-
公开(公告)号：CN118070661A
公开(公告)日：2024-05-24
申请号：CN202410233642.X
申请日：2024-03-01
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F30/27 , G06N3/092 , G01W1/10 , G06F111/10
摘要： 本发明属于天气预报领域，公开了一种变分同化系统中自适应方差缩放方法，包括以下步骤：构建强化学习模型，强化学习模型包括Actor网络和Critic网络，Actor网络使用策略函数，根据t时刻的状态，输出每个动作的概率，根据概率选择合适的动作，与环境交互，得到下一个状态和奖励函数；Critic网络评估状态和动作对的价值，并向Actor网络反馈，以帮助Actor网络提高其性能，完成训练；输出最终的缩放因子。本申请在优化方差地同时记忆与数值模式结构相关的信息，从而得到与数值模式结构更一致的分析场，以此作为初始状态，有助于数值预报模式得到更可靠的预测结果。
-
公开(公告)号：CN112464567A
公开(公告)日：2021-03-09
申请号：CN202011420985.5
申请日：2020-12-08
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F30/27 , G06F119/12 , G06F119/14
摘要： 本发明公开一种基于变分同化框架的智能资料同化方法，S1用同化窗前半部分数据进行分析，用后半部分数据修正同化时间窗[t1,tn]中间的分析场，确定当前时刻的分析场的优化，S2使用第一个多层感知器替换同化的过程，根据历史和未来的数据分析并得到S3将之前的训练数据集与叠加，训练下一个多层感知器，得到相当于在一个数据同化周期内模拟预测模型进行短期预测；S4进行迭代训练，重复S2与S3的过程，在ct前的环节中，每一个环节都会生成一个新的来替换之前的形成新的训练数据集，直到ct前的被完全替换，后面的训练数据集中的背景信息只由提供。
-
公开(公告)号：CN111783361A
公开(公告)日：2020-10-16
申请号：CN202010646132.7
申请日：2020-07-07
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F30/27 , G06K9/62 , G06N3/04 , G06F111/10
摘要： 本发明公开了基于三重多层感知机的数值天气预报混合资料同化方法，包括以下步骤：建立基于三维变分资料同化方法的第一感知机模型，并对第一感知机模型进行训练；建立基于集合卡尔曼滤波器资料同化方法的第二感知机模型，并对第二感知机模型进行训练；建立混合同化的第三感知机模型；对第三感知机模型进行训练；使用训练好的第一感知机模型、第二感知机模型和第三感知机模型来计算获得分析场数据。本发明方法利用大气运动的物理规律和大气状态变量的时间特性，对传统的资料同化方法进行模拟、优化和混合，充分考虑了大气变量的流依赖，以此引入大气数据本身所包含的时间特征，使得本发明方法的同化性能较传统方法得到有效提升。
-
公开(公告)号：CN118839303A
公开(公告)日：2024-10-25
申请号：CN202411069489.8
申请日：2024-08-06
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F18/25 , G06N3/0464 , G06N3/08 , G01P5/00
摘要： 本发明涉及一种基于深度学习的云导风时空误差订正方法及系统，属于卫星遥感技术领域。其方法包括：获取云导风数据和再分析数据；构建云导风多通道数据集；训练时空误差订正网络；基于质量评价函数，利用所述云导风的时间与空间融合数据和所述再分析数据进行数据质量分析，并进行迭代训练；获取待处理的云导风数据，并利用训练好的时空误差订正网络进行特征分析，以得到相应的云导风的时间与空间融合数据。本发明利用与风场密切相关的气压与温度数据对风场进行物理约束，并且构建时空订正网络模型，使时间特征和空间特征进行共享并融合，确保单份云导风资料特征的完整性。
-
公开(公告)号：CN114819107B
公开(公告)日：2024-05-17
申请号：CN202210623934.5
申请日：2022-06-02
申请人： 中国人民解放军国防科技大学
IPC分类号： G06N3/045 , G06N3/0464 , G06N3/084 , G06F18/25
摘要： 本发明公开了基于深度学习的混合数据同化方法，包括建立基于BNN模型的预测模型，预测模型包括BNN模型和四阶龙格‑库塔积分法；BNN模型包括第一卷积层、双线性层和第二卷积层；第一卷积层的卷积核的数量为5，第二卷积层的卷积核的数量为1；通过预测模型获得4DVar部分中的切线线性伴随模型，采用ResNet来融合4DVar和EnKF，以减少人为选择经验系数带来的不确定性。本发明降低了开发切线性伴随模型的难度，扩大了深度学习的应用范围，利用ResNet模型来耦合4DVar和EnKF，提高了同化结果的准确性，节省了寻找最优系数的时间。
-
