申请/专利权人:中山大学
申请日:2021-12-31
公开(公告)日:2024-03-22
公开(公告)号:CN114299377B
主分类号:G06V20/05
分类号:G06V20/05;G06T17/05;G06N3/08;G06N3/04;G06V10/82;G06V10/774
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2022.04.26#实质审查的生效;2022.04.08#公开
摘要:本发明公开了一种基于宽度学习的涡旋识别方法及装置,方法包括:获取目标区域的海表流场数据,并根据所述海表流场数据确定所述目标区域的海‑气界面的流场特征;对所述目标区域进行涡旋分布判断,确定所述目标区域的涡旋分布结果;通过二次曲面方程对所述涡旋分布结果进行拟合后,确定涡旋的三维结构类型;采用宽度学习方法对已识别出的涡旋的特征进行学习后,根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测,得到涡旋识别结果。本发明提高了预测的准确性,可广泛应用于数据处理技术领域。
主权项:1.一种基于宽度学习的涡旋识别方法,其特征在于,包括:获取目标区域的海表流场数据,并根据所述海表流场数据确定所述目标区域的海-气界面的流场特征;对所述目标区域进行涡旋分布判断,确定所述目标区域的涡旋分布结果;通过二次曲面方程对所述涡旋分布结果进行拟合后,确定涡旋的三维结构类型;采用宽度学习方法对已识别出的涡旋的特征进行学习后,根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测,得到涡旋识别结果;所述采用宽度学习方法对已识别出的涡旋的特征进行学习后,根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测,得到涡旋识别结果,包括:将涡旋中心流速、涡旋半径、涡旋曲面形态、红外遥感图像提取特征作为输入数据;将所述输入数据划分为训练集和验证集;对所述训练集进行特征映射,生成特征节点,并根据所述特征节点得到中间层训练矩阵;对所述特征节点进行非线性变换处理,生成增强节点,并根据所述增强节点得到中间层验证矩阵;将所述特征节点和所述增强节点进行拼接处理,得到隐藏层;根据所述隐藏层、所述中间层训练矩阵以及所述中间层验证矩阵,输出预测值;根据所述预测值确定所述涡旋识别结果;所述涡旋识别结果包括但不限于涡旋的移动半径、涡旋的寿命以及涡旋的移动路径。
全文数据:
权利要求:
百度查询: 中山大学 一种基于宽度学习的涡旋识别方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。