CN116992249B - 基于fmcnn-lstm的格点预报偏差订正方法 - Google Patents

基于fmcnn-lstm的格点预报偏差订正方法 Download PDF

Info

Publication number
CN116992249B
CN116992249B CN202311272138.2A CN202311272138A CN116992249B CN 116992249 B CN116992249 B CN 116992249B CN 202311272138 A CN202311272138 A CN 202311272138A CN 116992249 B CN116992249 B CN 116992249B
Authority
CN
China
Prior art keywords
data
lstm
fmcnn
forecast
point
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.)
Active
Application number
CN202311272138.2A
Other languages
English (en)
Other versions
CN116992249A (zh
Inventor
夏景明
范本祥
谈玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202311272138.2A priority Critical patent/CN116992249B/zh
Publication of CN116992249A publication Critical patent/CN116992249A/zh
Application granted granted Critical
Publication of CN116992249B publication Critical patent/CN116992249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于FMCNN‑LSTM的格点预报偏差订正方法，首先获取预报数据和观测数据，在数据预处理阶段，将两种数据插值到同一分辨率，并对预报数据进行空间合并化处理；随后将数据进行序列化和归一化处理；在构建深度学习神经网络结构阶段。本发明通过构建一个包含CNN卷积和LSTM层的神经网络进行预报订正，能够更加准确地订正预报数据趋势；在训练时，本发明将预报数据和ERA5转化为适合神经网络训练的格式，并使用MSE损失函数和Adam优化器进行模型的训练；本发明所述方法能够适应不同的气象环境，可广泛应用于气象预报、农业生产等领域，提高气象预报准确性和生产效率。

