【摘要】：臺(tái)風(fēng)多發(fā)生在熱帶洋面上,嚴(yán)重危害著人類的生命財(cái)產(chǎn)安全。我國地處臺(tái)風(fēng)的多發(fā)地帶。據(jù)中國氣象局統(tǒng)計(jì),西北太平洋大約50%的熱帶氣旋都會(huì)對(duì)我國產(chǎn)生影響,特別是強(qiáng)臺(tái)風(fēng)引起的風(fēng)暴潮使得海水位最高可上升5至6米,導(dǎo)致海水漫溢,對(duì)海上船舶、海洋工程產(chǎn)業(yè)造成了極大的損失。臺(tái)風(fēng)影響人類生命及財(cái)產(chǎn)安全的程度都與其強(qiáng)度密切相關(guān),因此對(duì)其強(qiáng)度的研究具有重要的意義。傳統(tǒng)臺(tái)風(fēng)強(qiáng)度監(jiān)測(cè)方法主要有Dvorak分析法和數(shù)值模擬法。Dvorak分析法利用衛(wèi)星云圖中的云系結(jié)構(gòu)特征及特定的參數(shù),通過經(jīng)驗(yàn)規(guī)則和約束條件來估計(jì)強(qiáng)度,但Dvorak分析法不僅無法得到臺(tái)風(fēng)內(nèi)核的結(jié)構(gòu)信息而且需要專業(yè)知識(shí)對(duì)臺(tái)風(fēng)特征進(jìn)行人工提取。數(shù)值模擬分析法通過綜合考慮不同初始場(chǎng)、邊界條件等大氣環(huán)境中的先驗(yàn)物理量對(duì)成熟的臺(tái)風(fēng)預(yù)報(bào)模型進(jìn)行優(yōu)化,但數(shù)值模擬分析法需要提取顯式的先驗(yàn)知識(shí)。綜上,不論Dvorak分析法還是數(shù)值模擬法都存在人工顯式的提取臺(tái)風(fēng)特征的不足。隨著現(xiàn)代遙感技術(shù)的發(fā)展,通過氣象衛(wèi)星云圖能夠更加準(zhǔn)確、穩(wěn)定的全天候?qū)崟r(shí)監(jiān)測(cè)臺(tái)風(fēng)的變化。臺(tái)風(fēng)由熱帶氣旋演變而來,不同強(qiáng)度的臺(tái)風(fēng)在衛(wèi)星云圖上表現(xiàn)為不同特征的螺旋云團(tuán),其中密蔽云區(qū)的大小與臺(tái)風(fēng)的強(qiáng)度密切相關(guān)。臺(tái)風(fēng)在形成的過程中復(fù)雜的大氣因素導(dǎo)致云圖特征不明顯,那么就需要一種算法能夠?qū)崿F(xiàn)自動(dòng)快速的對(duì)云圖隱式且復(fù)雜的特征進(jìn)行提取。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模擬人腦自動(dòng)化學(xué)習(xí),通過復(fù)雜函數(shù)的逼近學(xué)習(xí)自然圖像的隱式特征,克服了傳統(tǒng)方法中需要先驗(yàn)知識(shí)進(jìn)行顯式提取特征的不足。鑒于此,本文通過引入改進(jìn)MCE(Minimum Classification Error,MCE)準(zhǔn)則,對(duì)損失函數(shù)進(jìn)行了優(yōu)化,構(gòu)建了適用于臺(tái)風(fēng)等級(jí)識(shí)別的Typhoon-CNNs模型,并與傳統(tǒng)模型進(jìn)行對(duì)比,分類效果更好,具體內(nèi)容如下:首先引入改進(jìn)MCE準(zhǔn)則構(gòu)建損失函數(shù)。