-
公开(公告)号：CN114912707B
公开(公告)日：2023-06-30
申请号：CN202210619414.7
申请日：2022-06-01
摘要： 本发明属于空气质量监测及预测技术领域，具体涉及一种基于多模态融合的空气质量预测系统及预测方法。该方法利用无人机‑监测站形成的空地模型，把无人机拍摄到的监测区域的图片信息通过无线通信传输给地面的监测站，地面监测站通过基于多模态融合的空气质量预测模型，输入本地收集的时间序列以及传输得到的无人机拍摄图片以及外部因素，最后得到模型的输出即预测结果。该方法可以使同一地区空中与地面的信息充分融合得到更加精确的预测结果，不仅解决了地面检测站由于数据量不足产生的模型精度问题，还充分利用无人机形成了空‑地3D全方位监测，实现空气质量指数的三维细粒度监测与预测，更好的实现空气质量监测及预测。
-
公开(公告)号：CN115018085A
公开(公告)日：2022-09-06
申请号：CN202210566609.X
申请日：2022-05-23
摘要： 本发明涉及联邦学习参与设备选择技术领域，具体涉及一种基于互信息进行参与设备选择的方法。该方法基于深度学习中使用互信息进行无监督特征提取的算法，充分考虑参与设备数据异构性，通过计算本地模型和聚合模型的互信息筛选出能够有效增加全局模型性能的参与方，有效解决本地异构数据导致的全局模型性能下降问题，同时实现快速收敛并能有效降低训练开销的联邦学习；而且本发明在聚类后的类别簇中构建互信息分布的箱线图，通过将箱线图可能存在的异常点对应的参与设备认定为异常参与设备而移除，可以更大程度地实现数据样本均衡，提高模型聚合效率。
-
公开(公告)号：CN115018085B
公开(公告)日：2023-06-16
申请号：CN202210566609.X
申请日：2022-05-23
IPC分类号： H04L67/1001 , G06N3/098 , G06N3/088 , G06F18/2433 , G06F18/23213
摘要： 本发明涉及联邦学习参与设备选择技术领域，具体涉及一种基于互信息进行参与设备选择的方法。该方法基于深度学习中使用互信息进行无监督特征提取的算法，充分考虑参与设备数据异构性，通过计算本地模型和聚合模型的互信息筛选出能够有效增加全局模型性能的参与方，有效解决本地异构数据导致的全局模型性能下降问题，同时实现快速收敛并能有效降低训练开销的联邦学习；而且本发明在聚类后的类别簇中构建互信息分布的箱线图，通过将箱线图可能存在的异常点对应的参与设备认定为异常参与设备而移除，可以更大程度地实现数据样本均衡，提高模型聚合效率。
-
公开(公告)号：CN114912707A
公开(公告)日：2022-08-16
申请号：CN202210619414.7
申请日：2022-06-01
摘要： 本发明属于空气质量监测及预测技术领域，具体涉及一种基于多模态融合的空气质量预测系统及预测方法。该方法利用无人机‑监测站形成的空地模型，把无人机拍摄到的监测区域的图片信息通过无线通信传输给地面的监测站，地面监测站通过基于多模态融合的空气质量预测模型，输入本地收集的时间序列以及传输得到的无人机拍摄图片以及外部因素，最后得到模型的输出即预测结果。该方法可以使同一地区空中与地面的信息充分融合得到更加精确的预测结果，不仅解决了地面检测站由于数据量不足产生的模型精度问题，还充分利用无人机形成了空‑地3D全方位监测，实现空气质量指数的三维细粒度监测与预测，更好的实现空气质量监测及预测。
-
-
-
搜索结果
4 条记录 (耗时 0.033 秒)
