CN116776135B - 一种基于神经网络模型的物理场数据预测方法及装置 - Google Patents
一种基于神经网络模型的物理场数据预测方法及装置 Download PDFInfo
- Publication number
- CN116776135B CN116776135B CN202311072802.9A CN202311072802A CN116776135B CN 116776135 B CN116776135 B CN 116776135B CN 202311072802 A CN202311072802 A CN 202311072802A CN 116776135 B CN116776135 B CN 116776135B
- Authority
- CN
- China
- Prior art keywords
- data
- block
- physical field
- space
- block data
- 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
Links
- 238000000034 method Methods 0.000 title claims description 55
- 238000003062 neural network model Methods 0.000 title claims description 19
- 230000008901 benefit Effects 0.000 claims description 57
- 239000000203 mixture Substances 0.000 claims description 27
- 238000005520 cutting process Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000009469 supplementation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000000903 blocking effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种基于神经网络模型的物理场数据预测方法及装置,可以根据物理场数据整体在数据空间中各空间区域的数据稀疏情况,来对物理场数据进行划分,得到各分块数据,这样可以将具有计算价值的数据从物理场数据的整体中分割出来,使得预测模型对有价值的分块数据进行计算,以完成物理场数据的预测任务,从而相比于现有技术来说,可以显著的提升预测模型的运算效率。
Description
技术领域
本说明书涉及人工智能领域,尤其涉及一种基于神经网络模型的物理场数据预测方法及装置。
背景技术
进行物理场的时空分析在众多学科、不同行业中都有重要的意义和价值,诸如气象预测、能源反应器设计、飞行器设计、芯片封装设计等。而由于在真实环境下实施“设计-制造-测量-优化”过程代价过大,因此采用科学计算的方式模拟、复现物理场的相关规律和演化特征成为了重要的研发手段。然而物理场的模拟仿真同样耗时较多且需要较大的计算资源投入,局限了其应用价值。
随着以深度学习为代表的人工智能算法持续发展,不断向各领域进行渗透,科学计算与人工智能相结合的应用也屡见报道。使用神经网络等算法加速、优化科学计算已成为了重要的发展方向。其中,神经网络被用于替代基于物理控制方程的科学计算过程,实现快速的物理场预测。而在使用神经网络学习物理场演化规律的实践中,最典型的网络结构是卷积神经网络。
由于物理场的几何形状***,常呈现不规则的形状,所以,使用卷积神经网络进行处理的过程中,面对的是三维稀疏数据,即在空间范围内实际上只有一部分比例的区域需要计算。然而,目前在物理场预测的过程中,需要对空间范围内的所有数据进行计算,从而导致神经网络模型预测物理场数据时效率较低,以及极大的占用了计算资源。
发明内容
本说明书提供一种基于神经网络模型的物理场数据预测方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于神经网络模型的物理场数据预测方法,包括:
获取混合物态在第一时刻下的物理场数据;
针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据;
针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值;
根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据;
将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
可选地,针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据,具体包括:
针对所述物理场数据所在数据空间中的每个空间维度,确定以该空间维度的指定位置为切分点所切分出的分块切片;
根据所述分块切片中包含的在其他空间维度的数据界限,确定所述分块切片对应的稀疏值;
若确定所述分块切片对应的稀疏值小于预设阈值,则在所述指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值;
若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止。
可选地,若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,具体包括:
若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,得到新的分块切片,并判断所述新的分块切片对应的稀疏值是否不小于所述预设阈值,若是,则继续探索出新的分块切片,否则,将探索出的稀疏值小于所述预设阈值的新的分块切片确定为分块终点,并根据所述分块起点和所述分块终点,得到候选分块数据;
根据所述候选分块数据中包含的在其他空间维度的数据界限,确定所述候选分块数据对应的稀疏值;
若确定所述候选分块数据对应的稀疏值不小于所述预设阈值,则将所述候选分块数据作为探索出的分块数据,若确定所述候选分块数据对应的稀疏值小于所述预设阈值,则不将所述候选分块数据作为探索出的分块数据。
可选地,在针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值之前,所述方法还包括:
针对所述物理场数据所在数据空间中的每个空间维度,确定在该空间维度下的每个分块数据对应的收益值;
针对在该空间维度下的每个分块数据,若该分块数据对应的收益值大于预设收益值,则将该分块数据作为目标分块。
可选地,针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值,具体包括:
针对所述物理场数据所在数据空间中的每个空间维度,根据在该空间维度下的目标分块的数量以及该空间维度下的分块数据的总数量,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值,其中,若该空间维度下的分块数据的总数量越高,该空间维度下对应的综合收益值越低。
可选地,在将所述指定空间维度下的各分块数据输入到预测模型之前,所述方法还包括:
针对所述指定空间维度下的每个分块数据,确定该分块数据对应的关联分块数据,其中,所述关联分块数据与该分块数据存在部分数据重叠;
根据所述关联分块数据,对该分块数据进行边界数据补充,得到补充分块数据;
将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,具体包括:
将确定出的所述指定空间维度下的各补充分块数据输入到所述预测模型中,以预测出所述混合物态在第二时刻下的物理场数据。
本说明书提供了一种基于神经网络模型的物理场数据预测装置,包括:
获取模块,用于获取混合物态在第一时刻下的物理场数据;
划分模块,用于针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据;
确定模块,用于针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值;
选择模块,用于根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据;
预测模块,用于将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
可选地,所述划分模块具体用于,针对所述物理场数据所在数据空间中的每个空间维度,确定以该空间维度的指定位置为切分点所切分出的分块切片;根据所述分块切片中包含的在其他空间维度的数据界限,确定所述分块切片对应的稀疏值;若确定所述分块切片对应的稀疏值小于预设阈值,则在所述指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值;若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于神经网络模型的物理场数据预测方法。
本说明书提供了一种电子设备,包括存储器、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程序时实现上述基于神经网络模型的物理场数据预测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述方法中可以看出,首先获取混合物态在第一时刻下的物理场数据,并针对物理场数据所在的数据空间中的每个空间维度,在该空间维度下对物理场数据进行划分,得到在该空间维度下的各分块数据,并基于每个空间维度下对应的综合收益值,确定出最终的分块策略,并按照该分块策略所得到的各分块数据,来执行预测物理场数据的任务。
由于在本说明书中可以根据物理场数据整体在数据空间中各空间区域的数据稀疏情况,来对物理场数据进行划分,得到各分块数据,这样可以将具有计算价值的数据从物理场数据的整体中分割出来,使得预测模型对有价值的分块数据进行计算,以完成物理场数据的预测任务,从而相比于现有技术来说,可以显著的提升对于稀疏物理场进行模型预测的运算效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种基于神经网络模型的物理场数据预测方法的流程示意图;
图2为本说明书提供的一种基于神经网络模型的物理场数据预测装置的示意图;
图3为本说明书中提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于神经网络模型的物理场数据预测方法的流程示意图,包括以下步骤:
S101:获取混合物态在第一时刻下的物理场数据。
本说明书提供的基于神经网络模型的物理场数据预测方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备,也可以是服务器,为了便于说明,本说明书仅以终端设备为执行主体,对所提供的基于神经网络模型的物理场数据预测方法进行说明。
在本说明书中,终端设备可以获取混合物态在第一时刻下的各理场数据,以在后续的过程中,对物理场数据进行预测。
