霧是影響能見度的一種重要天氣現(xiàn)象,與人類生活息息相關(guān),霧的準確預(yù)報對于人們生活和生產(chǎn)都具有極其重要的作用。傳統(tǒng)的統(tǒng)計預(yù)報方法由于氣象因子的挑選過程繁雜,且手工設(shè)計的特征比較單一,使得模型在復(fù)雜的背景下不具有很好的泛化能力,進而影響了大霧預(yù)報的準確性。近些年,深度學(xué)習(xí)技術(shù)快速發(fā)展,深度神經(jīng)網(wǎng)絡(luò)模型的強大的特征表達能力使得數(shù)據(jù)中的相關(guān)特征能夠被自動提取與學(xué)習(xí),模型的學(xué)習(xí)性能被大大增加,使得其分類和預(yù)測效果也有了明顯的提高。在本文中,我們將利用深度學(xué)習(xí)來進行霧的短臨預(yù)報研究,這也是深度學(xué)習(xí)在大霧預(yù)報研究方面的首次嘗試。現(xiàn)將本文研究內(nèi)容總結(jié)如下:（1）利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）構(gòu)建大霧短臨預(yù)測模型,通過對氣象要素時間序列的分類來實現(xiàn)對未來1-4小時的霧短臨預(yù)報。首先,對于原始氣象要素數(shù)據(jù)進行標準化處理,去除數(shù)據(jù)中缺省值和異常值以構(gòu)造不同長度的時間序列數(shù)據(jù)。為解決大霧的樣本不均衡問題,本文采用隨機欠采樣方法構(gòu)建平衡樣本數(shù)據(jù)集。在該數(shù)據(jù)集上通過對網(wǎng)絡(luò)進行優(yōu)化,構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)短臨預(yù)測模型的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu),并通過實驗驗證構(gòu)建的網(wǎng)絡(luò)模型的有效性... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型??Ｆｉｇ?２－１?Ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)，兩者存在許多相似之處，也有很多不??

等領(lǐng)域取得了顯著的成就。??卷積祌經(jīng)網(wǎng)絡(luò)是一種層次模型。一個典型的卷積神經(jīng)網(wǎng)絡(luò)有輸入層，卷積??層，池化層，全連接層和輸出層構(gòu)成，以圖２－２中的ＬｅＮｅｔ為例ｌ３Ｑ］。??Ｃ３?ｆ?ｍａｐｓ?１６＠?１０ｘ１０??ＩＮＰＵＴ?ｍｒｅｍ３ｐＳ?ＳＡｉｗｍｉ??３２ｘ３２?ｒ＿＿?Ｓｉ４＂ｐｓ?ｔｕｔ??Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｉｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２－２?ＬｅＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ?２－２?Ｔｈｅ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ??卷積神經(jīng)網(wǎng)絡(luò)的運算包括前饋運算和反饋運算兩個基木過程，以下是兩個??過程的具體實現(xiàn)過程：??卷積神經(jīng)網(wǎng)絡(luò)的第一層和第二層一般是卷積層和池化層用來作為特征??提取器。卷積層有多個卷積核，不同的卷積核用來提取不同的特征，每個卷積??核經(jīng)過卷積運算，都會生成一張?zhí)卣鲌D。然后卷積層的輸出被傳給一個非線性??激活函數(shù)。Ｐ前，ＲｅＬＵ函數(shù)＿是最常用的激活函數(shù)，將線性Ｈ題轉(zhuǎn)化為非線??ｘ??

網(wǎng)絡(luò)通過采用局部連接，權(quán)值共享和下采樣三個特策略成功解決了這個問題。??其中局部連接是同一個卷積核在同一個特征圖的每一步共享同一個卷積核，如??圖２－３中是左邊是全連接，右邊圖是局部連接。對于左邊１０００＊１０００的輸入圖??像而言，加入下…層卷積層的卷積核的個數(shù)為１０％個，如果采用左側(cè)的全連接??層則有１０００＊１０００＊１０％個權(quán)重參數(shù)，這樣龐大的權(quán)重參數(shù)量是難以訓(xùn)練的。如??果采用局部連接的方法，假設(shè)每個卷積核的尺寸為１０＊１０，每個卷積核僅僅與輸??入圖片的１０＊１０區(qū)域相連接，那么總得權(quán)重個數(shù)為１０＊１０＊１０Ａ６，大大減少了網(wǎng)??絡(luò)計算的參數(shù)數(shù)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??圖２－３神經(jīng)網(wǎng)絡(luò)的全連接和局部連接??Ｆｉｇ?２－３?Ｆｕｌｌ?ａｎｄ?ｌｏｃａｌ?ｃｏｎｎｅｃｔｉｏｎｓ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??第二個方法就是權(quán)值共享。在圖２－４中，對于一個１０００＊１０００的圖片，如??果卷積核的大小為１０＊１０，在上一層特征的每一步都使用相同的權(quán)重，這個卷??９??

【參考文獻】：
期刊論文
[1]基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)改進算法在短期風速預(yù)測中的應(yīng)用[J]. 吳俊利,張步涵,王魁.  電網(wǎng)技術(shù). 2012(09)
[2]樸素貝葉斯分類算法在數(shù)據(jù)預(yù)測中的應(yīng)用[J]. 馮現(xiàn)坤,劉羽,蔣細芳.  軟件導(dǎo)刊. 2011(05)
[3]基于支持向量機模式識別的大霧預(yù)報方法[J]. 賀皓,羅慧.  氣象科技. 2009(02)
[4]重慶市區(qū)霧的天氣特征分析及預(yù)報方法研究[J]. 馬學(xué)款,蔡薌寧,楊貴名,劉還珠.  氣候與環(huán)境研究. 2007(06)
[5]用事件概率回歸方法預(yù)報咸陽機場輻射霧消散[J]. 高潔,劉端次,靳英燕.  氣象. 2005(04)



本文編號：2949814