排序方式： 共有9条查询结果，搜索用时 15 毫秒
1
1.
海水溶解氧评价的正确性对于维护海洋生态系统的稳定性具有重要意义。海水溶解氧数据属于非线性时间序列，可视图方法（时间序列转化为图）是分析这类数据较有效的方法，但仍存在未同时考虑数据的时间演变特性以及变量间相互影响的问题。针对现存问题，本研究提出基于图相似性匹配的海水溶解氧辅助评价方法。首先，同时考虑海温、盐度对海水溶解氧的影响以及数据的不可逆性，提出溶氧温盐 转移概率(dissolved oxygen temperature salinity-transition probability，DOTS-TP)有向可视图方法，实现了多变量时间序列到单变量溶解氧图的转化；然后，在将墨西哥湾溶解氧图作为评价参照的基础上，综合利用图的多层次信息，提出子图节点全局(subtree node global， SNG)图相似性匹配方法，通过计算SNG评价指数实现对海水溶解氧的辅助评价。实验结果表明DOTS-TP有向可视图方法能更准确地表达海水溶解氧信息，SNG图相似性匹配方法适用于所有海水溶解氧数据，并能得出正确的辅助评价结果。 相似文献
2.
3.
对海洋数据进行挖掘能够有效地预测海洋灾害事件。海洋监测数据具有时序长、间隔短、多要素间强关联的特点，对长时间序列进行直接分析挖掘速度慢、效率低，现有方法大多采用符号化时间序列方法，但可能导致部分信息丢失且破坏
要素间的关联性。本文定义了时间序列 motif，用于发现时间序列中重复出现的，先前未知的局部信息，解决了符号化导致的信息丢失的问题，实现了时间序列 motif 的精确快速提取。通过构建 motif 规则树，实现了海洋多要素时间序列间强关联规则的挖掘。最后，给出关联规则评价参数，同随机游走数据对比后，证明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
6.
7.
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
8.
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
9.
针对遥感影像数据大面积覆盖的特性,利用数学形态学提出了一种多目标海岛水边线的同步提取模型,模型包括:利用K-means算法的海岛区域粗分割;基于灰度膨胀算法的海岛初始轮廓曲线确立;利用水平集算法的海岛水边线优化。以福州海域的多目标海岛水边线提取为例,将本文模型与K-means模型、二值化高斯滤波水平集模型(SBGFRLS)和基于改进水平集的海岛边界快速分割模型(ILSM-IBRS)进行了比较。结果表明,本文模型弥补了K-means模型的过分割现象,其计算耗时较SBGFRLS和ILSM-IBRS模型分别节省了96.16%和86.96%;其迭代次数分别减少了97.07%和90.59%。由此可见,本文模型解决了现有提取模型效率低、过分割等现象,实现了多目标海岛水边线的同步提取,为海岛普查等提供了一种快速提取方法。 相似文献
1