本说明书所提到的混合物态并不是固定的原子或是分子所组成的物态,本说明书中的混合物态即为流动状态,而本说明书中要预测的物理场数据可以理解成在指定空间的混合物态在各个时刻下的物理场数据。
在本说明书中,获取到的物理场数据可以有多种形式,也就是说,终端设备获取到的实际上可以是多种不同的物理场数据,不同的物理场数据,对应不同的物理维度。
具体的,本说明书中提到的各物理场数据中可以包括诸如温度场数据、速度场数据、压强场数据、体积分数场等。不同的物理场数据实际上反映了混合物态在指定空间中不同位置上所呈现出的物理性质,例如,物理成数据可以是128ⅹ128ⅹ128的数据,所以,当物理场数据为温度场数据时,那么,128ⅹ128ⅹ128的温度场数据可以理解成用于表征在指定空间中均匀分布的128ⅹ128ⅹ128个点上每个点的温度值,同理,对于压强场数据来说,128ⅹ128ⅹ128的压强场数据可以理解成用于表征在指定空间中均匀分布的128ⅹ128ⅹ128个点上每个点的压强值。
另外,在实际应用中,获取到混合物态在第一时刻下的物理场数据,可以是在设定物理条件下的物理场数据,这里的设定物理条件可以有多种的具体形式,如设定具体的气压、温度、流速等。例如,当设定物理条件为设定混合物态处于某种温度下时,那么,获取到的则是在是第一时刻下混合物态处于这一温度时的物理场数据。
S102:针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据。
为了提高预测模型的运算效率,终端设备需要确定出物理场数据中哪些部分的数据是具有计算价值的,以此来对物理场数据进行划分,得到各分块数据。所以,终端设备可以针对物理场数据所在数据空间中的每个空间维度,在该空间维度下对物理场数据进行划分,得到在该空间维度下的各分块数据。
其中,物理场数据所在的数据空间用于反映测得该物理场数据所基于的实际空间,例如,多数情况下,物理场数据都是在三维空间中测得的,所以,物理场数据所在的数据空间也可以理解为是三维的数据空间。当然,对于一些特定的物理场数据,也可以是二维空间的,所以,其所在的数据空间也是二维的数据空间。
而在本说明书中,终端设备可以在不同的空间维度上进行分块探索,从而得到不同的分块策略。以三维数据空间为例,终端设备可以x轴、y轴和z轴这三个空间维度为探索方向,来得到不同空间维度下的分块策略。
具体的,针对所述物理场数据所在数据空间中的每个空间维度,终端设备可以确定以该空间维度的指定位置为切分点所切分出的分块切片,例如,假设终端设备以x轴为探索方向探索分块策略时,可以从开始进行探索,那么,以/>进行切分所得到的分块切片,即可以理解为以x轴的空间维度的指定位置为切分点所切分出的分块切片。
而后,终端设备可以根据分块切片中包含的在其他空间维度的数据界限,确定分块切片对应的稀疏值。其中,按照上述示例可以看出,由于以为切分点切分出的分块切片,那么在y轴和z轴则会切分出一定的数据范围,所切分出的数据范围可以理解为是在y轴和z轴所切分出的数据界限。例如,可以通过/>来表示在y轴切分出的数据上界和数据下界,而可以通过/>来表示在z轴上切分出的数据上界和数据下界。
在此基础上,终端设备可以根据分块切片中所包含的其他空间维度的数据界限,来计算分块切片对应的稀疏值,具体可以参考如下公式:
其中,用于表示物理场数据在z轴上的数据长度,D用于表示物理场数据在y轴上的数据长度,/>用于表示计算出的稀疏值。
从上述公式可以看出,若是稀疏值较大,则说明整体值较小,而整体值较小则说明需要计算的数据在该分块切片中y轴上以及z轴上占据小的比例,所以具有分块的价值,即应当将相对集中的这小部分数据切分出来。
而若是稀疏值较小,则说明/>整体值较大,而/>整体值较大则说明在需要计算的数据在该分块切片中y轴上以及z轴上占据的比例较大,即,此处需要计算的数据覆盖了大部分的区域,对其进行分块无法显著的减少计算量,反而会带来更多的开销,而不应当在这部分数据中的某处对其进行分割。
所以,若确定分块切片对应的稀疏值小于预设阈值,则终端设备可以在指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值。
而若确定分块切片对应的稀疏值不小于预设阈值,则终端设备可以切分点为分块起点进行探索,以确定出以分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止。
以为起始的切分点为例,如果分块切片对应的稀疏值小于预设阈值,则终端设备可以在/>的基础上,增加/>的预设步长,重新得到一个切分点(即),并进一步判断以/>为切分点所切分出的分块切片对应的稀疏值是否小于预设阈值。
而若是确定该分块切片对应的稀疏值不小于预设阈值,则以确定出的分块起点继续探索,并探索出分块终点,进而通过探索出的分块起点和分块终点,划分出一个分块数据。
其中,若确定分块切片对应的稀疏值不小于预设阈值,则终端设备可以切分点为分块起点进行探索,得到新的分块切片,并判断新的分块切片对应的稀疏值是否不小于预设阈值,若是,则继续探索出新的分块切片,否则,将探索出的稀疏值小于预设阈值的新的分块切片确定为分块终点,并根据确定出的分块终点和分块起点,得到候选分块数据。
还以上述示例为例,终端设备在以分块起点进行探索的过程中,可以在x轴的基础上,加上一个步长,从而得到新的分块切片,即,如果说为分块起点,那么以步长W所确定出的新的分块切片即为/>。
而在得到上述候选分块数据后,也将得到新的数据界限,此时的数据界限为整个候选分块数据中所有切片在y轴和z轴上的最大值,即,,那么,在得到新的数据界限后,可以计算该候选分块数据所对应的稀疏值,具体可以参考上述计算稀疏值的公式。