卷積神經(jīng)網(wǎng)絡(luò)模擬人腦的過程本質(zhì)上是通過最小化損失函數(shù)進(jìn)行求解的過程,損失函數(shù)不僅用來評(píng)估網(wǎng)絡(luò)結(jié)構(gòu)的分類效果,還在梯度下降法中影響參數(shù)梯度。傳統(tǒng)基于MCE思想構(gòu)建的損失函數(shù),當(dāng)樣本錯(cuò)分類時(shí)存在梯度反向問題,導(dǎo)致模型因引入錯(cuò)誤的信號(hào)造成樣本不能充分訓(xùn)練。因此本文將交叉熵(Cross Entropy,CE)作為損失函數(shù)空間中的基底元素,定義了帶誤差修正項(xiàng)的FMCE(Fix Minimum Classification Error,FMCE)損失函數(shù),并在此基礎(chǔ)上,提出了改進(jìn)MCE準(zhǔn)則的損失函數(shù)CE-FMCE。CEFMCE損失函數(shù)不僅改善了傳統(tǒng)MCE損失函數(shù)的梯度問題,還彌補(bǔ)了交叉熵函數(shù)不對(duì)非標(biāo)簽集梯度做區(qū)分處理的不足。其次,構(gòu)建了面向卷積神經(jīng)網(wǎng)絡(luò)的自建臺(tái)風(fēng)云圖數(shù)據(jù)集。本文采集自日本國立情報(bào)學(xué)研究所(National Institute of Informatics,NII)開源的云圖資料,其中包括“Himawari1-8”衛(wèi)星在1978-2016年期間拍攝的近1000個(gè)臺(tái)風(fēng)過程的紅外云圖。經(jīng)過中值濾波去噪和最近鄰插值縮放的預(yù)處理,構(gòu)建了4000個(gè)訓(xùn)練樣本、800個(gè)測(cè)試樣本的數(shù)據(jù)集,并依據(jù)日本氣象臺(tái)的臺(tái)風(fēng)等級(jí)標(biāo)準(zhǔn),對(duì)云圖制定了相應(yīng)等級(jí)的標(biāo)簽。最后,選擇適宜的超參數(shù)構(gòu)建Typhoon-CNNs模型以用于臺(tái)風(fēng)等級(jí)分類。在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)框架的基礎(chǔ)上,采用循環(huán)卷積策略選擇卷積單元;使用十折交叉驗(yàn)證匹配Dropout置零率;引入改進(jìn)MCE損失函數(shù)來優(yōu)化梯度下降法,進(jìn)行模型自動(dòng)式調(diào)參,構(gòu)建了適用于臺(tái)風(fēng)等級(jí)分類研究的Typhoon-CNNs模型。綜上,本文通過對(duì)臺(tái)風(fēng)云圖數(shù)據(jù)和損失函數(shù)進(jìn)行分析,構(gòu)建了面向卷積神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)云圖數(shù)據(jù)集,并且提出了基于改進(jìn)MCE損失函數(shù)的CNN算法。在此基礎(chǔ)實(shí)現(xiàn)了改進(jìn)算法在臺(tái)風(fēng)等級(jí)分類上的應(yīng)用。
【圖文】：