Description

基于FMCNN-LSTM的格点预报偏差订正方法
技术领域
本发明涉及气象预报技术，特别是一种基于FMCNN-LSTM 的格点预报偏差订正方法。
背景技术
近年来，深度学习算法在各行各业效果显著，突破了传统算法的壁垒，其非线性拟合能力已成为事实。而由于气象数据的多维度、以及强时空耦合性，传统算法难以完美处理气象数据的这些特征，而这正是深度学习算法擅长之处。再者，随着我国自动观测系统的广泛应用，气象数据以日剧增。地面观测由最初涨浮几百兆每月到现在的2TB每月，气象卫星、数值预报产品等日增量皆在TB级别。如此量级的数据，为气象与人工智能结合研究提供了坚实的基础。
发明内容
发明目的：本发明的目的是提供一种基于FMCNN-LSTM 的格点预报偏差订正方法，从而根据历史气象数据，对气象预报数据进行有效修正，提高气象预测精度。
技术方案：本发明所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，包括以下步骤：
S1、获取目标区域对应历史范围内各历史时间点的预报数据和观测数据；
S2、对数据进行预处理并构建成数据集；
S3、将经过预处理后的数据集输入到FMCNN特征提取模块，输出特征数据；
S4、将特征数据输入到多头注意力网络，输出权重特征数据；
S5、将权重特征数据输入到LSTM网络对数据进行订正，得到订正结果。
步骤S2中所述的预处理具体为：
将预报数据和观测数据线性插值到同一分辨率；
对预报数据进行平滑处理；
对预报数据进行空间合并化处理；
对预报数据和观测数据进行归一化处理。
所述的空间合并化处理具体为：
将预报数据每个经纬度点上下左右四个点的值拼接到该点中，若该点周围没有值，用0值代表周围点的值，公式为：
；
其中，是拼接后的5维向量，/>是要进行空间合并化的点的值，/>、/>、、/>分别表示矩阵中/>点周围的值。
所述的FMCNN-LSTM神经网络模型包括FMCNN卷积特征提取模块和LSTM模块，所述FMCNN卷积特征提取模块对经过预处理后的数据进行深度特征提取，并通过一个多头注意力网络进行数据权重分配，随后将权重特征数据输入到LSTM模块中进行订正。
所述的FMCNN卷积特征提取模块包括六个依次连接的卷积层和一个多头注意力网络，每个卷积层都包括三个依次连接的一维卷积、BatchNorm批量归一化和relu激活函数，而在第二、第四、第六个连接层后加入dropout层和FeedForward层，其中dropout系数为0.1，FeedForward为自定义的函数，包括三个线性层和一个relu激活函数，用于提取数据的深度特征。
所述relu激活函数的公式具体为：
；
其中，x是输入，f(x)是经过ReLU激活函数处理后的输出，上述公式表示的是将x中的每个元素和0进行比较，取较大的那个值作为输出。这样可以将小于0的部分设为0，同时保留大于等于0的部分。
所述BatchNorm批量归一化的公式具体为：
；
式中，x是输入，是输入x的均值，/>是输入x的标准差，/>是一个常数，如0.00005，主要作用是为了数值稳定性，避免分母值为零，/>和/>是可学习的缩放因子和偏移因子，它们用于调整输出值的范围和中心。
步骤S4中所述的多头注意力网络采用多头注意力机制，多头注意力机制的公式为：
；
式中，Q、K、V分别是查询矩阵、键矩阵和值矩阵，是模型输入序列x的线性表示；h表示注意力头数，headi表示第i个注意力头的输出，Wo是输出权重矩阵；其中，Wi Q、Wi K、Wi V分别是注意力头i的查询、键和值的权重矩阵，dk是键的维度，Softmax是对每个序列位置上注意力权重进行归一化。
步骤S5所述的LSTM网络中包括6层LSTM层，LSTM层中的输入门、遗忘门、输出门和单元状态的公式为：
；
式中，xt是t时刻的输入，ht-1是时刻t-1时刻状态信息的输出，是 sigmoid 函数，tanh是双曲正切函数，it、ft、ot和/>分别表示输入门、遗忘门、输出门和单元状态，、/>、/>、/>表示可学习的权重，/>、/>、/>、表示可学习的偏置。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明在数据预处理方面，进行空间合并化的预处理操作，使得数据中本身便包含空间信息，加强了网络的空间特征提取能力；
2、在FMCNN模块中使用六层卷积层配合FeedForward模块可以更好地提取深层数据特征；
