CN111199283A - 一种基于卷积循环神经网络的气温预测***及方法 - Google Patents
一种基于卷积循环神经网络的气温预测***及方法 Download PDFInfo
- Publication number
- CN111199283A CN111199283A CN202010114142.6A CN202010114142A CN111199283A CN 111199283 A CN111199283 A CN 111199283A CN 202010114142 A CN202010114142 A CN 202010114142A CN 111199283 A CN111199283 A CN 111199283A
- Authority
- CN
- China
- Prior art keywords
- neural network
- air temperature
- temperature
- computer
- layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 37
- 125000004122 cyclic group Chemical group 0.000 title claims description 42
- 230000000306 recurrent effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于卷积循环神经网络（Convolutional Recurrent Neural Networks,CRNN）的气温预测***及方法，涉及人工智能技术领域，本发明以神经网络芯片为核心，利用若干温度传感器进行目标区域内所需气温数据收集；使用计算机进行数据预处理，数据存储；最后由神经网络芯片完成神经网络模型训练，寻找最优权重值，以及预测未来气温情况等任务。本发明所需训练数据为预测范围内多点历史气温值，所需输入数据为预测目标日期之前一段时间内的多点气温值。相较于传统的基于深度神经网络的气温预测方法，本发明不需要彻底了解目标区域的大气物理结构，也降低了所需模拟计算的任务量，具有较高的实用价值。
Description
技术领域
本发明涉及人工智能技术领域，具体地说是一种基于卷积循环神经网络的气温预测***及方法。
背景技术
近年来随着人工智能与深度神经网络的飞速发展，人们在日常生活中获得了极大便利。深度神经网络在图像识别，语音翻译，智能推荐，自动驾驶汽车等领域取得了巨大的成功。然而在气温预测领域，现有的主流气温预测方法仍然是基于气象学理论的模拟预测，但是传统的基于气象学理论的模拟预测有如需要大量计算资源，计算耗时较高等缺陷。故而基于深度神经网络的气温预测有其出现的必要性，但基于深度神经网络的气温预测算法的预测精度仍有待提高。
更精准的气温预测对于社会的方方面面都很有帮助。对于大多数人而言，气温预报帮助他们选择着装；对于一些有诸如风湿病一类特殊疾病的人群，气温预测可以帮助他们预防病痛；对于许多工厂和商家，气温预测也可以帮助他们制定合理的生产与销售策略。
卷积神经网络(Convolutional Neural Networks,CNN)与循环神经网络(Recurrent Neural Networks,RNN)是当前被广泛使用的两种深度神经网络结构。卷积神经网络特别适合处理二维数据，其通常由以下结构构成：卷积层，激活函数层，池化层和全连接层。循环神经网络是为了处理连续的数据而研发出来的，在找寻连续数据间的时间相关性方面卓有成效。而卷积循环神经网络继承了两个的优势，十分适合处理二维连续数据。其在诸如音频分类，有缺失部分的文字识别，有损坏的视频修补等领域都取得了很好的应用。
本专利基于此现状，提供了一种基于卷积循环神经网络的气温预测***及方法。
发明内容
本发明的目的是提供一种基于卷积循环神经网络的气温预测***及方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明的技术方案为：
第一方面，提供了一种基于卷积循环神经网络的气温预测***，包括气温数据收集设备、计算机内存、计算机处理器、神经网络芯片和计算机显示屏；所述气温数据收集设备的输出连接所述计算机处理器的输入；所述计算机内存与所述计算机处理器双向连接；所述神经网络芯片与所述计算机处理器双向连接；所述计算机处理器与所述计算机显示屏双向连接。
进一步地，所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。
进一步地，所述神经网络芯片可以做成计算机板卡形式，***个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
第二方面，提供了一种基于卷积循环神经网络的气温预测方法，包括以下步骤：
步骤一，获取目标区域内各温度探测点的有时间标签的历史气温数据；
步骤二，按照目标区域内各温度探测点的实际地理位置，将同一时间标签的气温值绘制成二维气温图；
步骤三，将各时刻气温图按照时间顺序排序，根据特定时间长度截取为有特定长度的历史气温图时间序列张量并对张量中气温值进行归一化处理；
步骤四，将步骤三中生成的历史气温图时间序列张量按3：1：1的比例分为训练集，验证集与测试集；
步骤五，构建卷积循环神经网络结构，卷积循环神经网络包含卷积神经网络与循环神经网络两部分，并设定该卷积循环神经网络结构中的各超参数初始数值；
