循環(huán)神經網絡在內蒙古地區(qū)沙塵暴預測中的應用研究
發(fā)布時間：2021-06-14 03:39
沙塵暴包括沙暴和塵暴,常伴隨著土地荒漠化而發(fā)生。其指的是一種不穩(wěn)定強氣流卷起地表的沙塵導致能見度降低的天氣現(xiàn)象,具有突發(fā)性和危害性。沙塵暴在我國西北和華北地區(qū)多有發(fā)生。內蒙古地形狹長,橫跨中國東北,華北,西北三大區(qū)域,其中西部是沙塵暴頻發(fā)地區(qū)。沙塵暴治理方面主要通過恢復植被,保護環(huán)境來進行;預防方面,就要用到沙塵暴預警、預報等方法。近年來,借助計算機對氣象資料進行分析建模逐步成為研究熱點。循環(huán)神經網絡（Recurrent Neural Network,RNN）是深度學習模型的一種,也被稱為時間遞歸神經網絡。由于氣象數(shù)據(jù)具有屬性多維性,不確定性,時空特性,周期性等特點,是典型的時間序列,用傳統(tǒng)的數(shù)據(jù)分析方法對其進行處理分析很難獲得良好的準確性。而循環(huán)神經網絡可以很好的進行時間序列的建模,適用于大批量氣象數(shù)據(jù)的分析處理。因此,本課題采用了循環(huán)神經網絡對氣象數(shù)據(jù)進行分析建模,預測內蒙古地區(qū)的沙塵暴天氣現(xiàn)象,為提升沙塵暴預警水平提供一定程度的理論支持。本課題主要完成了以下工作:首先,將收集到的沙塵暴資料以及對應的日值氣象資料進行了整合和預處理,主要包括:數(shù)據(jù)集成,數(shù)據(jù)降維,特征值處理和缺測值處...
【文章來源】：內蒙古工業(yè)大學內蒙古自治區(qū)
【文章頁數(shù)】：91 頁
【學位級別】：碩士
【部分圖文】：
Sigmoid函數(shù)曲線圖
內蒙古工業(yè)大學碩士學位論文10圖2-3Tanh函數(shù)曲線圖Figure2-3Tanhcurve圖2-4Sigmoid函數(shù)與Tanh函數(shù)曲線圖Figure2-4SigmoidandTanhcurve（3）ReLU激活函數(shù)ReLU激活函數(shù)（RectifiedLinearUnit），一般用于隱層神經元輸出。其為分段線性函數(shù)，所有的非正值為0，所有的正值不變，這被稱為單側抑制。神經元在經過ReLU函數(shù)后，某些不變，某些輸出零值，神經元之間的相互依賴關系會減弱，所以ReLU在一定程度上能緩解復雜模型的梯度消失和過擬合的問題[47]。其公式如式2-6所示，曲線如圖2-5所示。()={,>00,≤0（2-6）
內蒙古工業(yè)大學碩士學位論文10圖2-3Tanh函數(shù)曲線圖Figure2-3Tanhcurve圖2-4Sigmoid函數(shù)與Tanh函數(shù)曲線圖Figure2-4SigmoidandTanhcurve（3）ReLU激活函數(shù)ReLU激活函數(shù)（RectifiedLinearUnit），一般用于隱層神經元輸出。其為分段線性函數(shù)，所有的非正值為0，所有的正值不變，這被稱為單側抑制。神經元在經過ReLU函數(shù)后，某些不變，某些輸出零值，神經元之間的相互依賴關系會減弱，所以ReLU在一定程度上能緩解復雜模型的梯度消失和過擬合的問題[47]。其公式如式2-6所示，曲線如圖2-5所示。()={,>00,≤0（2-6）
【參考文獻】：
期刊論文
[1]基于卷積神經網絡與雙向長短時記憶網絡組合模型的短時交通流預測[J]. 徐先峰,黃劉洋,龔美. 工業(yè)儀表與自動化裝置. 2020(01)
[2]基于循環(huán)神經網絡的目標轉彎機動類型識別[J]. 吳家湖,熊華,宗睿,趙曜,周賢中. 廣東工業(yè)大學學報. 2020(02)
[3]卷積神經網絡中的激活函數(shù)分析[J]. 賴策. 科學技術創(chuàng)新. 2019(33)
[4]近54年內蒙古自治區(qū)西部沙塵暴的變化趨勢[J]. 馬瀟瀟,王海兵,左合君. 水土保持通報. 2019(04)
[5]關于深度學習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學工. 智能系統(tǒng)學報. 2019(01)
[6]基于門限遞歸單元循環(huán)神經網絡的交通流預測方法研究[J]. 王體迎,時鵬超,劉蔣瓊,劉博藝,時天昊. 重慶交通大學學報(自然科學版). 2018(11)
[7]SDAE-LSTM模型在金融時間序列預測中的應用[J]. 黃婷婷,余磊. 計算機工程與應用. 2019(01)
[8]深度學習研究綜述[J]. 張榮,李偉平,莫同. 信息與控制. 2018(04)