在确定出候选分块数据对应的稀疏值后,可以判断候选分块数据对应的稀疏值是否不小于预设阈值,若是,则说明该候选分块数据有分块的价值,进而将该候选分块数据作为探索出的分块数据,否则,则说明该候选分块数据不具有分块的价值,进而将其丢弃。
终端设备可以根据得到的分块终点,确定出用于探索下一分块数据的切分点,得到新的分块切片,从而按照上述方式,探索出新的分块数据,以此类推,从而得到每个空间维度下的各分块数据。
通过上述方式可以在每个空间维度下的各分块数据,在一个空间维度下所划分出的各分块数据,即可视为一个分块策略,那么,后续终端设备需要从这些分块策略中选取出一个分块策略来执行。
S103:针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值。
从上述内容可知,得到每个空间维度下的各分块数据,实际上可以理解为得到不同的分块策略,那么需要从中确定出一个最优的分块策略,来进行分块。
具体的,在本说明书中,终端设备可以针对物理场数据所在数据空间中的每个空间维度,确定在该空间维度下的每个分块数据对应的收益值。其中,该收益值可以参照如下公式进行计算:
其中,,/>用于表示该分块数据的分块起点,/>用于表示该分块数据的分块终点,所以,/>用于表示该分块数据所归属的区域的大小,对于这一公式来说,由于该分块数据是以x轴方向探索出的,那么该分块数据所归属的区域可以理解为在/>和/>之间以整个物理场数据中y轴和z轴上的数据界限所划分出的区域,/>为该分块数据对应的稀疏值,为预设阈值。
进一步地,针对在该空间维度下的每个分块数据,若终端设备确定该分块数据对应的收益值大于预设收益值,则可以将该分块数据作为目标分块。也就是说,通过上述方式,终端设备实际上需要确定出哪些分块数据在满足稀疏性要求的同时具备一定的规模,即,通过上述划分方式所得到的各分块数据中,有些分块数据进行分块有明显的收益,如,将较大的数据空间内集中的一小部分块数据进行分割,而有些分块数据则是不具有分块价值的,如较小的数据空间内集中的部分分块数据,尽管稀疏性较大但是规模较小。
所以,上述提到的目标分块即可理解为终端设备确定出的具有计算价值的分块数据,
终端设备在确定出每个空间维度下的目标分块后,可以针对物理场数据所在数据空间中的每个空间维度,根据在该空间维度下的目标分块的数量以及该空间维度下的分块数据的总数量,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值。其中,若该空间维度下的分块数据的总数量越高,该空间维度下对应的综合收益值越低。
其中,终端设备可以参考如下公式来确定一个空间维度下对应的综合收益值:
其中,用于表示确定出的该空间维度下的目标分块的数量,/>为在该空间维度下得到的各分块数据的分块数量,/>用于表示分块代价,/>即用于表示确定出的该空间维度下对应的综合收益值。
从上述公式可以看出,所谓的综合收益值,实际上和目标分块的数量以及划分出的分块数据的总数量是密切相关的,即,对于最优的分块策略来说,需要这两种数量之间找到一个合适的平衡点,使得得到的分块数据的总数量不至过多。也就是说,总分块数越多,则带来的额外开销越多,因此综合收益值也越小。
当然,在本说明书中,终端设备也可以通过其他的方式,来确定上述综合收益值。例如,终端设备可以仅根据目标分块的数量,来确定上述综合收益值。具体可以设置一个目标分块的数量范围,越接近该数量范围的中心值,则综合收益值越大,越远离该数量范围的中心值,则确定出的综合收益值越小。
S104:根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据。
在确定出每个空间维度下对应的综合收益值后,实际上相当于确定出的每种分块策略对应的评分,那么,将综合收益值最高的空间维度下的各分块数据,选取为指定空间维度下的各分块数据。
S105:将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
在确定出指定空间维度下的各分块数据后,可以将指定空间维度下的各分块数据输入到预测模型中,以使预测模型基于这些分块数据,预测出混合物态在第二时刻下的物理场数据。
需要说明的是,为了保持稀疏分块计算方式与常规卷积计算方式一致,则分块之间进行卷积、池化等计算时需要交换边界信息。
其中,终端设备可以针对指定空间维度下的每个分块数据,确定该分块数据对应的关联分块数据。这里提到的关联分块数据与该分块数据存在部分数据重叠。例如,对于两个分块数据来说,如果一个分块数据的分块终点处的数据与另一个分块数据的分块起点出的数据为两者的共用数据,则这两个分块数据互为关联分块数据。在实际应用中,在数据空间中相邻的分块数据往往互为关联分块数据。
终端设备可以根据关联分块数据,对该分块数据进行边界数据补充,得到补充分块数据。即,将具有共同切片的分块数据相互进行数据同步。
而需要指出的是,然若在每一次的卷积、池化计算都进行边界信息同步,将带来较大的计算开销。所以,为了保证稀疏分块方法的性能,仅在预测模型中的部分卷积层实施信息交互。具体地,在每隔一定数量的卷积层进行边界数据的补充。这样不仅能够保证预测模型输出结果的准确性,还能够有效地保证计算效率。
另外,无论是在模型训练阶段,还是模型使用阶段,均可以采用上述的分块方式,对输入到预测模型中的物理场数据进行分块,以提高模型训练的效率以及任务执行效率。
进一步地,在本说明书中,输入到预测模型中的数据除了包含各分块数据外,还可以包括其他的参数,如在步骤S101中提到的设定物理条件的条件参数,这样可以使得预测模型在设定物理条件下来预测第二时刻的物理场数据。