步骤六，将步骤四中分好类的历史气温图时间序列张量输入步骤五中构建的卷积循环神经网络结构中。
步骤七，通过步骤五中卷积循环神经网络结构的卷积神经网络部分，分别提取嵌入在各历史气温图中的气温空间相关性特征，并将该特征依时间序列顺序输入给循环神经网络部分，利用循环神经网络部分提取嵌入在历史气温图时间序列之间的气温值时间相关性，最后得出预测结果；
步骤八，将步骤七中得出的预测结果与实际历史气温值比对，求出误差值并将误差值通过反向传播方法送回卷积神经网络结构中；
步骤九，重复步骤七、步骤八若干次，保存验证损失最小的一组神经网络权重值；
步骤十，采用K折交叉验证的方法重复步骤四至步骤九，根据预测结果判断最适用于当前目标区域环境的一组超参数数值，并保存相应超参值下的最佳网络权重值；
步骤十一，通过温度传感器获取目标区域内各温度探测点的气温值数据；
步骤十二，将步骤十一中获得的目标区域内各温度探测点的气温值数据与步骤十中保存的最佳神经网络权重值相计算，再将计算结果进行反归一化处理，进而得到所需的气温预测值。
进一步地，所述卷积神经网络部分包含二维卷积层，激活函数层，规范层和池化层。
进一步地，所述循环神经网络部分包含铺平层，长短时记忆循环层，规范层，全连接层和激活函数层。
进一步地，所述步骤七中最后通过循环神经网络部分的全连接层得出预测结果。
相对于现有技术，本发明的有益效果为：
提供了一种基于卷积循环神经网络的气温预测***及方法，包含一种新型的卷积循环神经网络结构，该结构可以通过时间序列气温数据，有效的预测未来的气温值。该结构是一种由卷积神经网络与循环神经网络合成而来的深度神经网络结构。该结构可以通过时间序列气温数据有效的预测未来的气温值。卷积神经网络部分用来处理每一张气温数据图中的空间相关性，循环神经网络部分用来处理连续的气温数据图之间的时间相关性。最后再通过全连接层来生成未来气温的预测值。
相较于传统的气象学气温预测方法，本发明中的模型可以在不了解工作环境的气象学物理结构的情况下，通过当地历史气温数据来自主学习其气温值的时空相关性进而进行未来气温预测。
相较于传统的只基于一地时间序列的气温预测方法，本方法将多地气温数值以气温图的形式代入深度神经网络中进行训练，通过找出各气温观测点之间的空间相关性来进一步提高了气温预测的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，不应视为对本申请的不当限定。
图1是本申请中一种基于卷积循环神经网络的气温预测***的结构示意图。
图2是本申请中一种基于卷积循环神经网络的气温预测方法的流程图。
图3是本申请中卷积循环神经网络的结构图。
图4是本申请中卷积循环神经网络中卷积神经网络部分网络结构图。
图5是本申请中卷积循环神经网络中长短时记忆层结构图。
图6是本申请中预测气温值与实际气温值对比图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面参考图1说明本发明提供的气温预测***。
实施例1：
一种基于卷积循环神经网络的气温预测***，包括气温数据收集设备、计算机内存、计算机处理器、神经网络芯片和计算机显示屏；所述气温数据收集设备的输出连接所述计算机处理器的输入；所述计算机内存与所述计算机处理器双向连接；所述神经网络芯片与所述计算机处理器双向连接；所述计算机处理器与所述计算机显示屏双向连接。所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。所述神经网络芯片可以做成计算机板卡形式，***个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
下面参考图2-图6说明本发明提供的气温预测方法。
实施例2：
一种基于卷积循环神经网络的气温预测方法，流程图如图2所示，包括以下步骤：
步骤一，获取目标区域内各温度探测点的有时间标签的历史气温数据；本发明可用于大范围多地未来气温预测，如要预测全国各地的未来每日平均气温，需要全国各地的历史每日平均气温数据。为了进一步说明，本实施例中选取了中国气象数据网提供的日值气温数据集。该数据集包含全国约七百个气温观测站提供的1951年1月1日至2018年12月31日的每日平均气温数据及所有气温观测站的经纬度信息。
步骤二，按照目标区域内各温度探测点的实际地理位置，将同一时间标签的气温值绘制成二维气温图；本实施例中通过气温观测站的经纬度信息及所对应的每日平均气温值绘制全国每日平均气温图。
步骤三，将各时刻气温图按照时间顺序排序，根据特定时间长度截取为有特定长度的历史气温图时间序列张量并对张量中气温值进行归一化处理；本实施例中选取7天为时间序列长度。故将每日平均气温图按照日期排序生成若干长度为7的历史气温图时间序列张量，并将所有气温图时间序列张量中的气温值进行归一化处理。
步骤四，将步骤三中生成的历史气温图时间序列张量按3：1：1的比例分为训练集，验证集与测试集。
步骤五，构建卷积循环神经网络结构，构建的卷积循环神经网络结构如图3所示，卷积循环神经网络包含卷积神经网络与循环神经网络两部分，所述卷积神经网络部分包含二维卷积层，激活函数层，规范层和池化层，所述循环神经网络部分包含铺平层，长短时记忆循环层，规范层，全连接层和激活函数层，卷积神经网络部分的输出即为循环神经网络部分的输入，同时设定该卷积循环神经网络结构中的各超参数初始数值。超参数包括各二维卷积层的卷积核个数，各二维卷积层的卷积核大小，各激活函数层的激活函数，各池化层的池化大小，循环层中长短时记忆神经元个数，损失函数选择，优化器选择，初始学习速率设置等。每种超参数都将有若干各可能数值。最终选择的超参数数值组合将为经K折交叉验证评测后，效果最好的超参数数值组合。
