發(fā)布時間：2023-04-16 07:40

　　時空序列數(shù)據(jù)即在每個時刻記錄的數(shù)據(jù)都為圖像,具有空間信息。對此類數(shù)據(jù)的預(yù)測也稱為視頻預(yù)測,即根據(jù)視頻的已知幀序列對未來幀進行預(yù)測。時空序列預(yù)測在機器人、自動駕駛、天氣預(yù)報等領(lǐng)域都有著重要應(yīng)用,因此對時空序列預(yù)測的研究有著重要意義。本文主要關(guān)注云移動預(yù)測問題,使用的數(shù)據(jù)為風(fēng)云四號觀測得到的衛(wèi)星云圖。通過對云的未來運動變化預(yù)測,可以對天氣預(yù)報提供更多參考信息,研究具有實際意義。由于衛(wèi)星云圖中包含較多非云的無關(guān)信息,所以本文的研究過程為先對衛(wèi)星云圖的云檢測問題進行研究,然后在得到的檢測結(jié)果上再對云移動預(yù)測問題進行研究。針對衛(wèi)星云圖的云檢測問題,本文提出了基于空洞卷積和數(shù)據(jù)蒸餾的云檢測方法。首先由于云的形狀尺寸多樣,通過在模型中加入空洞卷積,可以在不增加計算量的同時擴大感受野,并能減少最大池化層的使用,使特征圖保存更多信息。結(jié)合云的流體特性,模型利用由不同采樣率的空洞卷積組成的模塊,可以學(xué)習(xí)云區(qū)的多尺度特征,提升模型對小面積云區(qū)的檢測精度。然后,本文提出了基于集成學(xué)習(xí)的未標(biāo)注數(shù)據(jù)篩選方法,利用篩選后的未標(biāo)注數(shù)據(jù),使用數(shù)據(jù)蒸餾的方法對訓(xùn)練樣本進行擴充。實驗結(jié)果表明,通過基于空洞卷積的深度模型可以...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外相關(guān)研究概況
        1.2.1 傳統(tǒng)時間序列預(yù)測方法研究現(xiàn)狀
        1.2.2 時空序列預(yù)測方法研究現(xiàn)狀
    1.3 問題的總結(jié)與分析
    1.4 本文主要工作
    1.5 本文組織架構(gòu)
第2章 云檢測與云移動預(yù)測相關(guān)基礎(chǔ)知識
    2.1 云檢測方法
        2.1.1 閾值法
        2.1.2 深度學(xué)習(xí)方法
    2.2 云移動預(yù)測方法
        2.2.1 ConvLSTM模型
        2.2.2 ConvGRU模型
    2.3 相關(guān)評測指標(biāo)
        2.3.1 云檢測相關(guān)指標(biāo)
        2.3.2 云移動預(yù)測相關(guān)指標(biāo)
    2.4 本章小結(jié)
第3章 基于空洞卷積和數(shù)據(jù)蒸餾的云檢測方法
    3.1 引言
    3.2 基于空洞卷積的云檢測算法
    3.3 基于集成學(xué)習(xí)的數(shù)據(jù)蒸餾方法
        3.3.1 數(shù)據(jù)蒸餾方法
        3.3.2 基于集成學(xué)習(xí)的未標(biāo)注數(shù)據(jù)篩選算法
    3.4 實驗結(jié)果與分析
        3.4.1 實驗環(huán)境
        3.4.2 實驗設(shè)計
        3.4.3 實驗數(shù)據(jù)
        3.4.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于RAST-LSTM的云移動預(yù)測方法
    4.1 引言
    4.2 RAST-LSTM中的注意力機制
    4.3 RAST-LSTM中的殘差單元
    4.4 基于RAST-LSTM的云移動預(yù)測模型
    4.5 實驗結(jié)果與分析
        4.5.1 實驗環(huán)境
        4.5.2 實驗數(shù)據(jù)
        4.5.3 實驗結(jié)果與分析
    4.6 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：3791143