La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Air Quality Index Forecasting via Deep Dictionary Learning Prévision de l'indice de qualité de l'air via l'apprentissage approfondi de dictionnaires

Bin CHEN

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'indice de qualité de l'air (IQA) est un indice non dimensionnel pour la description de la qualité de l'air et est largement utilisé dans les programmes de gestion de la qualité de l'air. Une nouvelle méthode de prévision de l'indice de qualité de l'air basée sur l'apprentissage profond par dictionnaire (AQIF-DDL) et la vision industrielle est proposée dans cet article. Une image du ciel est utilisée comme entrée de la méthode et la sortie est la valeur AQI prévue. L'apprentissage approfondi par dictionnaire est utilisé pour extraire automatiquement les caractéristiques de l'image du ciel et réaliser la prévision AQI. L'idée d'apprendre des niveaux de dictionnaire plus profonds issus de l'apprentissage profond est également incluse pour augmenter la précision et la stabilité des prévisions. L'AQIF-DDL proposé est comparé à d'autres méthodes basées sur l'apprentissage profond, telles que le réseau de croyance profonde, l'auto-encodeur empilé et le réseau neuronal convolutif. Les résultats expérimentaux indiquent que la méthode proposée conduit à de bonnes performances en matière de prévision de l'AQI.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.5 pp.1118-1125
Date de publication
2020/05/01
Publicisé
2020/02/20
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDP7296
Type de manuscrit
PAPER
Catégories
Reconnaissance d'images, vision par ordinateur

Auteurs

Bin CHEN
  Jiaxing University

Mots-clés

Table des matières