步骤六，将步骤四中分好类的历史气温图时间序列张量输入步骤五中构建的卷积循环神经网络结构中；
步骤七，通过步骤五中卷积循环神经网络结构的卷积神经网络部分，分别提取嵌入在各历史气温图中的气温空间相关性特征，并将该特征依时间序列顺序输入给循环神经网络部分，利用循环神经网络部分提取嵌入在历史气温图时间序列之间的气温值时间相关性，最后通过全连接层得出预测结果；
本实施例中，卷积神经网络部分网络结构图如图3所示。在此部分中，输入为大小为T×H×W的气温图时间序列张量xi,t。T代表时间序列长度，在本实例中为7，H和W分别代表二维气温图的像素值长度和像素值宽度，i代表本张量在所有张量中的序号。输入数据被送入卷积神经网络部分，经过三轮二维卷积层，激活函数层，规范层，池化层后，输出张量为zi，t。卷积神经网络部分输出与输入的函数映射关系如下：
zi,t＝f(xi,t；{wx})
上述函数映射关系中，wx为卷积神经网络部分的权重值。三轮卷积提取并学习每张气温图中的空间相关性特征。卷积神经网络的输出zi，t也是接下来循环神经网络部分的输入。
在循环神经网络部分中，长短时记忆层是该部分的核心结构，其结构图如图4所示，它可以提取并学习气温图时间序列中的时间相关性特征。长短时记忆层提取出的时序向量之间的函数映射关系如下：
hi,t＝f(hi,t-1,zi,t；{wz})
上述函数映射关系中，wz为长短时记忆层的权重值。长短时记忆层的输出hi将成为接下来全连接层的输入，全连接层的函数映射关系如下：
上述函数映射关系中，wh为长短时记忆层的权重值。全连接层的输出即为未来气温的预测值，其大小等同于整个卷积循环神经网络的输入T×H×W。
步骤八，将步骤七中得出的预测结果与实际历史气温值比对，求出误差值并将误差值通过反向传播方法送回卷积神经网络结构中；
步骤九，重复步骤七、步骤八若干次，保存验证损失最小的一组神经网络权重值；
步骤十，采用K折交叉验证的方法重复步骤四至步骤九，根据预测结果判断最适用于当前目标区域环境的一组超参数数值，并保存相应超参值下的最佳网络权重值；本实施例中获得最佳效果的超参数结果如下：三轮二维卷积层卷积核个数分别为64，128，256；各二维卷积层卷积和大小为3×3；各激活函数层激活函数均为带泄露的非线性整流函数(Leaky-Relu)；各池化层池化大小均为2×2；循环层中长短时记忆神经元个数为1024；损失函数为均方差损失函数；优化器为采用Nesterov动量的Adam优化器；初始学习速率为0.02。
步骤十一，通过温度传感器获取目标区域内各温度探测点的气温值数据；
步骤十二，将步骤十一中获得的目标区域内各温度探测点的气温值数据与步骤十中保存的最佳神经网络权重值相计算，再将计算结果进行反归一化处理，进而得到所需的气温预测值。
最终本实施例中预测结果总平均气温误差为0.907摄氏度，均方根误差为1.697摄氏度，气温差值小于1摄氏度的比例约为68.9％，气温差值小于2摄氏度的比例约为83.0％，气温差值小于3摄氏度的比例约为91.4％。相较于过往的基于深度神经网络的气温预测算法整体预测结果有所提升。使用最佳权重值进行气温预测的气温预测值与气温实际值对比图如图6所示。该图为2018年10月1日全国约700个观测站测得的实际气温与本方法得到的预测值对比图。横坐标为气温观测站序号，纵坐标为摄氏度。由图可见本方法气温预测结果与实际值足够相近。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种基于卷积循环神经网络的气温预测***，其特征在于：包括气温数据收集设备、计算机内存、计算机处理器、神经网络芯片和计算机显示屏；
所述气温数据收集设备的输出连接所述计算机处理器的输入；
所述计算机内存与所述计算机处理器双向连接；
所述神经网络芯片与所述计算机处理器双向连接；
所述计算机处理器与所述计算机显示屏双向连接。
2.根据权利要求1所述的一种基于卷积循环神经网络的气温预测***，其特征在于：所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。
3.根据权利要求1所述的一种基于卷积循环神经网络的气温预测***，其特征在于：所述神经网络芯片可以做成计算机板卡形式，***个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
4.一种基于卷积循环神经网络的气温预测方法，其特征在于，包括以下步骤：
步骤一，获取目标区域内各温度探测点的有时间标签的历史气温数据；
步骤二，按照目标区域内各温度探测点的实际地理位置，将同一时间标签的气温值绘制成二维气温图；
步骤三，将各时刻气温图按照时间顺序排序，根据特定时间长度截取为有特定长度的历史气温图时间序列张量并对张量中气温值进行归一化处理；
步骤四，将步骤三中生成的历史气温图时间序列张量按3：1：1的比例分为训练集，验证集与测试集；
步骤五，构建卷积循环神经网络结构，卷积循环神经网络包含卷积神经网络与循环神经网络两部分，并设定该卷积循环神经网络结构中的各超参数初始数值；
