隨著武器裝備試驗環(huán)境的多樣化與虛擬化,為提高對武器裝備進行虛擬試驗的真實性和準(zhǔn)確度,在虛擬試驗中添加虛擬大氣環(huán)境是必要的。如何生成虛擬大氣環(huán)境數(shù)據(jù)成為了一個關(guān)鍵研究課題。虛擬大氣環(huán)境數(shù)據(jù)生成本質(zhì)是一個時間序列問題,近年來,深度學(xué)習(xí)在處理大量時序數(shù)據(jù)方面有著優(yōu)越的表現(xiàn)。本文利用深度學(xué)習(xí)生成虛擬大氣環(huán)境數(shù)據(jù),所做具體研究如下。首先,為了得到深度學(xué)習(xí)技術(shù)所用的訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集,以及提高網(wǎng)絡(luò)模型準(zhǔn)確度等,對大氣環(huán)境數(shù)據(jù)預(yù)處理方法進行研究。研究處理大氣環(huán)境數(shù)據(jù)中的離群值和缺失值的方法,確保深度學(xué)習(xí)模型生成的結(jié)果不會因為這兩者的影響出現(xiàn)偏差。研究大氣環(huán)境數(shù)據(jù)標(biāo)準(zhǔn)化方法,以加快網(wǎng)絡(luò)訓(xùn)練速度。最后研究大氣環(huán)境數(shù)據(jù)時間滑窗處理方法,對德國耶拿數(shù)據(jù)集進行處理得到深度學(xué)習(xí)模型所需的訓(xùn)練集,驗證集和測試集。其次,為了快速準(zhǔn)確地生成大氣環(huán)境數(shù)據(jù),基于大氣環(huán)境中多種參數(shù)具有物理相關(guān)性的特點,不同于大多數(shù)傳統(tǒng)的單參數(shù)方法,本文提出合并的長短時記憶網(wǎng)絡(luò)（M-LSTM）模型。利用具有較強相關(guān)性的多個大氣參數(shù)生成特定的大氣參數(shù),提高準(zhǔn)確度。文中以溫度為例,利用數(shù)據(jù)相關(guān)性分析方法分析大氣環(huán)境中其他參數(shù)與溫度之間的關(guān)系... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

耶拿數(shù)據(jù)集中溫度數(shù)據(jù)處理異常值前后對比圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-10-（b）補充缺失值后圖2-3耶拿數(shù)據(jù)集補充缺失值前后對比圖。2.1.3數(shù)據(jù)標(biāo)準(zhǔn)化數(shù)據(jù)標(biāo)準(zhǔn)化是一種用于規(guī)范自變量或數(shù)據(jù)特征范圍的方法，原始輸入的標(biāo)準(zhǔn)化過程對準(zhǔn)備適合訓(xùn)練的數(shù)據(jù)有很大的影響。它可用于為每個輸入特征在相同的值范圍內(nèi)縮放數(shù)據(jù)，以最大程度地減少神經(jīng)網(wǎng)絡(luò)中一個特征與另一個特征之間的偏差。數(shù)據(jù)標(biāo)準(zhǔn)化還可以通過針對相同規(guī)模內(nèi)的每個功能啟動訓(xùn)練過程來加快訓(xùn)練時間，如果沒有數(shù)據(jù)標(biāo)準(zhǔn)化過程，訓(xùn)練神經(jīng)網(wǎng)絡(luò)將非常緩慢。對于輸入通常具有很大不同比例的建模應(yīng)用程序，數(shù)據(jù)標(biāo)準(zhǔn)化作用明顯。數(shù)據(jù)標(biāo)準(zhǔn)化的優(yōu)點主要有兩個，一是對所有特征的范圍進行處理，使每個特征對最終結(jié)果的貢獻近似成比例，二是可以提高神經(jīng)網(wǎng)絡(luò)收斂速度。不同的技術(shù)可以使用不同的規(guī)則，例如最大規(guī)則，最小規(guī)則，總和規(guī)則，乘積規(guī)則等[33]。目前，常用的數(shù)據(jù)標(biāo)準(zhǔn)化方法主要有如下幾種。（1）z-score標(biāo)準(zhǔn)化此技術(shù)使用一組訓(xùn)練數(shù)據(jù)中每個特征的均值和標(biāo)準(zhǔn)差來歸一化每個輸入特征向量。如公式（2-4）所示。"xx（2-4）經(jīng)過z-score標(biāo)準(zhǔn)化處理后的數(shù)據(jù)，其中每個特征的均值都為0，并且具有單位方差。將標(biāo)準(zhǔn)化技術(shù)應(yīng)用于數(shù)據(jù)集中的所有特征向量，利用標(biāo)準(zhǔn)化后的數(shù)據(jù)創(chuàng)建新的訓(xùn)練集，然后開始網(wǎng)絡(luò)訓(xùn)練。一旦在一組訓(xùn)練數(shù)據(jù)上為每個特征計算了均值和標(biāo)準(zhǔn)差，則必須保留它們并將其用作最終系統(tǒng)設(shè)計中的權(quán)重。它是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的預(yù)處理層，否則，神經(jīng)網(wǎng)絡(luò)的性能將發(fā)生顯著變化，因為它是在與非規(guī)范化數(shù)據(jù)不同的數(shù)據(jù)表示形式上訓(xùn)練的。這種統(tǒng)計規(guī)范的優(yōu)勢在

