针对现有深度学习气象降尺度方法中网络结构单一、重建中间帧图像效果不佳等问题,提出了一种用于时空降尺度的混合专家算法(spatiotemporal downscaling using mixture of experts,STDMoE)。STDMoE首次引入混合专家网络对气象数据进行...
详细信息
针对现有深度学习气象降尺度方法中网络结构单一、重建中间帧图像效果不佳等问题,提出了一种用于时空降尺度的混合专家算法(spatiotemporal downscaling using mixture of experts,STDMoE)。STDMoE首次引入混合专家网络对气象数据进行时空降尺度处理。具体而言,算法用4个专家从给定低频帧中提取空间特征信息,用3个门控网络生成硬权重与低频帧特征相乘获得3个中间特征。相比其他时间降尺度方案,增加了特征的时空相关性,更有利于中间帧图像重建。在法国气象局提供的开放性雷达降水数据集上进行测试,发现STDMoE模型在各项性能指标上均优于主流的U-Net网络和传统插值方法,进一步利用LFC模块对模型优化得到了更佳的效果。
本文针对高温环境下传感器节点存在误报、漏报、工作状态异常等问题,提出了融合长短时记忆网络模型(long short term memory,LSTM)和改进A^(*)算法的火灾逃生路径规划研究方法。根据LSTM自适应学习火灾实时态势信息,建立异常节点数据预...
详细信息
本文针对高温环境下传感器节点存在误报、漏报、工作状态异常等问题,提出了融合长短时记忆网络模型(long short term memory,LSTM)和改进A^(*)算法的火灾逃生路径规划研究方法。根据LSTM自适应学习火灾实时态势信息,建立异常节点数据预测模型,实现异常节点的温度、一氧化碳浓度等威胁态势的预测;基于室内火灾实时态势信息,搭建火势威胁态势蔓延模型,利用改进的A^(*)算法动态规划逃生路径,获取异常情况下火灾最佳安全逃生路径。结果表明,该方法在不同火灾时期均能规划出最佳安全逃生路径,为人员的撤退争取宝贵的时间,具有实际应用价值。
暂无评论