步骤六，将步骤四中分好类的历史气温图时间序列张量输入步骤五中构建的卷积循环神经网络结构中；
步骤七，通过步骤五中卷积循环神经网络结构的卷积神经网络部分，分别提取嵌入在各历史气温图中的气温空间相关性特征，并将该特征依时间序列顺序输入给循环神经网络部分，利用循环神经网络部分提取嵌入在历史气温图时间序列之间的气温值时间相关性，最后得出预测结果；
步骤八，将步骤七中得出的预测结果与实际历史气温值比对，求出误差值并将误差值通过反向传播方法送回卷积神经网络结构中；
步骤九，重复步骤七、步骤八若干次，保存验证损失最小的一组神经网络权重值；
步骤十，采用K折交叉验证的方法重复步骤四至步骤九，根据预测结果判断最适用于当前目标区域环境的一组超参数数值，并保存相应超参值下的最佳网络权重值；
步骤十一，通过温度传感器获取目标区域内各温度探测点的气温值数据；
步骤十二，将步骤十一中获得的目标区域内各温度探测点的气温值数据与步骤十中保存的最佳神经网络权重值相计算，再将计算结果进行反归一化处理，进而得到所需的气温预测值。
5.根据权利要求4所述的一种基于卷积循环神经网络的气温预测方法，其特征在于：所述卷积神经网络部分包含二维卷积层，激活函数层，规范层和池化层。
6.根据权利要求4所述的一种基于卷积循环神经网络的气温预测方法，其特征在于：所述循环神经网络部分包含铺平层，长短时记忆循环层，规范层，全连接层和激活函数层。
7.根据权利要求4-6中任一项所述的一种基于卷积循环神经网络的气温预测方法，其特征在于：所述步骤七中最后通过循环神经网络部分的全连接层得出预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114142.6A CN111199283A (zh) | 2020-02-24 | 2020-02-24 | 一种基于卷积循环神经网络的气温预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114142.6A CN111199283A (zh) | 2020-02-24 | 2020-02-24 | 一种基于卷积循环神经网络的气温预测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111199283A true CN111199283A (zh) | 2020-05-26 |
Family
ID=70745405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010114142.6A Pending CN111199283A (zh) | 2020-02-24 | 2020-02-24 | 一种基于卷积循环神经网络的气温预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427990A (zh) * | 2016-01-20 | 2018-08-21 | 北京中科寒武纪科技有限公司 | 神经网络计算***和方法 |
| CN108647781A (zh) * | 2018-05-18 | 2018-10-12 | 中国科学院计算技术研究所 | 一种人工智能芯片处理装置 |
| CN109740754A (zh) * | 2018-12-29 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 神经网络计算装置、神经网络计算方法及相关产品 |
| 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 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN210895535U (zh) * | 2020-02-24 | 2020-06-30 | 张早 | 一种基于卷积循环神经网络的气温预测*** |
-
2020
- 2020-02-24 CN CN202010114142.6A patent/CN111199283A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427990A (zh) * | 2016-01-20 | 2018-08-21 | 北京中科寒武纪科技有限公司 | 神经网络计算***和方法 |
| CN108647781A (zh) * | 2018-05-18 | 2018-10-12 | 中国科学院计算技术研究所 | 一种人工智能芯片处理装置 |
| CN109740754A (zh) * | 2018-12-29 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 神经网络计算装置、神经网络计算方法及相关产品 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| 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 |
| CN210895535U (zh) * | 2020-02-24 | 2020-06-30 | 张早 | 一种基于卷积循环神经网络的气温预测*** |
Non-Patent Citations (4)
| Title |
|---|
