基于深度学习的虚拟大气环境数据生成方法
发布时间：2021-08-27 09:39
随着武器装备试验环境的多样化与虚拟化,为提高对武器装备进行虚拟试验的真实性和准确度,在虚拟试验中添加虚拟大气环境是必要的。如何生成虚拟大气环境数据成为了一个关键研究课题。虚拟大气环境数据生成本质是一个时间序列问题,近年来,深度学习在处理大量时序数据方面有着优越的表现。本文利用深度学习生成虚拟大气环境数据,所做具体研究如下。首先,为了得到深度学习技术所用的训练数据集、测试数据集,以及提高网络模型准确度等,对大气环境数据预处理方法进行研究。研究处理大气环境数据中的离群值和缺失值的方法,确保深度学习模型生成的结果不会因为这两者的影响出现偏差。研究大气环境数据标准化方法,以加快网络训练速度。最后研究大气环境数据时间滑窗处理方法,对德国耶拿数据集进行处理得到深度学习模型所需的训练集,验证集和测试集。其次,为了快速准确地生成大气环境数据,基于大气环境中多种参数具有物理相关性的特点,不同于大多数传统的单参数方法,本文提出合并的长短时记忆网络（M-LSTM）模型。利用具有较强相关性的多个大气参数生成特定的大气参数,提高准确度。文中以温度为例,利用数据相关性分析方法分析大气环境中其他参数与温度之间的关系...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
耶拿数据集中温度数据处理异常值前后对比图
哈尔滨工业大学工学硕士学位论文-10-（b）补充缺失值后图2-3耶拿数据集补充缺失值前后对比图。2.1.3数据标准化数据标准化是一种用于规范自变量或数据特征范围的方法，原始输入的标准化过程对准备适合训练的数据有很大的影响。它可用于为每个输入特征在相同的值范围内缩放数据，以最大程度地减少神经网络中一个特征与另一个特征之间的偏差。数据标准化还可以通过针对相同规模内的每个功能启动训练过程来加快训练时间，如果没有数据标准化过程，训练神经网络将非常缓慢。对于输入通常具有很大不同比例的建模应用程序，数据标准化作用明显。数据标准化的优点主要有两个，一是对所有特征的范围进行处理，使每个特征对最终结果的贡献近似成比例，二是可以提高神经网络收敛速度。不同的技术可以使用不同的规则，例如最大规则，最小规则，总和规则，乘积规则等[33]。目前，常用的数据标准化方法主要有如下几种。（1）z-score标准化此技术使用一组训练数据中每个特征的均值和标准差来归一化每个输入特征向量。如公式（2-4）所示。"xx（2-4）经过z-score标准化处理后的数据，其中每个特征的均值都为0，并且具有单位方差。将标准化技术应用于数据集中的所有特征向量，利用标准化后的数据创建新的训练集，然后开始网络训练。一旦在一组训练数据上为每个特征计算了均值和标准差，则必须保留它们并将其用作最终系统设计中的权重。它是神经网络结构中的预处理层，否则，神经网络的性能将发生显着变化，因为它是在与非规范化数据不同的数据表示形式上训练的。这种统计规范的优势在
哈尔滨工业大学工学硕士学位论文-12-（a）z-score标准化前（b）z-score标准化后图2-4耶拿数据集中温度数据z-score标准化前后对比图2.1.4数据时间滑窗处理为了构建训练集，验证集和测试集，本文对原始的耶拿数据集进行时间滑窗处理。时间序列预测问题的本质是利用过去的数据来生成未来一段时间的目标参数数据，需要构造过去特征和未来特征，未来特征作为数据的目标值[34]。构造训练集的过程如下。首先，对耶拿数据集而言，利用大小可调的时间窗口对过去2009年到2016年的数据进行截龋以2010年1月到12月耶拿市的大气环境数据为例，可以截取3组数据（见图2-5的深蓝、浅蓝部分）：2010年1月到10月的数据为第一组，2010年2月到11月的数据为第二组，2010年3月到12月的数据为第三组。将每一组数据划分为历史窗口和未来窗口两部分，如图2-5中深蓝色
【参考文献】：
期刊论文
[1]基于中尺度数值大气模式的海雾特征参数研究[J]. 龙胤宇,陈慧敏,王凤杰,陆长平. 兵工学报. 2020(03)
[2]基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值[J]. 黄建风,陆文聪. 系统工程理论与实践. 2016(05)
[3]100km附近大气密度模型的误差带和置信度[J]. 万田,刘洪伟,樊菁. 中国科学:物理学 力学 天文学. 2015(12)
[4]数据挖掘技术在精细化温度预报中的应用[J]. 段文广,周晓军,石永炜. 干旱气象. 2012(01)
[5]改进时间序列模型在降雨量预测中的应用研究[J]. 白玉洁. 计算机仿真. 2011(10)
[6]复杂虚拟试验运行支撑软件的性能测试研究[J]. 王蒙,杜承烈,尤涛,张大鹏. 计算机测量与控制. 2010(03)
[7]WRF和MM5模式对辽宁暴雨模拟的对比分析[J]. 刘宁微,王奉安. 气象科技. 2006(04)
[8]基于MM5的沿海风资源数值模拟方法研究[J]. 李晓燕,余志. 太阳能学报. 2005(03)