[9]基于循環(huán)神經網絡的網絡輿情趨勢預測研究[J]. 孫靖超,周睿,李培岳,蘆天亮. 情報科學. 2018(08)
[10]卷積神經網絡的PM2.5預報模型[J]. 吳春霖,李琦,侯俊雄,KARIMIAN Hamed,陳工. 測繪科學. 2018(08)
碩士論文
[1]基于大數(shù)據(jù)技術的智能電網企業(yè)日用電量預測模型實現(xiàn)[D]. 郭彥男.廣東工業(yè)大學 2019
[2]潮州氣象手機網實況信息系統(tǒng)的設計與實現(xiàn)[D]. 蔡立青.電子科技大學 2015
[3]集成學習算法研究[D]. 馬冉冉.山東科技大學 2010
本文編號：3228987
【文章來源】：內蒙古工業(yè)大學內蒙古自治區(qū)
【文章頁數(shù)】：91 頁
【學位級別】：碩士
【部分圖文】：
Sigmoid函數(shù)曲線圖
內蒙古工業(yè)大學碩士學位論文10圖2-3Tanh函數(shù)曲線圖Figure2-3Tanhcurve圖2-4Sigmoid函數(shù)與Tanh函數(shù)曲線圖Figure2-4SigmoidandTanhcurve（3）ReLU激活函數(shù)ReLU激活函數(shù)（RectifiedLinearUnit），一般用于隱層神經元輸出。其為分段線性函數(shù)，所有的非正值為0，所有的正值不變，這被稱為單側抑制。神經元在經過ReLU函數(shù)后，某些不變，某些輸出零值，神經元之間的相互依賴關系會減弱，所以ReLU在一定程度上能緩解復雜模型的梯度消失和過擬合的問題[47]。其公式如式2-6所示，曲線如圖2-5所示。()={,>00,≤0（2-6）
內蒙古工業(yè)大學碩士學位論文10圖2-3Tanh函數(shù)曲線圖Figure2-3Tanhcurve圖2-4Sigmoid函數(shù)與Tanh函數(shù)曲線圖Figure2-4SigmoidandTanhcurve（3）ReLU激活函數(shù)ReLU激活函數(shù)（RectifiedLinearUnit），一般用于隱層神經元輸出。其為分段線性函數(shù)，所有的非正值為0，所有的正值不變，這被稱為單側抑制。神經元在經過ReLU函數(shù)后，某些不變，某些輸出零值，神經元之間的相互依賴關系會減弱，所以ReLU在一定程度上能緩解復雜模型的梯度消失和過擬合的問題[47]。其公式如式2-6所示，曲線如圖2-5所示。()={,>00,≤0（2-6）
【參考文獻】：
期刊論文
[1]基于卷積神經網絡與雙向長短時記憶網絡組合模型的短時交通流預測[J]. 徐先峰,黃劉洋,龔美. 工業(yè)儀表與自動化裝置. 2020(01)
[2]基于循環(huán)神經網絡的目標轉彎機動類型識別[J]. 吳家湖,熊華,宗睿,趙曜,周賢中. 廣東工業(yè)大學學報. 2020(02)
[3]卷積神經網絡中的激活函數(shù)分析[J]. 賴策. 科學技術創(chuàng)新. 2019(33)
[4]近54年內蒙古自治區(qū)西部沙塵暴的變化趨勢[J]. 馬瀟瀟,王海兵,左合君. 水土保持通報. 2019(04)
[5]關于深度學習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學工. 智能系統(tǒng)學報. 2019(01)
[6]基于門限遞歸單元循環(huán)神經網絡的交通流預測方法研究[J]. 王體迎,時鵬超,劉蔣瓊,劉博藝,時天昊. 重慶交通大學學報(自然科學版). 2018(11)
[7]SDAE-LSTM模型在金融時間序列預測中的應用[J]. 黃婷婷,余磊. 計算機工程與應用. 2019(01)
[8]深度學習研究綜述[J]. 張榮,李偉平,莫同. 信息與控制. 2018(04)
[9]基于循環(huán)神經網絡的網絡輿情趨勢預測研究[J]. 孫靖超,周睿,李培岳,蘆天亮. 情報科學. 2018(08)
[10]卷積神經網絡的PM2.5預報模型[J]. 吳春霖,李琦,侯俊雄,KARIMIAN Hamed,陳工. 測繪科學. 2018(08)
碩士論文
[1]基于大數(shù)據(jù)技術的智能電網企業(yè)日用電量預測模型實現(xiàn)[D]. 郭彥男.廣東工業(yè)大學 2019
[2]潮州氣象手機網實況信息系統(tǒng)的設計與實現(xiàn)[D]. 蔡立青.電子科技大學 2015
[3]集成學習算法研究[D]. 馬冉冉.山東科技大學 2010
本文編號：3228987
本文鏈接：http://sikaile.net/projectlw/qxxlw/3228987.html