综上所述,由于在本说明书中可以根据物理场数据整体在数据空间中各空间区域的数据稀疏情况,来对物理场数据进行划分,得到各分块数据,这样可以将具有计算价值的数据从物理场数据的整体中分割出来,使得预测模型对有价值的分块数据进行计算,以完成物理场数据的预测任务,从而相比于现有技术来说,可以显著的提升预测模型的运算效率。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的基于神经网络模型的物理场数据预测装置,如图2所示。
图2为本说明书提供的一种基于神经网络模型的物理场数据预测装置的示意图,包括:
获取模块201,用于获取混合物态在第一时刻下的物理场数据;
划分模块202,用于针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据;
确定模块203,用于针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值;
选择模块204,用于根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据;
预测模块205,用于将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
可选地,所述划分模块202具体用于,针对所述物理场数据所在数据空间中的每个空间维度,确定以该空间维度的指定位置为切分点所切分出的分块切片;根据所述分块切片中包含的在其他空间维度的数据界限,确定所述分块切片对应的稀疏值;若确定所述分块切片对应的稀疏值小于预设阈值,则在所述指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值;若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止。
可选地,所述划分模块202具体用于,若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,得到新的分块切片,并判断所述新的分块切片对应的稀疏值是否不小于所述预设阈值,若是,则继续探索出新的分块切片,否则,将探索出的稀疏值小于所述预设阈值的新的分块切片确定为分块终点,并根据所述分块起点和所述分块终点,得到候选分块数据;根据所述候选分块数据中包含的在其他空间维度的数据界限,确定所述候选分块数据对应的稀疏值;若确定所述候选分块数据对应的稀疏值不小于所述预设阈值,则将所述候选分块数据作为探索出的分块数据,若确定所述候选分块数据对应的稀疏值小于所述预设阈值,则不将所述候选分块数据作为探索出的分块数据。
可选地,所述确定模块203在针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值之前,还用于针对所述物理场数据所在数据空间中的每个空间维度,确定在该空间维度下的每个分块数据对应的收益值;针对在该空间维度下的每个分块数据,若该分块数据对应的收益值大于预设收益值,则将该分块数据作为目标分块。
可选地,所述确定模块203具体用于,针对所述物理场数据所在数据空间中的每个空间维度,根据在该空间维度下的目标分块的数量以及该空间维度下的分块数据的总数量,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值,其中,若该空间维度下的分块数据的总数量越高,该空间维度下对应的综合收益值越低。
可选地,所述预测模块205在将所述指定空间维度下的各分块数据输入到预测模型之前,还用于针对所述指定空间维度下的每个分块数据,确定该分块数据对应的关联分块数据,其中,所述关联分块数据与该分块数据存在部分数据重叠;根据所述关联分块数据,对该分块数据进行边界数据补充,得到补充分块数据;
所述预测模块205具体用于,将确定出的所述指定空间维度下的各补充分块数据输入到所述预测模型中,以预测出所述混合物态在第二时刻下的物理场数据。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种基于神经网络模型的物理场数据预测方法。
本说明书还提供了图3所示的一种对应于图1的电子设备的示意结构图。如图3所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的基于神经网络模型的物理场数据预测方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种基于神经网络模型的物理场数据预测方法,其特征在于,包括:
获取混合物态在第一时刻下的物理场数据;
针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据,其中,针对所述物理场数据所在数据空间中的每个空间维度,确定以该空间维度的指定位置为切分点所切分出的分块切片;根据所述分块切片中包含的在其他空间维度的数据界限,确定所述分块切片对应的稀疏值;若确定所述分块切片对应的稀疏值小于预设阈值,则在所述指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值;若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止;
针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值;
根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据;
将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
