“向南彬”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于多特征融合的太阳耀斑预报方法-CN202310746849.2在审
发明人：邓林华;徐永华;向南彬;蔡云芳;向永源 -专利权人：中国科学院云南天文台
申请日： 2023-06-25 - 公布日： 2023-10-27 - 主分类号： G06F18/25 文献下载
摘要：本发明公开了一种基于多特征融合的太阳耀斑预报方法，包括以下步骤：S1：获取一定时间内的太阳观测数据，并从中提取预报因子和耀斑爆发数据，不同预报因子采用a、b、c……标示，不同耀斑爆发数据采用α、β、γ……标示；S2：采用不同预报因子和耀斑爆发数据构建数据集，且每个预报因子均需要与每个耀斑爆发数据进行对应构建，不同数据集采用(a，α)、(a，β)、(a，γ)……标示，再将每个数据集分为训练集和测试集。本发明通过将多种预测因子与计算模型对太阳耀斑的发生进行预测，并通过结果模型对计算模型所得出的结果集进行总结修正，从而能够得出置信度更高的结果，有效地提高了模型对太阳耀斑预报的准确性。
一种基于特征融合太阳耀斑预报方法

[发明专利]一种基于长短期记忆网络的日冕指数预报方法-CN202310746850.5在审
发明人：邓林华;向南彬;徐永华;向永源;蔡云芳 -专利权人：中国科学院云南天文台
申请日： 2023-06-25 - 公布日： 2023-10-17 - 主分类号： G01W1/10 文献下载
摘要：本发明公开了一种基于长短期记忆网络的日冕指数预报方法，预报方法包括以下步骤：S1、开启日冕指数预报系统，通过系统观测设备对日冕进行观测，根据观测设备实时采集获取图像数据；S2、预设日冕指数预报范围，获取采集图像，通过记忆模型进行对比并判断是否有日冕事件发生，并根据日冕指数预报范围进行分类预报，若有日冕物质抛射事件发生则执行S3；若无日冕物质抛射事件发生，则执行S5；所述记忆模型通过长短期记忆网络进行随时更新；本发明采用基于长短期记忆网络预测模型智能化对日冕指数观测方法能够自动判别日冕图像指数，且自动调节采集参数，获取的数据速度快，提高了准确率。
一种基于短期记忆网络日冕指数预报方法

[发明专利]一种太阳爆发时空关联监测数据采集与可视化呈现方法-CN202310386437.2在审
发明人：邓林华;向永源;向南彬;蔡云芳;陈泽华;张志刚 -专利权人：中国科学院云南天文台
申请日： 2023-04-12 - 公布日： 2023-09-19 - 主分类号： G06F16/26 文献下载
摘要：本发明公开了一种太阳爆发时空关联监测数据采集与可视化呈现方法，该方法包括基于时空关联监测数据采集算法和基于时空关联的可视化呈现算法；基于时空关联监测数据采集算法为时间域采样频率调整算法，并以考虑空间相关性为基础；基于时空关联的可视化呈现算法包括考虑过去监测数据的时空自回归滑动平均模型和预测未来趋势的时空自回归模型，本发明一种太阳爆发时空关联监测数据采集与可视化呈现方法，充分利用了图形图像的形象表达能力，响应了人对色彩和形状的敏锐感知力，使用户更方便有效地观察和分析，这样增强用户对关联规则结果的理解和应用，且对每个模型的参数进行了检验，使得模型的预测趋势更加的精确。
一种太阳爆发时空关联监测数据采集可视化呈现方法

[发明专利]一种基于时空关联信息挖掘的太阳黑子数预测方法-CN202310425151.0在审
发明人：邓林华;向南彬;向永源;蔡云芳;陈泽华;张志刚 -专利权人：中国科学院云南天文台
申请日： 2023-04-20 - 公布日： 2023-07-25 - 主分类号： G06F30/20 文献下载
摘要：本发明公开了一种基于时空关联信息挖掘的太阳黑子数预测方法，包括以下步骤：S1、样本获取：从天文观察站获取太阳近30天的原始相关数据，包括太阳图像数据、太阳耀斑的发生数据、太阳黑子数据、太阳质子事件的预报结果以及太阳风预测结果；S2、数据处理：对获取的样本数据进行处理，将处理后的数据进行整合，挖掘每个时空条件下，相关联的太阳状态信息，形成多条相关的数据包，并按时间顺序对每个数据包进行排序；该太阳黑子数预测方法基于时空关联信息的挖掘，建立太阳黑子数的预测模型，可将时空信息关联并同步到预测分析中，可实现对太阳黑子的规模特征以及变化规律的准确预测，预测的信息面广，大大提高了对太阳黑子预测的时效性和准确度。
一种基于时空关联信息挖掘太阳黑子预测方法

[发明专利]一种基于多任务机器学习的太阳黑子面积预测方法-CN202310425150.6在审
发明人：邓林华;蔡云芳;向南彬;向永源;陈泽华;张志刚 -专利权人：中国科学院云南天文台
申请日： 2023-04-20 - 公布日： 2023-07-18 - 主分类号： G06T7/62 文献下载
摘要：本发明公开了一种基于多任务机器学习的太阳黑子面积预测方法，包括以下步骤：S1、获取预测样本：获取太阳黑子图像数据；S2、建立预测模型：对太阳黑子图像数据进行处理，处理后的数据输入预测模型，对模型进行多任务机器学习训练，训练完成后，预测每一个太阳黑子面积的预测值；所述S2中的多任务机器学习训练为；本发明采用多任务机器学习的方法对太阳黑子出现面积进行预测，通过多任务学习模型对不同的太阳黑子图像进行分析，从而得到不同特征，然后通过共享特征提取用于多个任务执行的任务特征，并采用不同的子任务执行不同的任务，通过多任务机器学习模型即可以实现多个太阳黑子图像预测任务的执行过程，提高了太阳黑子面积预测的效率。
一种基于任务机器学习太阳黑子面积预测方法