-
公开(公告)号：CN120086516A
公开(公告)日：2025-06-03
申请号：CN202510007983.X
申请日：2025-01-03
Applicant: 南京师范大学
IPC: G06F18/20 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G01W1/10 , G06Q50/26
Abstract: 本发明公开了一种基于几何代数机器学习模型的台风强度预测方法，对原始台风数据进行预处理和特征提取，得到二维和三维特征数据集，并确定训练数据集、测试数据集和验证数据集；构建Clifford‑CNN模型，模型训练后，通过验证数据集由最小验证损失函数确定最优模型参数；向最优模型输入测试数据集，评估台风强度预测方法的性能。本发明将传统卷积神经网络中的标量操作扩展为多向量操作，卷积操作中几何乘积替代标量乘积，结合空间注意力机制，增强对台风强度的预测，构建CliffordWide andDeep模型模块，充分利用线性和非线性特征之间的关系，提高模型的泛化能力；与传统预报方法相比，本发明提高了约9％的预测精度，在保持预测性能的同时，大幅减少了模型参数的数量。
-
公开(公告)号：CN118868956A
公开(公告)日：2024-10-29
申请号：CN202410926405.1
申请日：2024-07-11
Applicant: 南京师范大学
IPC: H03M7/30 , G06F18/2113 , G06F18/2135
Abstract: 本发明公开了一种考虑时空异质性的海洋场数据有损压缩方法，包括以下步骤：(1)将海洋三维时空场数据在空间上划分为n个空间分布均匀的场数据块；(2)考虑时空异质性对数据块进行降维和特征模态分解，将分解结果以若干个时空特征层次的形式组织表示；(3)设定最大压缩误差error_def，确定主要层次的数量，主要层次即包含原始数据块主要变化信息的层次，对层次表示进行主要层次提取，将主要层次特征和对应时间序列以对象的形式存储，同时记录数据的分块信息和所有空间格点在时间上的均值，实现数据的压缩。本发明将数据分块信息、遴选出的主要空间特征层次及对应时间变化序列组织成压缩结果文件，实现高维数据的降维压缩。
-
公开(公告)号：CN120074537A
公开(公告)日：2025-05-30
申请号：CN202510006816.3
申请日：2025-01-03
Applicant: 南京师范大学
Abstract: 本发明公开了一种考虑时空异质性的海洋场数据有损压缩方法，包括以下步骤：(1)将海洋三维时空场数据在空间上划分为n个空间分布均匀的场数据块；(2)考虑时空异质性对数据块进行降维和特征模态分解，将分解结果以若干个时空特征层次的形式组织表示；(3)设定最大压缩误差error_def，确定主要层次的数量，主要层次即包含原始数据块主要变化信息的层次，对层次表示进行主要层次提取，将主要层次特征和对应时间序列以对象的形式存储，同时记录数据的分块信息和所有空间格点在时间上的均值，实现数据的压缩。本发明将数据分块信息、遴选出的主要空间特征层次及对应时间变化序列组织成压缩结果文件，实现高维数据的降维压缩。
-
公开(公告)号：CN118822000A
公开(公告)日：2024-10-22
申请号：CN202410823638.9
申请日：2024-06-25
Applicant: 南京师范大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G01W1/10
Abstract: 本发明公开了一种基于几何代数机器学习模型的台风强度预测方法，对原始台风数据进行预处理和特征提取，得到二维和三维特征数据集，并确定训练数据集、测试数据集和验证数据集；构建Clifford‑CNN模型，模型训练后，通过验证数据集由最小验证损失函数确定最优模型参数；向最优模型输入测试数据集，评估台风强度预测方法的性能。本发明将传统卷积神经网络中的标量操作扩展为多向量操作，卷积操作中几何乘积替代标量乘积，结合空间注意力机制，增强对台风强度的预测，构建CliffordWide andDeep模型模块，充分利用线性和非线性特征之间的关系，提高模型的泛化能力；与传统预报方法相比，本发明提高了约9％的预测精度，在保持预测性能的同时，大幅减少了模型参数的数量。
-
-
-
Search Results
4
records
(took 0.014 seconds)