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-12-（a）z-score標(biāo)準(zhǔn)化前（b）z-score標(biāo)準(zhǔn)化后圖2-4耶拿數(shù)據(jù)集中溫度數(shù)據(jù)z-score標(biāo)準(zhǔn)化前后對比圖2.1.4數(shù)據(jù)時間滑窗處理為了構(gòu)建訓(xùn)練集，驗證集和測試集，本文對原始的耶拿數(shù)據(jù)集進行時間滑窗處理。時間序列預(yù)測問題的本質(zhì)是利用過去的數(shù)據(jù)來生成未來一段時間的目標(biāo)參數(shù)數(shù)據(jù)，需要構(gòu)造過去特征和未來特征，未來特征作為數(shù)據(jù)的目標(biāo)值[34]。構(gòu)造訓(xùn)練集的過程如下。首先，對耶拿數(shù)據(jù)集而言，利用大小可調(diào)的時間窗口對過去2009年到2016年的數(shù)據(jù)進行截齲以2010年1月到12月耶拿市的大氣環(huán)境數(shù)據(jù)為例，可以截取3組數(shù)據(jù)（見圖2-5的深藍、淺藍部分）：2010年1月到10月的數(shù)據(jù)為第一組，2010年2月到11月的數(shù)據(jù)為第二組，2010年3月到12月的數(shù)據(jù)為第三組。將每一組數(shù)據(jù)劃分為歷史窗口和未來窗口兩部分，如圖2-5中深藍色

【參考文獻】：
期刊論文
[1]基于中尺度數(shù)值大氣模式的海霧特征參數(shù)研究[J]. 龍胤宇,陳慧敏,王鳳杰,陸長平.  兵工學(xué)報. 2020(03)
[2]基于小波-NAR神經(jīng)網(wǎng)絡(luò)的氣象要素時間序列預(yù)測與天氣指數(shù)彩虹期權(quán)估值[J]. 黃建風(fēng),陸文聰.  系統(tǒng)工程理論與實踐. 2016(05)
[3]100km附近大氣密度模型的誤差帶和置信度[J]. 萬田,劉洪偉,樊菁.  中國科學(xué):物理學(xué) 力學(xué) 天文學(xué). 2015(12)
[4]數(shù)據(jù)挖掘技術(shù)在精細化溫度預(yù)報中的應(yīng)用[J]. 段文廣,周曉軍,石永煒.  干旱氣象. 2012(01)
[5]改進時間序列模型在降雨量預(yù)測中的應(yīng)用研究[J]. 白玉潔.  計算機仿真. 2011(10)
[6]復(fù)雜虛擬試驗運行支撐軟件的性能測試研究[J]. 王蒙,杜承烈,尤濤,張大鵬.  計算機測量與控制. 2010(03)
[7]WRF和MM5模式對遼寧暴雨模擬的對比分析[J]. 劉寧微,王奉安.  氣象科技. 2006(04)
[8]基于MM5的沿海風(fēng)資源數(shù)值模擬方法研究[J]. 李曉燕,余志.  太陽能學(xué)報. 2005(03)
[9]我國地區(qū)20—80km高空大氣溫度特征[J]. 馬瑞平,徐寄遙,廖懷哲.  空間科學(xué)學(xué)報. 2001(03)
[10]MSISE90大氣密度模型及其在GPS無線電掩星中的應(yīng)用[J]. 蔣虎,黃珹.  云南天文臺臺刊. 2001(02)

碩士論文
[1]基于深度學(xué)習(xí)的氣象預(yù)測研究[D]. 楊函.哈爾濱工業(yè)大學(xué) 2017
[2]試驗訓(xùn)練體系結(jié)構(gòu)大氣環(huán)境資源開發(fā)[D]. 閆芳.哈爾濱工業(yè)大學(xué) 2012



本文編號：3366111