基于深度学习的复杂建筑物环境下核素扩散浓度预测方法

基于深度学习的复杂建筑物环境下核素扩散浓度预测方法，包括1：构建放射性核素扩散浓度预测系统；2：数据采集模块采集源项数据和气象数据；3：预处理模块对源项数据和气象数据进行预处理，得到源项时间序列数据和气象时间序列数据；4：并行CNN-LSTM网络中的CNN网络模块分别对源项时间序列数据和气象时间序列数据进行局部特征提取，得到源项局部特征数据和气象局部特征数据；5：LSTM网络模块分别对源项局部特征数据和气象局部特征数据进行时序建模，然后输出源项时序数据和气象时序数据；6：拼接层将源项时序数据和气象时序数据拼接形成二维向量；7：全连接模块根据二维向量输出预测值。效果：实现了对复杂建筑环境下放射性...

Full description

Saved in:
Bibliographic Details
Format Patent
LanguageChinese
Published 05.09.2025
Subjects
CALCULATING
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
COMPUTING
COUNTING
ELECTRIC DIGITAL DATA PROCESSING
PHYSICS
Online AccessGet full text

Cover

More Information
Summary:基于深度学习的复杂建筑物环境下核素扩散浓度预测方法，包括1：构建放射性核素扩散浓度预测系统；2：数据采集模块采集源项数据和气象数据；3：预处理模块对源项数据和气象数据进行预处理，得到源项时间序列数据和气象时间序列数据；4：并行CNN-LSTM网络中的CNN网络模块分别对源项时间序列数据和气象时间序列数据进行局部特征提取，得到源项局部特征数据和气象局部特征数据；5：LSTM网络模块分别对源项局部特征数据和气象局部特征数据进行时序建模，然后输出源项时序数据和气象时序数据；6：拼接层将源项时序数据和气象时序数据拼接形成二维向量；7：全连接模块根据二维向量输出预测值。效果：实现了对复杂建筑环境下放射性核素扩散浓度的精准预测。
Bibliography:Application Number: CN202510735153