3、在CNN模块的输出端使用多头注意力机制对提取到的特征进行处理，然后将提取到的数据输入到LSTM模块中进行订正，多头注意力机制能够同时关注不同的输入位置和特征，从而捕捉更丰富的信息。
附图说明
图1为本发明所述方法的步骤流程图；
图2为数据预处理阶段的空间合并化操作示意图；
图3为FeedForward层的结构图；
图4为FMCNN-LSTM神经网络模型结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1和4所示，一种基于FMCNN-LSTM 的格点预报偏差订正方法，包括以下步骤：
S1、获取目标区域对应历史范围内各历史时间点的预报数据和观测数据。
S2、对数据进行预处理并构建成数据集。
所述的预处理具体为：
将预报数据和观测数据线性插值到同一分辨率；
对预报数据进行平滑处理；
对预报数据进行空间合并化处理；
对预报数据和观测数据进行归一化处理。
如图2所示，所述的空间合并化处理具体为：
将预报数据每个经纬度点上下左右四个点的值拼接到该点中，若该点周围没有值，用0值代表周围点的值，公式为：
；
其中，是拼接后的5维向量，/>是要进行空间合并化的点的值，/>、/>、、/>分别表示矩阵中/>点周围的值。
S3、将经过预处理后的数据集输入到FMCNN特征提取模块，输出特征数据。
S4、将特征数据输入到多头注意力网络，输出权重特征数据。
所述的多头注意力网络采用多头注意力机制，多头注意力机制的公式为：
；
式中，Q、K、V分别是查询矩阵、键矩阵和值矩阵，是模型输入序列x的线性表示；h表示注意力头数，headi表示第i个注意力头的输出，Wo是输出权重矩阵；其中，Wi Q、Wi K、Wi V分别是注意力头i的查询、键和值的权重矩阵，dk是键的维度，Softmax是对每个序列位置上注意力权重进行归一化。
S5、将权重特征数据输入到LSTM网络对数据进行订正，得到订正结果。
步骤S5所述的LSTM网络中包括6层LSTM层，LSTM层中的输入门、遗忘门、输出门和单元状态的公式为：
；
式中，xt是t时刻的输入，ht-1是时刻t-1时刻状态信息的输出，是 sigmoid 函数，tanh是双曲正切函数，it、ft、ot和/>分别表示输入门、遗忘门、输出门和单元状态，、/>、/>、/>表示可学习的权重，/>、/>、/>、表示可学习的偏置。
所述的FMCNN-LSTM神经网络模型包括FMCNN卷积特征提取模块和LSTM模块，所述FMCNN卷积特征提取模块对经过预处理后的数据进行深度特征提取，并通过一个多头注意力网络进行数据权重分配，随后将权重特征数据输入到LSTM模块中进行订正。
所述的FMCNN卷积特征提取模块包括六个依次连接的卷积层和一个多头注意力网络，每个卷积层都包括三个依次连接的一维卷积、BatchNorm批量归一化和relu激活函数，而在第二、第四、第六个连接层后加入dropout层和FeedForward层，其中dropout系数为0.1，如图3所示，FeedForward为自定义的函数，包括三个线性层和一个relu激活函数，用于提取数据的深度特征。
所述relu激活函数的公式具体为：
；
其中，x是输入，f(x)是经过ReLU激活函数处理后的输出，上述公式表示的是将x中的每个元素和0进行比较，取较大的那个值作为输出。这样可以将小于0的部分设为0，同时保留大于等于0的部分。
所述BatchNorm批量归一化的公式具体为：
；
式中，x是输入，是输入x的均值，/>是输入x的标准差，/>是一个常数，如0.00005，主要作用是为了数值稳定性，避免分母值为零，/>和/>是可学习的缩放因子和偏移因子，它们用于调整输出值的范围和中心。
上述技术方案所设计的基于FMCNN-LSTM的格点预报偏差订正方法，在数据预处理方面，进行空间合并化的预处理操作，使得数据中本身便包含空间信息，加强了网络的空间特征提取能力；在FMCNN模块中使用六层卷积层配合FeedForward模块可以更好地提取深层数据特征；在FMCNN模块的输出端使用多头注意力机制对提取到的特征进行处理，然后将提取到的数据输入到LSTM模块中进行订正，多头注意力机制能够同时关注不同的输入位置和特征，从而捕捉更丰富的信息。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。