圖 2-9 傳統(tǒng) logistic 損失函數(shù)Figure 2-9 Traditional logistic loss function 可以看出，當(dāng)kd 越靠近-1 或 1 的時(shí)候，logistic 損失函數(shù)提然這一特性與 CNN 的深度性相悖。因此，傳統(tǒng)的 logistic 不絡(luò)中，，需要我們進(jìn)一步的改進(jìn)。如圖 2-9 中綠色的曲線，馮損失函數(shù)，確實(shí)能在 逼近-1 時(shí)解決梯度問題。M3CE 損失7 和 2-28 表示：1 1( ) + +exp expk rk k rm mi ii iz zd z p pz z 3(1 )k kl d3311(1 )NkMC EnL dN 中k 表示樣本標(biāo)簽維，r 表示非標(biāo)簽集q中相對(duì)于當(dāng)前類最易

(a) (b) (c) (d)圖 4-1 同時(shí)間紅外云圖與可見光云圖Figure 4-1 Infrared cloud image and visible light cloud image in the same time1977 年到 2014 年之間日本相繼發(fā)射“Himawari1-8”衛(wèi)星，尤其“Him球同步氣象衛(wèi)星具有 16 個(gè)波段通道，空間分辨率最高甚至可達(dá)到 500建的臺(tái)風(fēng)云圖數(shù)據(jù)集采集自日本國立情報(bào)學(xué)研究所（National Instimatics，NII）開源的數(shù)據(jù)。該數(shù)據(jù)集包括日本北太平洋 1978-2016 近 4 多個(gè)臺(tái)風(fēng)過程的衛(wèi)星云圖作為樣本。該樣本不光囊括了近 5000 張高分，還有其對(duì)應(yīng)的強(qiáng)度和氣壓等信息，為 4.22 小節(jié)進(jìn)行圖像標(biāo)簽工作奠定臺(tái)風(fēng)云圖能反映臺(tái)風(fēng)的結(jié)構(gòu)信息，隨機(jī)采集當(dāng)前獲取的云圖來做簡(jiǎn)單垂直方向來看，根據(jù)距海面的高度，云圖被分為流入層（小于 3 公里）3-8 公里）和流出層（大于 8 公里）。從水平方向來看，云圖由外圍螺徑 400-600 公里）、云墻（直徑 20 公里）和臺(tái)風(fēng)眼（直徑 10-60 公里）。云墻下直徑 20 公里處出現(xiàn)狂風(fēng)暴雨，通常是臺(tái)風(fēng)區(qū)域內(nèi)最惡劣的地眼區(qū)域則正好相反，風(fēng)速最小。一般地，臺(tái)風(fēng)具有眼區(qū)時(shí)，代表其已經(jīng)
【學(xué)位授予單位】：上海海洋大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;P444

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田芙榮;劉靜靜;陳方葦;;基于CNN的文字識(shí)別系統(tǒng)設(shè)計(jì)[J];浙江樹人大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年03期

2 李瑩;李忠;李海洋;孫可可;;結(jié)合顏色空間和CNN的火焰檢測(cè)[J];計(jì)算機(jī)時(shí)代;2019年12期

3 陳瀟;陶金姬;;CNN節(jié)目特色及其經(jīng)營(yíng)之道研究[J];新聞戰(zhàn)線;2016年18期

4 高燦;;一種基于CNN手寫字符識(shí)別的改進(jìn)方法[J];黑龍江科技信息;2017年03期

5 田川;;半島電視臺(tái)與CNN的異同[J];新聞世界;2009年12期

6 凌嬌秀;;具時(shí)滯的非線性CNN系統(tǒng)的行波解[J];廣州大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年05期

7 魏笑;秦永彬;陳艷平;;一種基于部件CNN的網(wǎng)絡(luò)安全命名實(shí)體識(shí)別方法[J];計(jì)算機(jī)與數(shù)字工程;2020年01期

8 周月鵬;盧喜利;;基于組合激活函數(shù)的CNN應(yīng)用研究[J];韶關(guān)學(xué)院學(xué)報(bào);2019年12期

9 陳瑞森;;基于數(shù)字CNN與生物視覺的仿生眼設(shè)計(jì)[J];電子技術(shù)應(yīng)用;2009年07期

10 張?zhí)炫?;從CNN事件看美國媒體對(duì)華負(fù)面報(bào)道的根源和形成原因[J];理論界;2008年08期

相關(guān)會(huì)議論文 前10條

1 栗國星;石秉學(xué);;一種用于手寫體數(shù)字識(shí)別的電流型CNN特征提取器[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

2 張嘉露;;CNN對(duì)華報(bào)道的傾向和影響因素[A];決策論壇——基于公共管理學(xué)視角的決策研討會(huì)論文集（上）[C];2015年

3 原達(dá);張彩明;劉曉華;李晉江;;基于CNN的Mumford-Shah圖像輪廓提取[A];中國計(jì)算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計(jì)算機(jī)圖形學(xué)大會(huì)論文集[C];2008年

4 楊紅成;;外媒對(duì)香港“占中”事件報(bào)道的媒介框架分析——以CNN網(wǎng)站為例[A];首屆長(zhǎng)三角影視傳媒研究生學(xué)術(shù)論壇論文集[C];2015年

5 劉國華;張穎;陳子軍;陳子陽;;改進(jìn)的CNN搜索算法[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

6 雷國偉;舒強(qiáng);郭東輝;;基于CNN通用編程的指紋識(shí)別算法研究[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

7 王懷穎;楊立瑞;章毓晉;;CNN在康普頓背散射圖像處理中的應(yīng)用研究[A];中國核科學(xué)技術(shù)進(jìn)展報(bào)告——中國核學(xué)會(huì)2009年學(xué)術(shù)年會(huì)論文集（第一卷·第9冊(cè)）[C];2009年

