【摘要】：近年來隨著社會信息化的加速,人們對氣象預(yù)報的要求逐漸提高。強對流天氣因其突發(fā)性強、破壞力大等特點,受到氣象部門的重視。短臨預(yù)報作為防范強對流天氣的預(yù)報手段,具有重要的研究意義。但目前進行短臨預(yù)報多是基于雷達回波的光流法,而光流法存在著一些局限性,由于光流估計步驟和雷達回波外推步驟是分開的,參數(shù)的確定變得比較困難。隨著深度學(xué)習(xí)的高速發(fā)展,深度學(xué)習(xí)在各個領(lǐng)域的應(yīng)用也變得越來越多,于是本文采用深度學(xué)習(xí)方法對短臨預(yù)報的降水方面進行應(yīng)用研究。降水短臨預(yù)報本質(zhì)上是從一系列雷達回波序列預(yù)測未來的雷達回波,可以看成一個時空序列預(yù)測問題,本文在研究和總結(jié)了常用的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,參考了ConvLSTM(Convolutional LSTM)結(jié)構(gòu)提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)和GRU(Gated Recurrent Unit)的ConvGRU模型(Convolutional GRU),由于GRU的結(jié)構(gòu)比LSTM更為簡單,但在效果上相差不大,該模型相比于ConvLSTM結(jié)構(gòu)擁有更快的訓(xùn)練速度和更小的內(nèi)存需求。本文的另一項工作是基于VGGNet(Visual Geometry Group Net)對卷積層進行了改進,使用多個小的卷積核疊加代替大的卷積核,減少了參數(shù)數(shù)量,提升了網(wǎng)絡(luò)的特征提起能力。該模型充分發(fā)揮了卷積神經(jīng)網(wǎng)絡(luò)和GRU的優(yōu)點,即卷積結(jié)構(gòu)的空間特征提取能力和GRU的善于處理時間序列問題的記憶能力。最后通過實驗對比該模型與光流法的預(yù)報效果,驗證該模型在降水短臨預(yù)報問題的適用性。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：P456.1;TP183
【圖文】：

圖 2.1 Sigmoid 函數(shù)圖像數(shù)的優(yōu)點是能把輸出映射在(0,1)的區(qū)間之內(nèi)，且單調(diào)連續(xù)，是它也有一些缺點，例如輸出并不是以 0 為中心，影響計算出現(xiàn)梯度消失現(xiàn)象。 Tanh 函數(shù)由 Sigmoid 函數(shù)變形而來，它的表達公式如下所示h h公式如下:'h 的圖像如圖 2.2 所示：

圖 2.1 Sigmoid 函數(shù)圖像moid 函數(shù)的優(yōu)點是能把輸出映射在(0,1)的區(qū)間之內(nèi)，且單調(diào)連續(xù)，求導(dǎo)容易定，但是它也有一些缺點，例如輸出并不是以 0 為中心，影響計算，并且由性容易出現(xiàn)梯度消失現(xiàn)象。曲正切 Tanh 函數(shù)由 Sigmoid 函數(shù)變形而來，它的表達公式如下所示：h h（2數(shù)計算公式如下:'h （2數(shù)對應(yīng)的圖像如圖 2.2 所示：

比 Sigmoid 更常用的一種激活函數(shù)，相比于 Sigmoid，它的輸出以 0 位中速度更快，但是仍然沒有解決梯度消失問題。糾正函數(shù)(Rectified Linear Units, ReLU)是在深度學(xué)習(xí)領(lǐng)域最近幾年非常函數(shù)，它的表達公式如下所示:tmax h U 函數(shù)對應(yīng)的圖像如圖 2.3 所示。它的優(yōu)點是相比于 Sigmoid 函數(shù)和 Ta加快速的收斂，同時也減少了在使用 Sigmoid 函數(shù)和 Tanh 函數(shù)時存在的最重要的是，它能有效的緩解梯度消失的問題。來說，激活函數(shù)的選取并沒有真正的正確答案，還需與實際情況相結(jié)合考慮不同激活函數(shù)的優(yōu)缺點綜合使用。

【參考文獻】

相關(guān)期刊論文 前7條

1 劉勇;王銀堂;陳元芳;王宗志;胡健;馮小沖;;丹江口水庫秋汛期長期徑流預(yù)報[J];水科學(xué)進展;2010年06期

2 韓禮應(yīng);何振偉;;桂西北汛期強降水前期環(huán)流和影響天氣系統(tǒng)特征分析[J];廣西氣象;2006年S1期

3 王宏漫,歐宗瑛;采用PCA/ICA特征和SVM分類的人臉識別[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2003年04期

4 劉少華,丁賢榮,毛紅梅;水文時間序列的混沌神經(jīng)網(wǎng)絡(luò)預(yù)報[J];人民長江;2002年09期

5 楊建強,羅先香;MATLAB軟件工具箱簡介[J];水科學(xué)進展;2001年02期

6 鄔紅娟,林子揚,郭生練;人工神經(jīng)網(wǎng)絡(luò)方法在資源與環(huán)境預(yù)測方面的應(yīng)用[J];長江流域資源與環(huán)境;2000年02期

7 胡鐵松，袁鵬，丁晶;人工神經(jīng)網(wǎng)絡(luò)在水文水資源中的應(yīng)用[J];水科學(xué)進展;1995年01期

相關(guān)博士學(xué)位論文 前1條

1 覃光華;人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[D];四川大學(xué);2003年

相關(guān)碩士學(xué)位論文 前1條

1 鞠琴;基于人工神經(jīng)網(wǎng)絡(luò)的水文模擬研究[D];河海大學(xué);2005年

本文編號：2791232