基于深度学习的大雾短临预报研究
发布时间：2020-12-31 14:54
雾是影响能见度的一种重要天气现象,与人类生活息息相关,雾的准确预报对于人们生活和生产都具有极其重要的作用。传统的统计预报方法由于气象因子的挑选过程繁杂,且手工设计的特征比较单一,使得模型在复杂的背景下不具有很好的泛化能力,进而影响了大雾预报的准确性。近些年,深度学习技术快速发展,深度神经网络模型的强大的特征表达能力使得数据中的相关特征能够被自动提取与学习,模型的学习性能被大大增加,使得其分类和预测效果也有了明显的提高。在本文中,我们将利用深度学习来进行雾的短临预报研究,这也是深度学习在大雾预报研究方面的首次尝试。现将本文研究内容总结如下:（1）利用卷积神经网络（Convolutional Neural Network,CNN）构建大雾短临预测模型,通过对气象要素时间序列的分类来实现对未来1-4小时的雾短临预报。首先,对于原始气象要素数据进行标准化处理,去除数据中缺省值和异常值以构造不同长度的时间序列数据。为解决大雾的样本不均衡问题,本文采用随机欠采样方法构建平衡样本数据集。在该数据集上通过对网络进行优化,构建了卷积神经网络短临预测模型的最优网络结构,并通过实验验证构建的网络模型的有效性...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－１深度学习神经网络模型??Ｆｉｇ?２－１?Ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??深度学习的概念源于人工神经网络，两者存在许多相似之处，也有很多不??
等领域取得了显著的成就。??卷积祌经网络是一种层次模型。一个典型的卷积神经网络有输入层，卷积??层，池化层，全连接层和输出层构成，以图２－２中的ＬｅＮｅｔ为例ｌ３Ｑ］。??Ｃ３?ｆ?ｍａｐｓ?１６＠?１０ｘ１０??ＩＮＰＵＴ?ｍｒｅｍ３ｐＳ?ＳＡｉｗｍｉ??３２ｘ３２?ｒ＿＿?Ｓｉ４＂ｐｓ?ｔｕｔ??Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｉｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２－２?ＬｅＮｅｔ网络结构??Ｆｉｇ?２－２?Ｔｈｅ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ??卷积神经网络的运算包括前馈运算和反馈运算两个基木过程，以下是两个??过程的具体实现过程：??卷积神经网络的第一层和第二层一般是卷积层和池化层用来作为特征??提取器。卷积层有多个卷积核，不同的卷积核用来提取不同的特征，每个卷积??核经过卷积运算，都会生成一张特征图。然后卷积层的输出被传给一个非线性??激活函数。Ｐ前，ＲｅＬＵ函数＿是最常用的激活函数，将线性Ｈ题转化为非线??ｘ??
网络通过采用局部连接，权值共享和下采样三个特策略成功解决了这个问题。??其中局部连接是同一个卷积核在同一个特征图的每一步共享同一个卷积核，如??图２－３中是左边是全连接，右边图是局部连接。对于左边１０００＊１０００的输入图??像而言，加入下…层卷积层的卷积核的个数为１０％个，如果采用左侧的全连接??层则有１０００＊１０００＊１０％个权重参数，这样庞大的权重参数量是难以训练的。如??果采用局部连接的方法，假设每个卷积核的尺寸为１０＊１０，每个卷积核仅仅与输??入图片的１０＊１０区域相连接，那么总得权重个数为１０＊１０＊１０Ａ６，大大减少了网??络计算的参数数量。??ＦＵＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ??Ｅｘａｍｐｌｅ：?１０００ｘ１０００?ｉｍ〇９？??ＩＭ?ｈｉｄｄｅｎ?ｕｎｉｔｓ??Ｅｘａｍｐｌｅ?１０００ｘ１０００?．ｍ〇９？??—??？?Ｓｐａｔｉａｌ?ｃｏｒｒｅｌａｔｉｏｎ?ｉｓ?ｌｏｃｏ！??－?Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｃｉｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?崎??图２－３神经网络的全连接和局部连接??Ｆｉｇ?２－３?Ｆｕｌｌ?ａｎｄ?ｌｏｃａｌ?ｃｏｎｎｅｃｔｉｏｎｓ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??第二个方法就是权值共享。在图２－４中，对于一个１０００＊１０００的图片，如??果卷积核的大小为１０＊１０，在上一层特征的每一步都使用相同的权重，这个卷??９??
