摘要
本发明公开了一种面向时空耦合的联邦学习预测短波最高可用频率方法,包括步骤A,数据预处理,获取的数据步骤;步骤B,实测数据序列分解,将MUF进行时间序列分解,得到趋势分量并用于后续步骤;步骤C,利用MINE方法来观测联邦学习中模型之间的互信息变化;步骤D,联邦学习本地模型之间的空间关系分析;步骤E,选择个性化的融合策略完成联邦学习中的MUF预测任务。本发明评估各站点MUF的相似性,利用MUF中的趋势项作为联邦学习训练数据,评估所有站点的本地模型之间的互信息,确定数据中潜在的与地磁纬度信息一致的空间相关性。本发明提出了基于互信息的个性化联邦学习框架,模型完备,物理意义清晰,有效提高了短波最高可用频率时空推理的准确性。
技术关键词
空间关系分析
融合策略
构建深度神经网络
训练深度神经网络
站点
频率
联邦学习方法
昼夜
LSTM模型
序列
神经网络模型
数据分布
超参数
训练集
地磁
样本
代表
定义
系统为您推荐了相关专利信息
早产儿视网膜病变
深度神经网络模型
自动分区方法
视盘
多任务
平整度测量方法
矩阵
DBSCAN算法
Delaunay三角剖分
综合评价指标
图像分割方法
双编码器
图像分割网络
融合特征
注意力机制
多源特征融合
葡萄
多头注意力机制
分割方法
多尺度语义特征
智能水质监测
预警系统
预警模型
数据共享机制
水站