Autores:  (1) Yuxin Meng;  (2) Feng Gao;  (3) Eric Rigall;  (4) Ran Dong;  (5) Junyu Dong;  (6) Qian Du.  Tabela de links   Resumo e introdução   Fundo   Método proposto   Resultados Experimentais e Análise   Conclusões e Trabalho Futuro   Referências  V. CONCLUSÕES E TRABALHOS FUTUROS  Neste artigo, apresentamos uma abordagem de previsão de TSM baseada na correção do conhecimento físico, que utiliza dados históricos observados para refinar e ajustar o componente físico nos dados do modelo numérico. Especificamente, uma rede prévia foi empregada para extrair conhecimento físico dos dados observados. Posteriormente, geramos SST aprimorado pela física aplicando a rede anterior pré-treinada sobre dados do modelo numérico. Por fim, os dados gerados foram utilizados para treinar a rede ConvLSTM para previsão de TSM. Além disso, os dados aprimorados baseados em conhecimento físico foram aproveitados para treinar a rede ConvLSTM, o que melhorou ainda mais o desempenho da previsão. O método proposto obteve o melhor desempenho em comparação com seis métodos do estado da arte. Embora a parte física dos dados do modelo numérico tenha sido corrigida pelo método proposto, o desempenho da previsão poderia ser melhorado se um modelo interpretável fosse empregado. No futuro, planejamos extrair conhecimento mais pertinente das redes profundas e, então, projetar modelos interpretáveis mais adequados para aplicações práticas.  Este artigo está   sob licença CC 4.0. disponível no arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Oceanography.Tech

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Rede Neural Profunda para Previsão da Temperatura da Superfície do Mar: Conclusões e Trabalhos Futuros

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Uma breve introdução à teoria do cérebro de Boltzmann

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Uma breve introdução à teoria do cérebro de Boltzmann

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps