-
公开(公告)号：CN120046510A
公开(公告)日：2025-05-27
申请号：CN202510460946.4
申请日：2025-04-14
Applicant: 安徽农业大学
IPC: G06F30/27 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明适用于时空数据预测领域，提供了融合动态时空剪枝与WOA算法的CNS模型土壤湿度预测方法，该方法中，基于多重卷积模块、BiLSTM模块和注意力机制模块构建初始CNS模型；将土壤时序数据作为初始CNS模型的输入，对初始CNS模型进行初步训练；采用动态时空剪枝策略对初步训练后模型的各个模块进行动态修剪；通过反向传播算法更新模型参数，得到用于土壤湿度预测的CNS模型。本发明的CNS模型融合了卷积神经网络CNN、时空图卷积网络STGCN、双向长短期记忆网络BiLSTM以及注意力机制层Attention，能够综合处理和分析来自不同数据源的多模态数据，CNS模型在土壤湿度预测任务中表现出更高的精度和鲁棒性；动态剪枝和WOA算法优化的结合，使得模型能保持稳定的预测性能。
-
公开(公告)号：CN119918982A
公开(公告)日：2025-05-02
申请号：CN202510420773.3
申请日：2025-04-06
Applicant: 安徽农业大学
IPC: G06Q10/0637 , G06Q50/26 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明适用于水质预测领域，具体提供了基于图卷积及时空交错注意力机制的水质预测方法，该方法中，基于时空交错注意力机制构建包含四层Transformer架构的预测模型；第一层为嵌入Embedding；第二层为位置编码模块；第三层为N个相同带有时空交错注意力机制的Transformer编码器模块，在时空交错注意力机制中，通过将图卷积融入Transformer框架，将时间注意力模块与空间注意力模块进行堆叠，构成Transformer编码器模块；第四层为输出层；对构建好的预测模型进行训练，训练好的模型用于对目标水质进行预测。本发明可同时处理数据的时间和空间维度，捕捉不同时空尺度下的依赖关系，提高模型的表达能力和预测性能。
-
公开(公告)号：CN119047661B
公开(公告)日：2025-01-28
申请号：CN202411545074.3
申请日：2024-11-01
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/08 , G06Q50/02 , G01W1/10
Abstract: 本发明适用于农业气象预测领域，具体是基于多尺度卷积网络及扩散系统的农业气象预测方法，包括：利用训练好的多尺度卷积网络对农业气象图像进行初步预测，得到初步预测结果；通过扩散模型对初步预测结果进行处理，对初步预测结果进行处理包括：先通过扩散模型增加噪声捕获时空特征之间的联系，以及后通过多步逆扩散过程逐步消除预测结果中噪声；对基于多尺度卷积网络和扩散模型的预测模型进行训练，得到训练好的预测模型；对于给定的农业气象图像，利用预测模型生成未来多个时间步的预测图像序列并输出。本发明通过将时空卷积神经网络结合扩散系统，显著提升了时空数据对于长期预测结果性能的提高。
-
公开(公告)号：CN119047661A
公开(公告)日：2024-11-29
申请号：CN202411545074.3
申请日：2024-11-01
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/08 , G06Q50/02 , G01W1/10
Abstract: 本发明适用于农业气象预测领域，具体是基于多尺度卷积网络及扩散系统的农业气象预测方法，包括：利用训练好的多尺度卷积网络对农业气象图像进行初步预测，得到初步预测结果；通过扩散模型对初步预测结果进行处理，对初步预测结果进行处理包括：先通过扩散模型增加噪声捕获时空特征之间的联系，以及后通过多步逆扩散过程逐步消除预测结果中噪声；对基于多尺度卷积网络和扩散模型的预测模型进行训练，得到训练好的预测模型；对于给定的农业气象图像，利用预测模型生成未来多个时间步的预测图像序列并输出。本发明通过将时空卷积神经网络结合扩散系统，显著提升了时空数据对于长期预测结果性能的提高。
-
-
-
Search Results
4
records
(took 0.015 seconds)