Claims (9)

1.一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，包括以下步骤：
S1、获取目标区域对应历史范围内各历史时间点的预报数据和观测数据；
S2、对数据进行预处理并构建成数据集；所述的预处理具体为：
将预报数据和观测数据线性插值到同一分辨率；
对预报数据进行平滑处理；
对预报数据进行空间合并化处理；
对预报数据和观测数据进行归一化处理；
所述的空间合并化处理具体为：
将预报数据每个经纬度点上下左右四个点的值拼接到该点中，若该点周围没有值，用0值代表周围点的值，公式为：
；
其中，是拼接后的5维向量，/>是要进行空间合并化的点的值，/>、/>、/>、分别表示矩阵中/>点周围的值；
S3、将经过预处理后的数据集输入到FMCNN特征提取模块，输出特征数据；
S4、将特征数据输入到多头注意力网络，输出权重特征数据；
S5、将权重特征数据输入到LSTM网络对数据进行订正，得到订正结果与训练完成后的FMCNN-LSTM神经网络模型。
2.根据权利要求1所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，所述的FMCNN-LSTM神经网络模型包括FMCNN卷积特征提取模块和LSTM模块，所述FMCNN卷积特征提取模块对经过预处理后的数据进行深度特征提取，并通过一个多头注意力网络进行数据权重分配，随后将权重特征数据输入到LSTM模块中进行订正。
3.根据权利要求2所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，所述的FMCNN卷积特征提取模块包括六个依次连接的卷积层和一个多头注意力网络，每个卷积层都包括三个依次连接的一维卷积、BatchNorm批量归一化和relu激活函数，而在第二、第四、第六个连接层后加入dropout层和FeedForward层，其中dropout系数为0.1，FeedForward为自定义的函数，包括三个线性层和一个relu激活函数，用于提取数据的深度特征。
4.根据权利要求3所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，所述relu激活函数的公式具体为：
；
其中，x是输入，f(x)是经过ReLU激活函数处理后的输出，上述公式表示的是将x中的每个元素和0进行比较，取较大的那个值作为输出。
5.根据权利要求3所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，所述BatchNorm批量归一化的公式具体为：
；
式中，x是输入，是输入x的均值，/>是输入x的标准差，/>是一个常数，作用是为了数值稳定性，避免分母值为零，/>和/>是可学习的缩放因子和偏移因子，它们用于调整输出值的范围和中心。
6.根据权利要求1所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，步骤S4中所述的多头注意力网络采用多头注意力机制，多头注意力机制的公式为：
；
式中，Q、K、V分别是查询矩阵、键矩阵和值矩阵，是模型输入序列x的线性表示；h表示注意力头数，headi表示第i个注意力头的输出，Wo是输出权重矩阵；其中，Wi Q、Wi K、Wi V和分别是注意力头i的查询、键和值的权重矩阵，dk是键的维度，Softmax是对每个序列位置上注意力权重进行归一化。
7.根据权利要求1所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法，其特征在于，步骤S5所述的LSTM网络中包括6层LSTM层，LSTM层中的输入门、遗忘门、输出门和单元状态的公式为：
；
式中，x t 是t时刻的输入，h t-1 是时刻t-1时刻状态信息的输出，是 sigmoid 函数，tanh是双曲正切函数，i t 、f t 、o t 和/>分别表示输入门、遗忘门、输出门和单元状态，/>、、/>、/>表示可学习的权重，/>、/>、/>、/>表示可学习的偏置。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。
9.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的一种基于FMCNN-LSTM 的格点预报偏差订正方法。
CN202311272138.2A 2023-09-28 2023-09-28 基于fmcnn-lstm的格点预报偏差订正方法 Active CN116992249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311272138.2A CN116992249B (zh) 2023-09-28 2023-09-28 基于fmcnn-lstm的格点预报偏差订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311272138.2A CN116992249B (zh) 2023-09-28 2023-09-28 基于fmcnn-lstm的格点预报偏差订正方法

Publications (2)

Publication Number Publication Date
CN116992249A CN116992249A (zh) 2023-11-03
CN116992249B true CN116992249B (zh) 2024-01-23

Family

ID=88521764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311272138.2A Active CN116992249B (zh) 2023-09-28 2023-09-28 基于fmcnn-lstm的格点预报偏差订正方法

Country Status (1)

Country Link
CN (1) CN116992249B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
CN113807432A (zh) * 2021-09-16 2021-12-17 成都卡普数据服务有限责任公司 一种基于深度学习的气温预报数据订正方法
CN114742179A (zh) * 2022-06-13 2022-07-12 南京信息工程大学 基于ecmwf的格点预报偏差修正方法
KR20220108999A (ko) * 2021-01-28 2022-08-04 금오공과대학교 산학협력단 비욘드 5세대 이동통신을 위한 cnn 기반의 자동변조분류방법
CN114936620A (zh) * 2022-03-04 2022-08-23 中国人民解放军国防科技大学 基于注意力机制的海表面温度数值预报偏差订正方法
CN115345076A (zh) * 2022-08-19 2022-11-15 清华大学 一种风速订正处理方法及装置
CN116151118A (zh) * 2023-02-27 2023-05-23 常州大学 一种基于bert与cnn的非侵入式负荷分解方法
CN116680540A (zh) * 2023-06-19 2023-09-01 成都理工大学 一种基于深度学习的风电功率预测方法
CN116796168A (zh) * 2023-05-16 2023-09-22 三峡大学 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018027453A1 (en) * 2016-08-08 2018-02-15 Nokia Technologies Oy Artificial neural network