公开(公告)号：CN112464567B
公开(公告)日：2022-08-12
申请号：CN202011420985.5
申请日：2020-12-08
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F30/27 , G06F119/12 , G06F119/14
摘要： 本发明公开一种基于变分同化框架的智能资料同化方法，S1用同化窗前半部分数据进行分析，用后半部分数据修正同化时间窗[t1,tn]中间的分析场，确定当前时刻的分析场的优化，S2使用第一个多层感知器替换同化的过程，根据历史和未来的数据分析并得到S3将之前的训练数据集与叠加，训练下一个多层感知器，得到相当于在一个数据同化周期内模拟预测模型进行短期预测；S4进行迭代训练，重复S2与S3的过程，在ct前的环节中，每一个环节都会生成一个新的来替换之前的形成新的训练数据集，直到ct前的被完全替换，后面的训练数据集中的背景信息只由提供。
-
公开(公告)号：CN114819107A
公开(公告)日：2022-07-29
申请号：CN202210623934.5
申请日：2022-06-02
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了基于深度学习的混合数据同化方法，包括建立基于BNN模型的预测模型，预测模型包括BNN模型和四阶龙格‑库塔积分法；BNN模型包括第一卷积层、双线性层和第二卷积层；第一卷积层的卷积核的数量为5，第二卷积层的卷积核的数量为1；通过预测模型获得4DVar部分中的切线线性伴随模型，采用ResNet来融合4DVar和EnKF，以减少人为选择经验系数带来的不确定性。本发明降低了开发切线性伴随模型的难度，扩大了深度学习的应用范围，利用ResNet模型来耦合4DVar和EnKF，提高了同化结果的准确性，节省了寻找最优系数的时间。
-
公开(公告)号：CN111783361B
公开(公告)日：2021-03-12
申请号：CN202010646132.7
申请日：2020-07-07
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F30/27 , G06K9/62 , G06N3/04 , G06F111/10
摘要： 本发明公开了基于三重多层感知机的数值天气预报混合资料同化方法，包括以下步骤：建立基于三维变分资料同化方法的第一感知机模型，并对第一感知机模型进行训练；建立基于集合卡尔曼滤波器资料同化方法的第二感知机模型，并对第二感知机模型进行训练；建立混合同化的第三感知机模型；对第三感知机模型进行训练；使用训练好的第一感知机模型、第二感知机模型和第三感知机模型来计算获得分析场数据。本发明方法利用大气运动的物理规律和大气状态变量的时间特性，对传统的资料同化方法进行模拟、优化和混合，充分考虑了大气变量的流依赖，以此引入大气数据本身所包含的时间特征，使得本发明方法的同化性能较传统方法得到有效提升。
-
公开(公告)号：CN118378062A
公开(公告)日：2024-07-23
申请号：CN202410224603.3
申请日：2024-02-29
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F18/213 , G06N3/0464 , G06N3/08 , G01W1/10 , G01P5/00
摘要： 本发明公开了基于深度学习的云导风误差订正方法，包括以下步骤：收集云导风数据和再分析数据作为训练集；对训练集中的数据进行预处理；基于U‑Net网络和云导风数据自身特征构建云导风质控网络，并使用云导风质控网络对训练集数据进行训练，云导风质控网络包含下采样编码模块与上采样解码模块；基于质量评价函数，利用再分析数据作为参考数据分析云导风数据质量，并进行迭代训练；将实际采集的数据经过训练后的云导风质控网络中，再将云导风质控网络的输出数据经过同化后，输入四维变分同化系统中进行天气预报。本申请增加云导风资料的信息利用度，提高模型稳定性；使网络聚焦重要的时间帧，有效捕捉云导风资料不同时间尺度的特征。
-
公开(公告)号：CN112380781B
公开(公告)日：2022-10-18
申请号：CN202011373173.X
申请日：2020-11-30
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于再分析资料和不平衡学习的卫星观测补全方法，本方法中提出了R2S框架，用再分析资料中的相关变量模拟卫星观测，从而填补卫星观测的空缺，在R2S框架下，利用STM方法构建R‑S数据集，得到适用于热带气旋海面风速的卫星观测补全模型，R2S框架可显著提高卫星观测的空间覆盖率和时间分辨率；本发明还提出了SIMBA方法，通过不平衡学习来提高补全模型在高风速下的性能，并与常规机器学习结合，得到混合补全模型，混合模型在高风速补全方面优于常规机器学习模型，在中低风速补全方面优于不平衡学习模型，且混合模型的补全结果接近现场观测值，补全结果准确。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.034 秒)