【参考文献】：
期刊论文
[1]基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J]. 吴俊利,张步涵,王魁. 电网技术. 2012(09)
[2]朴素贝叶斯分类算法在数据预测中的应用[J]. 冯现坤,刘羽,蒋细芳. 软件导刊. 2011(05)
[3]基于支持向量机模式识别的大雾预报方法[J]. 贺皓,罗慧. 气象科技. 2009(02)
[4]重庆市区雾的天气特征分析及预报方法研究[J]. 马学款,蔡芗宁,杨贵名,刘还珠. 气候与环境研究. 2007(06)
[5]用事件概率回归方法预报咸阳机场辐射雾消散[J]. 高洁,刘端次,靳英燕. 气象. 2005(04)
本文编号：2949814
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－１深度学习神经网络模型??Ｆｉｇ?２－１?Ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??深度学习的概念源于人工神经网络，两者存在许多相似之处，也有很多不??
等领域取得了显著的成就。??卷积祌经网络是一种层次模型。一个典型的卷积神经网络有输入层，卷积??层，池化层，全连接层和输出层构成，以图２－２中的ＬｅＮｅｔ为例ｌ３Ｑ］。??Ｃ３?ｆ?ｍａｐｓ?１６＠?１０ｘ１０??ＩＮＰＵＴ?ｍｒｅｍ３ｐＳ?ＳＡｉｗｍｉ??３２ｘ３２?ｒ＿＿?Ｓｉ４＂ｐｓ?ｔｕｔ??Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｉｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２－２?ＬｅＮｅｔ网络结构??Ｆｉｇ?２－２?Ｔｈｅ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ??卷积神经网络的运算包括前馈运算和反馈运算两个基木过程，以下是两个??过程的具体实现过程：??卷积神经网络的第一层和第二层一般是卷积层和池化层用来作为特征??提取器。卷积层有多个卷积核，不同的卷积核用来提取不同的特征，每个卷积??核经过卷积运算，都会生成一张特征图。然后卷积层的输出被传给一个非线性??激活函数。Ｐ前，ＲｅＬＵ函数＿是最常用的激活函数，将线性Ｈ题转化为非线??ｘ??
网络通过采用局部连接，权值共享和下采样三个特策略成功解决了这个问题。??其中局部连接是同一个卷积核在同一个特征图的每一步共享同一个卷积核，如??图２－３中是左边是全连接，右边图是局部连接。对于左边１０００＊１０００的输入图??像而言，加入下…层卷积层的卷积核的个数为１０％个，如果采用左侧的全连接??层则有１０００＊１０００＊１０％个权重参数，这样庞大的权重参数量是难以训练的。如??果采用局部连接的方法，假设每个卷积核的尺寸为１０＊１０，每个卷积核仅仅与输??入图片的１０＊１０区域相连接，那么总得权重个数为１０＊１０＊１０Ａ６，大大减少了网??络计算的参数数量。??ＦＵＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ??Ｅｘａｍｐｌｅ：?１０００ｘ１０００?ｉｍ〇９？??ＩＭ?ｈｉｄｄｅｎ?ｕｎｉｔｓ??Ｅｘａｍｐｌｅ?１０００ｘ１０００?．ｍ〇９？??—??？?Ｓｐａｔｉａｌ?ｃｏｒｒｅｌａｔｉｏｎ?ｉｓ?ｌｏｃｏ！??－?Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｃｉｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?崎??图２－３神经网络的全连接和局部连接??Ｆｉｇ?２－３?Ｆｕｌｌ?ａｎｄ?ｌｏｃａｌ?ｃｏｎｎｅｃｔｉｏｎｓ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??第二个方法就是权值共享。在图２－４中，对于一个１０００＊１０００的图片，如??果卷积核的大小为１０＊１０，在上一层特征的每一步都使用相同的权重，这个卷??９??
【参考文献】：
期刊论文
[1]基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J]. 吴俊利,张步涵,王魁. 电网技术. 2012(09)
[2]朴素贝叶斯分类算法在数据预测中的应用[J]. 冯现坤,刘羽,蒋细芳. 软件导刊. 2011(05)
[3]基于支持向量机模式识别的大雾预报方法[J]. 贺皓,罗慧. 气象科技. 2009(02)
[4]重庆市区雾的天气特征分析及预报方法研究[J]. 马学款,蔡芗宁,杨贵名,刘还珠. 气候与环境研究. 2007(06)
[5]用事件概率回归方法预报咸阳机场辐射雾消散[J]. 高洁,刘端次,靳英燕. 气象. 2005(04)
本文编号：2949814
本文链接：https://www.wllwen.com/projectlw/qxxlw/2949814.html
