瓶颈问题的限制,而深度学习具有非线性、容错性、自适应性等特点,面向数据说话,能够很好的完善传统预测方式的不足,采用深度学习对区域海表面温度开展预测,对研究海表面温度规律、扩展深度学习方法在海洋表面温度预测中研究有着重要的意义。
深度学习作为机器学习的一个新领域,可以直接将原始数据送入机器并可以自动发现数据中所包含的特征的一类算法,省去特征提取器的人工创建步骤,最终可以达到分类识别乃至预测预报的目的。深度学习的模型方法大致可分为三类,即多层感知机模型、深度神经网络模型和递归神经网络模型,其代表算法为深度置信网络(Deep BeliefNetwork,DBN)、卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)。其中,CNN能够通过特征转换,学习到复杂的方程用于对物体的空间特征进行描述,而LSTM作为RNN发展的产物,有效的改进了RNN的隐含层,可以应对不同种类的时序数据训练。在海洋领域,随着海洋大数据时代的到来,深度学习的方法不断应用于海洋数据,用于挖掘海洋现象,提高人们的认知水平。Ducournau等(2016)采用CNNs方法对海表面温度数据的空间特征进行了高分辨率重构。Zeng等(2015)采用人工神经网络(ANN)结合经验正交函数(empirical orthogonal function,EOF)分析对海表面高度(SSH)数据进行预测,从而实现套流变化和涡旋脱落过程的预测。Zhang等(2017)虽然采用了LSTM模型预测SST数据,但模型中只包含时间信息,没有考虑空间信息。Yang等(2018)才LSTM的模型基础上进行改进,但是在构造模型的过程中先进行时间信息的提取,再增加一个卷积层用于提取空间信息,这种方法在提取时间信息后会破坏空间信息的特征或者将空间信息特征当作时间特征进行错误提取。而根据数据的组织和构造方式,应先进行空间特征的抽取,再对时间特征进行提取。因此探索CNN与LSTM进行结合建模的方式在提高海表面温度预测的相关研究中具有重要意义。
通过公开专利检索,发现以下对比文件:
CN109190800A-公开了一种基于spark框架的海面温度预测方法,包括如下步骤:在spark框架下启动动态时间归整DTW算法,并从分布式文件系统中将数据载入到Spark集群,完成数据的预处理;将完成预处理的数据collect到本地生成类比模式和参考模式;在Spark框架下,调用Spark的工作集群,计算类比模式与参考模式的动态时间归整距离DTW;按动态时间归整DTW距离的大小排序后,取出前k个类比模式作为训练集,训练一个具有预测能力的模型;将参考模式作为预测模型的输入得到输出结果,再对输出结果进行反归一化处理得到最终预测结果。该发明通过历史海面温度时间序列数据预测出未来五天内的海面温度,有效克服了现有海面温度预报中预报效率和预报精度不高的问题。
经分析,上述公开专利中的海面温度预测方法与本申请在建模方式及深度学习方法上存在较大差异,且上述专利中仍采用Spark的工作集群得出的前k个类比模式作为训练集,其预测结果仍为线性的。综上,上述公开专利不影响本申请的新颖性。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种海上漂浮式雨水收集存储装置,该算法首先抽取区域海表面温度数据为二维标量场,按照时间序列构造成三维体数据,留出法整理形成海表面温度训练数据集;而后采用CNN与LSTM相结合的方法,对海表面温度的空间特征和时间特征进行学习,建立面向海表面温度预测的CNN-LSTM模型;最后对模型的参数进行调整训练,最终确定兼顾效率和准确率的模型预测参数。
本发明的目的是通过以下技术方案实现的:
一种基于CNN-LSTM的区域海表面温度预测方法,具体包括以下步骤:
步骤一,建立训练数据集;
(1)从全球海表面温度数据集中对任意区域的海表面温度数据进行抽取,形成当前时刻的二维海表面温度数据场;
(2)将抽取的二维海表面温度数据场按照时间顺序进行叠加,形成三维海表面温度体数据;
(3)对三维海表面温度体数据按照时间序列采用留出法,形成70%的训练样本、20%的验证样本和10%的测试样本,采用每A天预测B天的参数设置方法,对所有样本进行划分和整理,形成训练数据集;
步骤二,建立海表面温度预测模型;
(1)采用Tensorflow搭建深度学习框架;
(2)搭建CNN与LSTM相结合的模型,对CNN的卷积核数及层数、LSTM的隐藏单元数量和层数进行设置,将CNN的输出作为LSTM的输入,即完成对CNN-LSTM模型的初步建立;
(3)根据训练数据集的大小,初步设置学习率、模型训练次数和批次大小的模型训练参数;
(4)将步骤一中的训练数据集作为输入数据,对初步建立的CNN-LSTM模型进行训练,初步建立海表面温度预测模型;
步骤三,模型参数调整;
根据步骤二中(4)得出模型输出的预测精度,采用试错法重复上述步骤二中的(1)和(2),对模型参数进行调整训练,以期在兼顾效率的情况下,获得更高的模型预测准确度,最终建立区域海表面温度预测模型。
而且,步骤一中,区域海表面温度数据是二维标量场数据,训练数据集构造过程中,先将二维区域数据进行提取,再按照时间维度进行组合形成三维体数据;70%的训练样本、20%的验证样本和10%的测试样本在时间和空间上没有重叠,相互独立。
而且,步骤二中,模型为完全自主建立;其中CNN的训练层在LSTM训练层的前面,以保证先提取海表面温度的空间特征后提取时间特征。
本发明的优点和技术效果是:
本发明的一种基于CNN-LSTM的区域海表面温度预测方法,突破传统的基于统计和物理模式进行海表面温预测的思维,结合物理海洋、图形图像学和深度学习方法,通过结合CNN与LSTM两种深度学习方法,构建了面向二维海表面温度场数据的CNN-LSTM海表面温度预测模型,能够实现海表面温度的高效准确预测。本发明能够帮助获得区域海表面温度预测数据集,对扩展深度学习在海表面温度预测中的应用具有技术支撑作用。
附图说明
图1为本发明的方法流程图;
具体实施方式
为能进一步了解本发明的内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。需要说明的是,本实施例是描述性的,不是限定性的,不能由此限定本发明的保护范围。
一种基于CNN-LSTM的区域海表面温度预测方法,具体包括以下步骤:
步骤一:建立训练数据集
(1)从全球海表面温度数据集中对感兴趣的区域海表面温度数据进行抽取,形成当前时刻的二维海表面温度数据场;
(2)将抽取的二维海表面温度数据场按照时间顺序进行叠加,形成三维海表面温度体数据;
(3)对三维海表面温度体数据按照时间序列采用留出法,形成70%的训练样本、20%的验证样本和10%的测试样本,采用每A天预测B天的参数设置方法(如根据7天的数据预测1天的数据,也可称作根据前7天的数据预测第8天的数据),对所有样本进行划分和整理,形成训练数据集;
