首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  完全免费   5篇
  海洋学   5篇
  2022年   1篇
  2021年   1篇
  2020年   1篇
  2019年   2篇
排序方式: 共有5条查询结果,搜索用时 29 毫秒
1
1.
海洋事件离不开各要素环境数据的共同作用,获取要素之间的关联关系从而进行海洋事件的预报预测,是一个亟待解决的问题。为此,本文提出一种多视图协同的关联关系分析方法来度量海洋各要素数据间的关联关系。首先,在传统平行坐标技术的基础上增加刷技术、轴排序等功能对海洋多要素数据进行初步探索,同时引入散点矩阵图展示各要素的分布;其次,以平行坐标中数据线间的角度、面积以及散点图中要素分布的距离为差异度量方式,对计算得到的差异构建相似性矩阵;再次,采用多维标度法得到原始多要素数据在低维空间中的表达;最后,使用K-means算法对降维后的低维度数据进行聚类分析。本文提出的方法从视觉角度对数据进行分析和特征挖掘,并得到高维数据在低维空间上的可视化展示,实现了有效量化海洋数据不同要素间的相关关系。  相似文献
2.
海表面温度预报在海洋相关领域具有重要的实用价值,随着遥感信息采集技术的不断发展和完善,区域内海表面温度数据采集的完整性得到了保障。现今大多数方法在预报海表面温度时,只考虑了海表面温度的时间相关性,并未利用其空间相关性,使得预报精度受到限制。针对该问题,本文将区域内每天的海表面温度数据作为一个矩阵输入模型,便于时间和空间信息的提取,并提出了CA-ConvLSTM模型来预报海表面温度。该模型首先利用卷积层对海表面温度矩阵进行局部特征提取,然后通过注意力模型为矩阵序列分配权重,将权重与矩阵序列对应相乘得到加权特征序列,最后,利用ConvLSTM进行预报,获得未来一天或五天内的海表面温度。通过实验确定模型的结构、输入尺寸和k值,再将CA-ConvLSTM与SVR、LSTM和ConvLSTM进行对比。实验结果表明:CA-ConvLSTM的均方根误差(Root Mean Square Error,RMSE)和预报精度(Prediction Accuracy,PACC)指标均要优于其他三种预报方法,验证了本文方法的有效性。  相似文献
3.
台风轨迹的准确预测对于减少台风灾害及风险评估意义重大。本文提出了一种基于双注意力机制的台风轨迹预测模型(Dual-Attention-Encoder-Decoder),首先根据台风轨迹数据计算台风轨迹的变化曲率,将台风曲率序列与台风轨迹序列一同作为预测模型的特征输入,充分考虑了台风轨迹中隐藏的转向、偏折信息;然后构建双注意力机制增强的编码器-解码器网络(Encoder-Decoder)作为预测模型,利用特征注意力机制和时间注意力机制分别对模型输入和隐藏状态进行权重分配,能够学习输入特征和预测目标之间的关系,并且有效解决编码器-解码器结构对过长序列预测的性能下降问题,编码器和解码器均采用LSTM网络,能够存储长时间依赖并且收敛性好,不易发生梯度消失或爆炸;最后,本文使用1949—2017年中国气象局提供的西北太平洋台风最佳路径数据集,将DA-Encoder-Decoder模型与BP、SVR、LSTM、ELM等模型进行对比,分别对24 h、48 h、72 h台风轨迹进行预测。结果表明:DA-Encoder-Decoder模型的均方根误差和实际误差距离指标均优于其他四种预测方法,验证了本文方法的有效性。  相似文献
4.
面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。  相似文献
5.
海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达0....  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号