2.如权利要求1所述的方法,其特征在于,若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,具体包括:
若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,得到新的分块切片,并判断所述新的分块切片对应的稀疏值是否不小于所述预设阈值,若是,则继续探索出新的分块切片,否则,将探索出的稀疏值小于所述预设阈值的新的分块切片确定为分块终点,并根据所述分块起点和所述分块终点,得到候选分块数据;
根据所述候选分块数据中包含的在其他空间维度的数据界限,确定所述候选分块数据对应的稀疏值;
若确定所述候选分块数据对应的稀疏值不小于所述预设阈值,则将所述候选分块数据作为探索出的分块数据,若确定所述候选分块数据对应的稀疏值小于所述预设阈值,则不将所述候选分块数据作为探索出的分块数据。
3.如权利要求1所述的方法,其特征在于,在针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值之前,所述方法还包括:
针对所述物理场数据所在数据空间中的每个空间维度,确定在该空间维度下的每个分块数据对应的收益值;
针对在该空间维度下的每个分块数据,若该分块数据对应的收益值大于预设收益值,则将该分块数据作为目标分块。
4.如权利要求3所述的方法,其特征在于,针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值,具体包括:
针对所述物理场数据所在数据空间中的每个空间维度,根据在该空间维度下的目标分块的数量以及该空间维度下的分块数据的总数量,确定按照该空间维度下的各分块数据进行物理场数据预测的综合收益值,作为该空间维度下对应的综合收益值,其中,若该空间维度下的分块数据的总数量越高,该空间维度下对应的综合收益值越低。
5.如权利要求1所述的方法,其特征在于,在将所述指定空间维度下的各分块数据输入到预测模型之前,所述方法还包括:
针对所述指定空间维度下的每个分块数据,确定该分块数据对应的关联分块数据,其中,所述关联分块数据与该分块数据存在部分数据重叠;
根据所述关联分块数据,对该分块数据进行边界数据补充,得到补充分块数据;
将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,具体包括:
将确定出的所述指定空间维度下的各补充分块数据输入到所述预测模型中,以预测出所述混合物态在第二时刻下的物理场数据。
6.一种基于神经网络模型的物理场数据预测装置,其特征在于,包括:
获取模块,用于获取混合物态在第一时刻下的物理场数据;
划分模块,用于针对所述物理场数据所在数据空间中的每个空间维度,在该空间维度下对所述物理场数据进行划分,得到在该空间维度下的各分块数据,其中,针对所述物理场数据所在数据空间中的每个空间维度,确定以该空间维度的指定位置为切分点所切分出的分块切片;根据所述分块切片中包含的在其他空间维度的数据界限,确定所述分块切片对应的稀疏值;若确定所述分块切片对应的稀疏值小于预设阈值,则在所述指定位置的基础上,按照预设步长重新确定出切分点,并判断以重新确定出的切分点所切分出的分块切片对应的稀疏值是否小于预设阈值;若确定所述分块切片对应的稀疏值不小于所述预设阈值,则以所述切分点为分块起点进行探索,以确定出以所述分块起点探索出的分块数据,并根据探索出的分块数据的分块终点,确定探索下一分块数据的切分点,直至得到所有分块数据为止;
确定模块,用于针对所述物理场数据所在数据空间中的每个空间维度,确定按照该空间维度下的各分块数据进行物理场数据预测的收益值,作为该空间维度下对应的综合收益值;
选择模块,用于根据每个空间维度下对应的综合收益值,从各空间维度下的各分块数据中选择指定空间维度下的各分块数据;
预测模块,用于将所述指定空间维度下的各分块数据输入到预测模型中,以预测出所述混合物态在第二时刻下的物理场数据,所述第二时刻为所述第一时刻的下一时刻。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
8.一种电子设备,包括存储器、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程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072802.9A CN116776135B (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络模型的物理场数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072802.9A CN116776135B (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络模型的物理场数据预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776135A CN116776135A (zh) | 2023-09-19 |
CN116776135B true CN116776135B (zh) | 2023-12-19 |
Family