[9]我国地区20—80km高空大气温度特征[J]. 马瑞平,徐寄遥,廖怀哲. 空间科学学报. 2001(03)
[10]MSISE90大气密度模型及其在GPS无线电掩星中的应用[J]. 蒋虎,黄珹. 云南天文台台刊. 2001(02)
硕士论文
[1]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
[2]试验训练体系结构大气环境资源开发[D]. 闫芳.哈尔滨工业大学 2012
本文编号：3366111
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
耶拿数据集中温度数据处理异常值前后对比图
哈尔滨工业大学工学硕士学位论文-10-（b）补充缺失值后图2-3耶拿数据集补充缺失值前后对比图。2.1.3数据标准化数据标准化是一种用于规范自变量或数据特征范围的方法，原始输入的标准化过程对准备适合训练的数据有很大的影响。它可用于为每个输入特征在相同的值范围内缩放数据，以最大程度地减少神经网络中一个特征与另一个特征之间的偏差。数据标准化还可以通过针对相同规模内的每个功能启动训练过程来加快训练时间，如果没有数据标准化过程，训练神经网络将非常缓慢。对于输入通常具有很大不同比例的建模应用程序，数据标准化作用明显。数据标准化的优点主要有两个，一是对所有特征的范围进行处理，使每个特征对最终结果的贡献近似成比例，二是可以提高神经网络收敛速度。不同的技术可以使用不同的规则，例如最大规则，最小规则，总和规则，乘积规则等[33]。目前，常用的数据标准化方法主要有如下几种。（1）z-score标准化此技术使用一组训练数据中每个特征的均值和标准差来归一化每个输入特征向量。如公式（2-4）所示。"xx（2-4）经过z-score标准化处理后的数据，其中每个特征的均值都为0，并且具有单位方差。将标准化技术应用于数据集中的所有特征向量，利用标准化后的数据创建新的训练集，然后开始网络训练。一旦在一组训练数据上为每个特征计算了均值和标准差，则必须保留它们并将其用作最终系统设计中的权重。它是神经网络结构中的预处理层，否则，神经网络的性能将发生显着变化，因为它是在与非规范化数据不同的数据表示形式上训练的。这种统计规范的优势在
哈尔滨工业大学工学硕士学位论文-12-（a）z-score标准化前（b）z-score标准化后图2-4耶拿数据集中温度数据z-score标准化前后对比图2.1.4数据时间滑窗处理为了构建训练集，验证集和测试集，本文对原始的耶拿数据集进行时间滑窗处理。时间序列预测问题的本质是利用过去的数据来生成未来一段时间的目标参数数据，需要构造过去特征和未来特征，未来特征作为数据的目标值[34]。构造训练集的过程如下。首先，对耶拿数据集而言，利用大小可调的时间窗口对过去2009年到2016年的数据进行截龋以2010年1月到12月耶拿市的大气环境数据为例，可以截取3组数据（见图2-5的深蓝、浅蓝部分）：2010年1月到10月的数据为第一组，2010年2月到11月的数据为第二组，2010年3月到12月的数据为第三组。将每一组数据划分为历史窗口和未来窗口两部分，如图2-5中深蓝色
【参考文献】：
期刊论文
[1]基于中尺度数值大气模式的海雾特征参数研究[J]. 龙胤宇,陈慧敏,王凤杰,陆长平. 兵工学报. 2020(03)
[2]基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值[J]. 黄建风,陆文聪. 系统工程理论与实践. 2016(05)
[3]100km附近大气密度模型的误差带和置信度[J]. 万田,刘洪伟,樊菁. 中国科学:物理学 力学 天文学. 2015(12)
[4]数据挖掘技术在精细化温度预报中的应用[J]. 段文广,周晓军,石永炜. 干旱气象. 2012(01)
[5]改进时间序列模型在降雨量预测中的应用研究[J]. 白玉洁. 计算机仿真. 2011(10)
[6]复杂虚拟试验运行支撑软件的性能测试研究[J]. 王蒙,杜承烈,尤涛,张大鹏. 计算机测量与控制. 2010(03)
[7]WRF和MM5模式对辽宁暴雨模拟的对比分析[J]. 刘宁微,王奉安. 气象科技. 2006(04)
[8]基于MM5的沿海风资源数值模拟方法研究[J]. 李晓燕,余志. 太阳能学报. 2005(03)
[9]我国地区20—80km高空大气温度特征[J]. 马瑞平,徐寄遥,廖怀哲. 空间科学学报. 2001(03)
[10]MSISE90大气密度模型及其在GPS无线电掩星中的应用[J]. 蒋虎,黄珹. 云南天文台台刊. 2001(02)
硕士论文
[1]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
[2]试验训练体系结构大气环境资源开发[D]. 闫芳.哈尔滨工业大学 2012
本文编号：3366111
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3366111.html