| KUN ZHANG; XUPU GENG; XIAO-HAI YAN: "Prediction of 3-D Ocean Temperature by Multilayer Convolutional LSTM", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 17, no. 2020, pages 1303 - 1307, XP011800528, DOI: 10.1109/LGRS.2019.2947170 * |
| KUN ZHANG; XUPU GENG; XIAO-HAI YAN: "Prediction of 3-D Ocean Temperature by Multilayer Convolutional LSTM", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 17, pages 1303, XP011800528, DOI: 10.1109/LGRS.2019.2947170 * |
| 杨函: "基于深度学习的气象预测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2018 * |
| 杨函: "基于深度学习的气象预测研究", 硕士电子期刊, no. 2018 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960330B (zh) | 基于快速区域卷积神经网络的遥感图像语义生成方法 | |
| 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 | |
| CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
| CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、***、设备和介质 | |
| CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
| Ren et al. | A data-driven deep learning model for weekly sea ice concentration prediction of the pan-arctic during the melting season | |
| CN111369535B (zh) | 一种细胞检测方法 | |
| Yao et al. | Classifying land-use patterns by integrating time-series electricity data and high-spatial resolution remote sensing imagery | |
| CN113592007B (zh) | 一种基于知识蒸馏的不良图片识别***、方法、计算机及存储介质 | |
| CN113095251B (zh) | 一种人体姿态估计方法及*** | |
| CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
| CN116129219A (zh) | 一种基于知识稳健-重平衡网络的sar目标类增量识别方法 | |
| CN210895535U (zh) | 一种基于卷积循环神经网络的气温预测*** | |
| CN113220915B (zh) | 一种基于残差注意力的遥感图像检索方法及装置 | |
| CN111199283A (zh) | 一种基于卷积循环神经网络的气温预测***及方法 | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| Yang et al. | Predictor selection for CNN-based statistical downscaling of monthly precipitation | |
| Jiang et al. | Evaluation of county-level poverty alleviation progress by deep learning and satellite observations | |
| CN114819191B (zh) | 一种高排放道路移动源识别方法、***及存储介质 | |
| CN115345257A (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
| CN114414090A (zh) | 基于遥感影像和多层感知的地表温度预测方法及*** | |
| Lee et al. | Assessment of cloud retrieval for IASI 1D-Var cloudy-sky assimilation and improvement with an ANN approach | |
| Cai et al. | Monitoring harmful bee colony with deep learning based on improved grey prediction algorithm |
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 |