步骤二:建立海表面温度预测模型
(1)采用Tensorflow搭建深度学习框架。
(2)搭建CNN与LSTM相结合的模型,对CNN的卷积核数及层数、LSTM的隐藏单元数量和层数进行设置,将CNN的输出作为LSTM的输入,即完成对CNN-LSTM模型的初步建立;
(3)根据训练数据集的大小,初步设置学习率、模型训练次数和批次大小等模型训练参数;
(4)将步骤一中的训练数据集作为输入数据,对初步建立的CNN-LSTM模型进行训练,初步建立海表面温度预测模型;
步骤三:模型参数调整
根据模型输出的预测精度,采用试错法重复上述步骤二中的(1)和(2),对模型参数进行调整训练,以期在兼顾效率的情况下,获得更高的模型预测准确度,最终建立区域海表面温度预测模型。
本发明优选的,步骤一中,区域海表面温度数据是二维标量场数据,训练数据集构造过程中,先将二维区域数据进行提取,再按照时间维度进行组合形成三维体数据;70%的训练样本、20%的验证样本和10%的测试样本在时间和空间上没有重叠,相互独立。
本发明优选的,步骤二中,模型为完全自主建立,而不是迁移学习;CNN的训练层一定要在LSTM训练层的前面,以保证先提取海表面温度的空间特征后提取时间特征,以免因先提取时间特征而造成空间特征的破坏,影响模型建模效果。
本发明优选的,步骤二和步骤三中,参数的设置及调整没有具体的设定,不同的海域将采用训练建立不同的参数和模型,本算法只是泛化的一般过程,适用于大多数海域的区域海表面温度预测模型的建立。
另外,本发明中需要解释的专有名词如下:
1、CNN:卷积神经网络(Convolutional Neural Network);
2、LSTM:长短期记忆网络(Long Short-Term Memory);
3、Tensorflow:基于数据流编程(dataflow programming)的符号数学系统。
最后,本发明优选的,本发明的未尽述之处均采用现有技术中的成熟产品及成熟技术手段。
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 (3)
1.一种基于CNN-LSTM的区域海表面温度预测方法,具体包括以下步骤:
步骤一,建立训练数据集;
(1)从全球海表面温度数据集中对任意区域的海表面温度数据进行抽取,形成当前时刻的二维海表面温度数据场;
(2)将抽取的二维海表面温度数据场按照时间顺序进行叠加,形成三维海表面温度体数据;
(3)对三维海表面温度体数据按照时间序列采用留出法,形成70%的训练样本、20%的验证样本和10%的测试样本,采用每A天预测B天的参数设置方法,对所有样本进行划分和整理,形成训练数据集;
步骤二,建立海表面温度预测模型;
(1)采用Tensorflow搭建深度学习框架;
(2)搭建CNN与LSTM相结合的模型,对CNN的卷积核数及层数、LSTM的隐藏单元数量和层数进行设置,将CNN的输出作为LSTM的输入,即完成对CNN-LSTM模型的初步建立;
(3)根据训练数据集的大小,初步设置学习率、模型训练次数和批次大小的模型训练参数;
(4)将步骤一中的训练数据集作为输入数据,对初步建立的CNN-LSTM模型进行训练,初步建立海表面温度预测模型;
步骤三,模型参数调整;
根据步骤二中(4)得出模型输出的预测精度,采用试错法重复上述步骤二中的(1)和(2),对模型参数进行调整训练,以期在兼顾效率的情况下,获得更高的模型预测准确度,最终建立区域海表面温度预测模型。
2.根据权利要求1所述的一种基于CNN-LSTM的区域海表面温度预测方法,其特征在于:所述步骤一中,区域海表面温度数据是二维标量场数据,训练数据集构造过程中,先将二维区域数据进行提取,再按照时间维度进行组合形成三维体数据;70%的训练样本、20%的验证样本和10%的测试样本在时间和空间上没有重叠,相互独立。
3.根据权利要求1所述的一种基于CNN-LSTM的区域海表面温度预测方法,其特征在于:所述步骤二中,模型为完全自主建立;其中CNN的训练层在LSTM训练层的前面,以保证先提取海表面温度的空间特征后提取时间特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346550.9A CN112906989B (zh) | 2021-03-31 | 2021-03-31 | 一种基于cnn-lstm的区域海表面温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346550.9A CN112906989B (zh) | 2021-03-31 | 2021-03-31 | 一种基于cnn-lstm的区域海表面温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906989A true CN112906989A (zh) | 2021-06-04 |
CN112906989B CN112906989B (zh) | 2023-01-13 |
Family
ID=76109622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346550.9A Active CN112906989B (zh) | 2021-03-31 | 2021-03-31 | 一种基于cnn-lstm的区域海表面温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906989B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408742A (zh) * | 2021-06-24 | 2021-09-17 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN114414090A (zh) * | 2021-12-14 | 2022-04-29 | 厦门大学 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
CN114692999A (zh) * | 2022-04-26 | 2022-07-01 | 厦门大学 | 一种基于集成学习的海水表层温度预测方法 |
CN115984281A (zh) * | 2023-03-21 | 2023-04-18 | 中国海洋大学 | 基于局部特异性深化的时序海温图像的多任务补全方法 |
KR102584023B1 (ko) * | 2022-11-21 | 2023-10-06 | 주식회사 포디솔루션 | 지역별 해수면 온도를 이용한 근미래 남한 지역 기온 예측 방법 및 장치 |
CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
US20200126234A1 (en) * | 2018-02-13 | 2020-04-23 | Chung Yuan Christian University | Method and apparatus for predicting cell reprogramming |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
-
2021
- 2021-03-31 CN CN202110346550.9A patent/CN112906989B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200126234A1 (en) * | 2018-02-13 | 2020-04-23 | Chung Yuan Christian University | Method and apparatus for predicting cell reprogramming |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
Non-Patent Citations (2)
Title |
---|
Q. ZHANG, H. WANG, J. DONG, G. ZHONG AND X. SUN: ""Prediction of Sea Surface Temperature Using Long Short-Term Memory"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
李娇: ""基于深度学习方法的空气质量预测"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408742A (zh) * | 2021-06-24 | 2021-09-17 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN114414090A (zh) * | 2021-12-14 | 2022-04-29 | 厦门大学 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
CN114692999A (zh) * | 2022-04-26 | 2022-07-01 | 厦门大学 | 一种基于集成学习的海水表层温度预测方法 |
KR102584023B1 (ko) * | 2022-11-21 | 2023-10-06 | 주식회사 포디솔루션 | 지역별 해수면 온도를 이용한 근미래 남한 지역 기온 예측 방법 및 장치 |
CN115984281A (zh) * | 2023-03-21 | 2023-04-18 | 中国海洋大学 | 基于局部特异性深化的时序海温图像的多任务补全方法 |
CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
CN116976149B (zh) * | 2023-09-22 | 2023-12-29 | 广东海洋大学 | 一种海表温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112906989B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Castello et al. | Deep learning in the built environment: Automatic detection of rooftop solar panels using Convolutional Neural Networks | |
CN109657839B (zh) | 一种基于深度卷积神经网络的风电功率预测方法 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN112232577B (zh) | 用于多芯智能表的电力负荷概率预测系统与方法 | |
CN113076816B (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
CN112017178A (zh) | 一种基于双时相差值图像法的遥感图像区域变化检测方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
CN111738327B (zh) | 一种基于典型云层遮挡辐照差异的超短期辐照预测方法 | |
CN117612025A (zh) | 基于扩散模型的遥感图像屋顶识别方法及系统 | |
CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
Ma et al. | Multi-features fusion for short-term photovoltaic power prediction | |
CN115241872A (zh) | 基于纯注意力机制的多模态光伏发电输出功率预测方法 | |
CN113705876B (zh) | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 | |
CN113344005B (zh) | 一种基于优化小尺度特征的图像边缘检测方法 | |
Chen et al. | Consistency-based semi-supervised learning for point cloud classification | |
CN117154704B (zh) | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 | |
Wang et al. | Deep neural network based on dynamic attention and layer attention for meteorological data downscaling | |
Gu et al. | YOLOv3-MSSA based hot spot defect detection for photovoltaic power stations | |
CN117766043A (zh) | 一种基于深度神经网络模型的生物发酵理化参数预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |