短期強(qiáng)降雨不僅會(huì)導(dǎo)致農(nóng)業(yè)生產(chǎn)受損,還可能嚴(yán)重威脅國(guó)民的正常社會(huì)經(jīng)濟(jì)生活。因此,深入研究短臨降水預(yù)測(cè)利國(guó)利民。本文致力于將機(jī)器學(xué)習(xí)方法應(yīng)用到短時(shí)降水預(yù)測(cè)中,針對(duì)地面氣象觀測(cè)數(shù)據(jù)和雷達(dá)氣象觀測(cè)數(shù)據(jù)分別展開了兩項(xiàng)降水預(yù)測(cè)研究。在基于地面觀測(cè)資料的降水預(yù)測(cè)研究中,針對(duì)傳統(tǒng)k最近鄰算法處理多維數(shù)據(jù)分類時(shí),沒有考慮不同屬性對(duì)分類結(jié)果的影響程度存在相異性這一問題,提出一種基于屬性重要度的k最近鄰算法。將大氣壓強(qiáng)、風(fēng)向、風(fēng)速、大氣溫度和相對(duì)濕度作為樣本屬性,將降水量作為類標(biāo)簽,利用屬性空間上同類數(shù)據(jù)分布的內(nèi)聚性和異類數(shù)據(jù)的耦合性確定樣本屬性的權(quán)重,通過(guò)屬性加權(quán)歐氏距離進(jìn)行近鄰搜索,從而實(shí)現(xiàn)最優(yōu)分類。實(shí)驗(yàn)結(jié)果表明,新的降水預(yù)報(bào)方法在性能指標(biāo)上表現(xiàn)更優(yōu):不僅提高了降水預(yù)報(bào)結(jié)果的準(zhǔn)確率、TS評(píng)分和正樣本概括率,還降低了降水預(yù)測(cè)的標(biāo)準(zhǔn)誤差與漏報(bào)率。在基于雷達(dá)觀測(cè)資料的降水預(yù)測(cè)研究中,針對(duì)目前國(guó)內(nèi)外大部分雷達(dá)降水預(yù)測(cè)模型預(yù)測(cè)精度和泛化能力不足的現(xiàn)狀,本文將卷積神經(jīng)網(wǎng)絡(luò)的圖像特征學(xué)習(xí)優(yōu)勢(shì)和循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序特征學(xué)習(xí)優(yōu)勢(shì)結(jié)合起來(lái),設(shè)計(jì)并構(gòu)建了兩種降水預(yù)測(cè)模型——基于三維卷積雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Conv3D-Bi L... 

【文章來(lái)源】：南京信息工程大學(xué)江蘇省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

灰色關(guān)聯(lián)分析的計(jì)算流程圖

第二章基礎(chǔ)理論和相關(guān)技術(shù)92.2雷達(dá)降水預(yù)測(cè)的理論基礎(chǔ)2.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)當(dāng)輸入數(shù)據(jù)在序列中隱含有時(shí)間信息，普通的神經(jīng)網(wǎng)絡(luò)將無(wú)法解決其中的時(shí)間依賴性，此時(shí)需要引入循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）。RNN是一種主要針對(duì)時(shí)間序列數(shù)據(jù)建模的深度神經(jīng)網(wǎng)絡(luò)[38]。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣，RNN的基本結(jié)構(gòu)可以分為輸入層、隱藏層以及輸出層，RNN的典型網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。由圖2-2可知，相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，RNN在隱藏層中增加了一個(gè)基于信號(hào)反饋的循環(huán)結(jié)構(gòu)。通過(guò)利用信號(hào)反饋結(jié)構(gòu)，RNN可以將上一時(shí)刻的輸出信息作為模型記憶，再次輸入到模型中，并對(duì)模型當(dāng)前時(shí)刻的輸出結(jié)果產(chǎn)生一定程度的影響[39]。換而言之，RNN在當(dāng)前時(shí)刻的輸出值不僅取決于當(dāng)前時(shí)刻的輸入值，同時(shí)也受上一時(shí)刻輸出值的影響。圖2-2典型循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖在圖2-2中，X和H分別代表了循環(huán)神經(jīng)單元的輸入值和輸出值；U和V分別代表輸入層到隱藏層和隱藏層到輸出層的權(quán)重矩陣；s代表隱藏層的值，也常被稱為隱藏狀態(tài)；W則代表隱藏層的權(quán)重矩陣，它可以將上一時(shí)刻輸出值轉(zhuǎn)換成為當(dāng)前時(shí)刻輸入。RNN在當(dāng)前時(shí)刻的輸入由兩部分組成：輸入層傳遞過(guò)來(lái)的當(dāng)前時(shí)刻輸入值以及隱藏層中循環(huán)結(jié)構(gòu)傳遞過(guò)來(lái)的上一時(shí)刻的隱藏狀態(tài)[40]。因此，RNN可以視為一個(gè)普通神經(jīng)網(wǎng)絡(luò)沿時(shí)序方向復(fù)制多次并連接在一起的結(jié)果。為了更好地理解RNN的工作原理，我們將RNN的結(jié)構(gòu)圖按照時(shí)間方向展開，得到的結(jié)果如圖2-3所示。圖2-3循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序展開示意圖

第二章基礎(chǔ)理論和相關(guān)技術(shù)92.2雷達(dá)降水預(yù)測(cè)的理論基礎(chǔ)2.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)當(dāng)輸入數(shù)據(jù)在序列中隱含有時(shí)間信息，普通的神經(jīng)網(wǎng)絡(luò)將無(wú)法解決其中的時(shí)間依賴性，此時(shí)需要引入循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）。RNN是一種主要針對(duì)時(shí)間序列數(shù)據(jù)建模的深度神經(jīng)網(wǎng)絡(luò)[38]。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣，RNN的基本結(jié)構(gòu)可以分為輸入層、隱藏層以及輸出層，RNN的典型網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。由圖2-2可知，相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，RNN在隱藏層中增加了一個(gè)基于信號(hào)反饋的循環(huán)結(jié)構(gòu)。通過(guò)利用信號(hào)反饋結(jié)構(gòu)，RNN可以將上一時(shí)刻的輸出信息作為模型記憶，再次輸入到模型中，并對(duì)模型當(dāng)前時(shí)刻的輸出結(jié)果產(chǎn)生一定程度的影響[39]。換而言之，RNN在當(dāng)前時(shí)刻的輸出值不僅取決于當(dāng)前時(shí)刻的輸入值，同時(shí)也受上一時(shí)刻輸出值的影響。圖2-2典型循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖在圖2-2中，X和H分別代表了循環(huán)神經(jīng)單元的輸入值和輸出值；U和V分別代表輸入層到隱藏層和隱藏層到輸出層的權(quán)重矩陣；s代表隱藏層的值，也常被稱為隱藏狀態(tài)；W則代表隱藏層的權(quán)重矩陣，它可以將上一時(shí)刻輸出值轉(zhuǎn)換成為當(dāng)前時(shí)刻輸入。RNN在當(dāng)前時(shí)刻的輸入由兩部分組成：輸入層傳遞過(guò)來(lái)的當(dāng)前時(shí)刻輸入值以及隱藏層中循環(huán)結(jié)構(gòu)傳遞過(guò)來(lái)的上一時(shí)刻的隱藏狀態(tài)[40]。因此，RNN可以視為一個(gè)普通神經(jīng)網(wǎng)絡(luò)沿時(shí)序方向復(fù)制多次并連接在一起的結(jié)果。為了更好地理解RNN的工作原理，我們將RNN的結(jié)構(gòu)圖按照時(shí)間方向展開，得到的結(jié)果如圖2-3所示。圖2-3循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序展開示意圖

【參考文獻(xiàn)】：
期刊論文
[1]BRR-SVR月降水量預(yù)測(cè)優(yōu)化模型[J]. 賀玉琪,王棟,王遠(yuǎn)坤.  水利學(xué)報(bào). 2019(12)
[2]降水臨近預(yù)報(bào)及其在水文預(yù)報(bào)中的應(yīng)用研究進(jìn)展[J]. 劉佳,邱慶泰,李傳哲,焦裕飛,王維,于福亮.  水科學(xué)進(jìn)展. 2020(01)
[3]我國(guó)氣象大數(shù)據(jù)的發(fā)展趨勢(shì)研究[J]. 劉喆玥.  電腦知識(shí)與技術(shù). 2019(21)
[4]短臨降水預(yù)報(bào)方法及其應(yīng)用研究綜述[J]. 王婷,劉云鵬,董晨,李瑾.  電子世界. 2019(10)
[5]循環(huán)神經(jīng)網(wǎng)絡(luò)在雷達(dá)臨近預(yù)報(bào)中的應(yīng)用[J]. 韓豐,龍明盛,李月安,薛峰,王建民.  應(yīng)用氣象學(xué)報(bào). 2019(01)
[6]基于雷達(dá)回波區(qū)域跟蹤算法的臨近預(yù)報(bào)技術(shù)進(jìn)展[J]. 吳劍坤,陳明軒.  氣象科技. 2018(05)
[7]雷達(dá)回波外推方法在臨近降雨預(yù)報(bào)中的應(yīng)用[J]. 張衛(wèi)國(guó),范仲麗,鐘偉,江雨田,孫飛飛,陳娟.  中國(guó)農(nóng)村水利水電. 2018(09)
[8]一種新的基于偽最近鄰算法的降水預(yù)報(bào)方法[J]. 黃明明,林潤(rùn)生,黃帥,邢騰飛.  科學(xué)技術(shù)與工程. 2018(17)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)回波外推方法[J]. 施恩,李騫,顧大權(quán),趙章明.  計(jì)算機(jī)應(yīng)用. 2018(03)
[10]基于距離權(quán)值的C4.5組合決策樹算法[J]. 杜景林,嚴(yán)蔚嵐.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(01)

博士論文
[1]多源降雨觀測(cè)與融合及其在長(zhǎng)江流域的水文應(yīng)用[D]. 李哲.清華大學(xué) 2015



本文編號(hào)：3325129