ID=87989902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311072802.9A Active CN116776135B (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络模型的物理场数据预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776135B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079479B (zh) * | 2023-10-17 | 2024-01-16 | 之江实验室 | 一种时空预测的后继强化学习的交通信号控制方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05266213A (ja) * | 1991-12-27 | 1993-10-15 | Toshiba Corp | 3次元空間データの高速表示方式 |
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
WO2019080660A1 (zh) * | 2017-10-24 | 2019-05-02 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、检测url的方法及装置 |
CN111400862A (zh) * | 2020-02-11 | 2020-07-10 | 山东天岳先进材料科技有限公司 | 一种预测晶体热场分布的方法、装置以及设备 |
CN113515855A (zh) * | 2021-06-23 | 2021-10-19 | 北京瑞莱智慧科技有限公司 | 渗流介质物理场模型的确定方法、装置、计算设备及介质 |
WO2021216747A1 (en) * | 2020-04-21 | 2021-10-28 | Massachusetts Institute Of Technology | Real-Time Photorealistic 3D Holography with Deep Neural Networks |
CN114547972A (zh) * | 2022-02-07 | 2022-05-27 | 北京三快在线科技有限公司 | 动力学模型构建方法、装置、存储介质及电子设备 |
CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及*** |
CN114862049A (zh) * | 2022-05-30 | 2022-08-05 | 天津大学 | 基于图卷积的多海洋物理场融合表示的预警方法及装置 |
WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
WO2022252574A1 (zh) * | 2021-05-31 | 2022-12-08 | 北京三快在线科技有限公司 | 一种故障检测的方法、装置、存储介质及电子设备 |
CN115879335A (zh) * | 2022-01-12 | 2023-03-31 | 西南交通大学 | 一种基于图生成神经网络的流体多物理场参数预测方法 |
CN116224872A (zh) * | 2023-03-08 | 2023-06-06 | 中南大学 | 针对多物理场耦合大规模工业***的知识引入预测控制方法、预测控制器、设备及介质 |
CN116362126A (zh) * | 2023-03-30 | 2023-06-30 | 中国长江电力股份有限公司 | 一种基于模型融合的三维物理场实时仿真方法 |
CN116451584A (zh) * | 2023-04-23 | 2023-07-18 | 广东云湃科技有限责任公司 | 一种基于神经网络的热应力预测方法及*** |
CN116499938A (zh) * | 2023-06-29 | 2023-07-28 | 天津市疾病预防控制中心 | 一种职业工作场所气溶胶悬浮物智能监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8898102B2 (en) * | 2012-05-25 | 2014-11-25 | Pgs Geophysical As | Adaptive computational grid for inverse problems |
-
2023
- 2023-08-24 CN CN202311072802.9A patent/CN116776135B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05266213A (ja) * | 1991-12-27 | 1993-10-15 | Toshiba Corp | 3次元空間データの高速表示方式 |
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
WO2019080660A1 (zh) * | 2017-10-24 | 2019-05-02 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、检测url的方法及装置 |
CN111400862A (zh) * | 2020-02-11 | 2020-07-10 | 山东天岳先进材料科技有限公司 | 一种预测晶体热场分布的方法、装置以及设备 |
WO2021216747A1 (en) * | 2020-04-21 | 2021-10-28 | Massachusetts Institute Of Technology | Real-Time Photorealistic 3D Holography with Deep Neural Networks |
WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
WO2022252574A1 (zh) * | 2021-05-31 | 2022-12-08 | 北京三快在线科技有限公司 | 一种故障检测的方法、装置、存储介质及电子设备 |
CN113515855A (zh) * | 2021-06-23 | 2021-10-19 | 北京瑞莱智慧科技有限公司 | 渗流介质物理场模型的确定方法、装置、计算设备及介质 |
CN115879335A (zh) * | 2022-01-12 | 2023-03-31 | 西南交通大学 | 一种基于图生成神经网络的流体多物理场参数预测方法 |
CN114547972A (zh) * | 2022-02-07 | 2022-05-27 | 北京三快在线科技有限公司 | 动力学模型构建方法、装置、存储介质及电子设备 |
CN114862049A (zh) * | 2022-05-30 | 2022-08-05 | 天津大学 | 基于图卷积的多海洋物理场融合表示的预警方法及装置 |
CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及*** |
CN116224872A (zh) * | 2023-03-08 | 2023-06-06 | 中南大学 | 针对多物理场耦合大规模工业***的知识引入预测控制方法、预测控制器、设备及介质 |
CN116362126A (zh) * | 2023-03-30 | 2023-06-30 | 中国长江电力股份有限公司 | 一种基于模型融合的三维物理场实时仿真方法 |
CN116451584A (zh) * | 2023-04-23 | 2023-07-18 | 广东云湃科技有限责任公司 | 一种基于神经网络的热应力预测方法及*** |
CN116499938A (zh) * | 2023-06-29 | 2023-07-28 | 天津市疾病预防控制中心 | 一种职业工作场所气溶胶悬浮物智能监测方法 |
Non-Patent Citations (4)
Title |
---|
地采暖木地板释热温度场的BP神经网络预测;周世玉;杜光月;褚鑫;刘晓平;周玉成;;林业科学(第11期);全文 * |
基于机器学习方法的数字岩芯电导率预测;郭晨;陈龙;;计算机技术与发展(07);全文 * |
舰船进出港物理场目标特性监测***;赵志杰;徐顺棋;贲可荣;朱锡;;中国舰船研究(第04期);全文 * |
面向稀疏卷积神经网络的GPU性能优化方法;董晓;刘雷;李晶;冯晓兵;;软件学报(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116776135A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116776135B (zh) | 一种基于神经网络模型的物理场数据预测方法及装置 | |
CN116663618B (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
CN116306856B (zh) | 一种基于搜索的深度学习模型部署方法及装置 | |
CN116740361B (zh) | 一种点云分割方法、装置、存储介质及电子设备 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN116502679B (zh) | 一种模型构建方法、装置、存储介质及电子设备 | |
CN117075918B (zh) | 一种模型部署方法、装置、存储介质及电子设备 | |
CN117370536B (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
CN116150563B (zh) | 一种业务执行方法、装置、存储介质及电子设备 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN115827918B (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
CN116149362A (zh) | 一种飞行器避障轨迹任意时间优化方法和*** | |
CN115880685A (zh) | 一种基于votenet模型的三维目标检测方法和*** | |
CN116777010B (zh) | 一种模型训练的方法以及任务执行方法及装置 | |
CN117171577B (zh) | 一种高性能算子选择的动态决策方法及装置 | |
CN117391150B (zh) | 一种基于分层池化图哈希的图数据检索模型训练方法 | |
CN116340469B (zh) | 一种同义词挖掘方法、装置、存储介质及电子设备 | |
CN118053153B (zh) | 一种点云数据的识别方法、装置、存储介质及电子设备 | |
CN116089434B (zh) | 一种数据存储方法、装置、存储介质及电子设备 | |
CN117094248A (zh) | 原位环境下航天流场大数据的自动化分析方法和装置 | |
CN117909746A (zh) | 一种用于空间探索的代理模型的在线数据选择方法 | |
CN117933707A (zh) | 一种风控模型解释方法、装置、存储介质及电子设备 | |
CN117011398A (zh) | 基于编码的时空图构建方法及装置 |
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 |