基于混合深度学习模型的洪水过程概率预报研究

传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明:该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险信息,同时为研究深度学习在洪水概率预报中的应用提供参考。

笔记在口译中的作用

口译的现场性非常强 ,译员单凭自身大脑的记忆往往不能顺利地完成口译任务 ,必须借助笔记的帮助。本文从人脑记忆的实质出发 ,分析了记笔记的过程 ,并用具体的事例告诉读者如何在俄汉。

基于工作记忆的雷达管制界面信息编码设计研究

针对空管自动化系统界面设计中存在的信息编码差异性问题,开发了一个雷达管制界面信息仿真平台;利用该平台研究雷达管制系统界面飞机标牌信息的排列结构、信息色和管制界面背景色对管制员工作记忆的影响,为管制界面设计提供依据。实验以任务得分作为绩效评价指标,利用方差分析法对数据进行处理。结果发现:背景色对管制员记忆影响显著,灰色背景优于黑色背景。灰色背景下飞机标牌信息色记忆效率排序为:白色>黄色>绿色>蓝色>红色;黑色背景下信息色记忆效率排序为:白色>红色>蓝色>绿色>黄色。在雷达管制系统中,推荐方式2作为飞机标牌信息的显示结构。