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
KR20220108999A (ko) * 2021-01-28 2022-08-04 금오공과대학교 산학협력단 비욘드 5세대 이동통신을 위한 cnn 기반의 자동변조분류방법
CN113807432A (zh) * 2021-09-16 2021-12-17 成都卡普数据服务有限责任公司 一种基于深度学习的气温预报数据订正方法
CN114936620A (zh) * 2022-03-04 2022-08-23 中国人民解放军国防科技大学 基于注意力机制的海表面温度数值预报偏差订正方法
CN114742179A (zh) * 2022-06-13 2022-07-12 南京信息工程大学 基于ecmwf的格点预报偏差修正方法
CN115345076A (zh) * 2022-08-19 2022-11-15 清华大学 一种风速订正处理方法及装置
CN116151118A (zh) * 2023-02-27 2023-05-23 常州大学 一种基于bert与cnn的非侵入式负荷分解方法
CN116796168A (zh) * 2023-05-16 2023-09-22 三峡大学 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法
CN116680540A (zh) * 2023-06-19 2023-09-01 成都理工大学 一种基于深度学习的风电功率预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Deep Learning Method Integrating Multisource Data for ECMWF Forecasting Products Correction;Jingming Xia等;《IEEE Geoscience and Remote Sensing Letters》;1-5 *
Image Caption Model Based on Multi-Head Attention and Encoder-Decoder Framework;Jianwei Luo等;《2019 IEEE 14th International Conference on Intelligent Systems and Knowledge Engineering (ISKE)》;1064-1070 *
Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting;Yi-Ming Zhang等;《Energy》;第278卷;1-12 *
基于深度学习的气象要素格点预报模式订正;李紫丁;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第12期);A009-15 *
面向感应电机故障诊断的深度学习方法研究;李莎莎等;《计算机工程与应用》;1-10 *

Also Published As

Publication number Publication date
CN116992249A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN110347192B (zh) 基于注意力机制和自编码器的玻璃炉温智能预测控制方法
CN111352977B (zh) 基于自注意力双向长短期记忆网络的时序数据监测方法
CN113988449B (zh) 基于Transformer模型的风电功率预测方法
CN113400307A (zh) 一种空间机器人机械臂的控制方法
CN113159452B (zh) 基于时空相关性的风电集群功率预测方法
CN111353534B (zh) 一种基于自适应分数阶梯度的图数据类别预测方法
CN114676769A (zh) 一种基于视觉Transformer的小样本昆虫图像识别方法
CN111026741A (zh) 基于时间序列相似性的数据清洗方法及装置
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
CN116992249B (zh) 基于fmcnn-lstm的格点预报偏差订正方法
CN114282647B (zh) 基于脉冲神经网络的神经形态视觉传感器目标检测方法
CN118114734A (zh) 基于稀疏正则化理论的卷积神经网络优化方法及系统
CN117789478A (zh) 基于动态常微分图神经网络的交通流量预测方法及装置
Sari et al. Daily rainfall prediction using one dimensional convolutional neural networks
CN115640743B (zh) 基于贝叶斯优化参数神经网络的配电负荷-馈线智能匹配方法
CN114372181B (zh) 一种基于多模态数据的设备生产智能规划方法
CN115619563A (zh) 一种基于神经网络的股票价格分析方法
CN112131954A (zh) 基于卷积神经网络的中国北方冬小麦遥感估产
CN113033669B (zh) 一种基于可学习的特征图过滤与图注意力网络的视觉场景识别方法
CN117933363B (zh) 基于样本迁移的新建风电场短期风电功率预测方法和系统
CN116842855B (zh) 分布式光伏配电网出力预测方法、装置、电子设备及介质
CN118277959B (zh) 融合共振稀疏Transformer网络的猪舍温度预测方法
CN118690042A (zh) 一种自监督遥感图像检索方法及系统
CN112750109B (zh) 一种基于形态学和深度学习的制药设备安全监测方法
CN113344049B (zh) 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法

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