受环境变化影响,暴雨规律显著变异,突发水事件增加,导致洪水过程非平稳性加剧,人类活动改变了天然汇流规律,洪水预报面临新的挑战,研究有效的洪水预报水文模型有助于应对可能发生的灾害。目前,基于传统物理方法(机理模型)的水文模型和数据驱动模型是研究洪水发生、预判洪水演变的两种主流方法。机理模型往往难以满足个性化或复杂繁多的场景要求,对洪水径流系统机制的理解不够完整,科研人员需要其利用深厚的专业知识来确定参数的初始表达,常常面临效率低下和优化水平不高的问题。数据驱动模型训练严重依赖于数据集,训练过程缺乏物理规律引导,容易出现不符合科学常识的输出,违反物理一致性原则,模型的可解释性较差。此外,训练数据和测试数据分布的偏差,会带来模型的泛化问题。理论引导数据科学(Theory-guided data science, TGDS)方法旨在利用领域的科学知识,提高数据驱动模型的有效性。因此,在本文的研究中,结合TGDS技术,为数据驱动模型引入洪水预报领域的物理知识,来指导模型更准确地拟合洪水过程,融合机理模型与数据驱动模型两种建模的优越性能,弥补相应的不足,增强模型的通用性、可解释性及其物理一致性。具体来说,首先,对现有的机理模型与数据驱动模型的实现与融合方式进行了概念与特点分析。其次,本文对TGDS技术在不同领域的研究现状提出了新的分类方式,并进行总结。最后,对知识引导数据驱动方法在水文模型构建的未来工作进行了展望。
针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.
暂无评论