8 林翊鈞;吳鳳鴿;趙軍鎖;;面向CNN動(dòng)目標(biāo)檢測(cè)的圖像塊星上提取方法[A];2018軟件定義衛(wèi)星高峰論壇會(huì)議摘要集[C];2018年

9 趙永峰;;體驗(yàn)認(rèn)知視角下的傳播研究——以CCTV和CNN索契冬奧會(huì)報(bào)道為例[A];中國認(rèn)知傳播學(xué)會(huì)第二屆學(xué)術(shù)年會(huì)論文集[C];2015年

10 劉天華;楊紹清;劉松濤;;基于CNN的�？展怆娔繕�(biāo)檢測(cè)技術(shù)研究[A];第二屆紅外成像系統(tǒng)仿真測(cè)試與評(píng)價(jià)技術(shù)研討會(huì)論文集[C];2008年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)特約記者 胡浩;CNN“年度英雄”是個(gè)秘魯人[N];環(huán)球時(shí)報(bào);2018年

2 馬瀟;CNN記者提“通話門”激怒烏總統(tǒng)[N];環(huán)球時(shí)報(bào);2019年

3 本報(bào)記者 王盼盼;外交部駁CNN涉新疆不實(shí)報(bào)道[N];環(huán)球時(shí)報(bào);2019年

4 本報(bào)駐美國特約記者 楊宏彥 本報(bào)特約記者 郝樹華;特朗普發(fā)怒將CNN記者趕出白宮[N];環(huán)球時(shí)報(bào);2018年

5 本報(bào)記者 高雷;新加坡打臉CNN不實(shí)報(bào)道[N];環(huán)球時(shí)報(bào);2019年

6 于名;CNN就失實(shí)報(bào)道向港警道歉[N];環(huán)球時(shí)報(bào);2019年

7 志靈;CNN的毒言惡語是混淆視聽的呈堂證供[N];中國青年報(bào);2008年

8 本報(bào)駐聯(lián)合國記者 袁博 賈澤馳;AT&T收購時(shí)代華納必須先賣CNN？[N];文匯報(bào);2017年

9 毛建國;封鎖消息：人質(zhì)劫持事件中CNN可貴的理性[N];中國青年報(bào);2007年

10 本報(bào)駐美國特約特派記者 肖巖 本報(bào)駐埃及特約特派記者 曲翔宇 本報(bào)記者 白云怡 叢超 吳志偉 柳玉鵬;這些年，CNN欠下世界一堆賬[N];環(huán)球時(shí)報(bào);2019年

相關(guān)博士學(xué)位論文 前2條

1 葛蕓;基于CNN遷移特征融合與池化的高分辨率遙感圖像檢索研究[D];南昌大學(xué);2019年

2 王濤;NCN鉗形銠(Ⅲ)以及CNN鉗形鈀(Ⅱ)和釕(Ⅱ)化合物物合成與催化性能研究[D];鄭州大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 劉業(yè)鑫;基于CNN的任意分布的場(chǎng)景文本檢測(cè)與識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2019年

2 李令先;基于CNN的軌道交通擁堵預(yù)測(cè)算法研究[D];成都理工大學(xué);2019年

3 陶臣嵩;基于旋轉(zhuǎn)域特征和深度CNN的極化SAR檢測(cè)與分類研究[D];國防科技大學(xué);2017年

4 榮偉;基于CNN的惡意請(qǐng)求檢測(cè)[D];西安電子科技大學(xué);2019年

5 何霞;基于多任務(wù)CNN的實(shí)例感知圖像檢索技術(shù)[D];浙江工業(yè)大學(xué);2019年

6 孔思聰;基于CNN的多音調(diào)鋼琴轉(zhuǎn)錄算法的研究與實(shí)現(xiàn)[D];華中科技大學(xué);2019年

7 侯倩;基于改進(jìn)MCE準(zhǔn)則的CNN算法研究及臺(tái)風(fēng)等級(jí)分類應(yīng)用[D];上海海洋大學(xué);2019年

8 閆小苗;基于CNN的可變焦場(chǎng)景視頻行人檢測(cè)算法研究與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

9 趙Pr含;基于CNN的平面物體跟蹤算法的研究與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

10 汪露;基于空洞CNN的實(shí)體級(jí)情感分析研究[D];重慶郵電大學(xué);2019年

本文編號(hào)：2620624