·
搜索结果:找到“深度学习 气象”相关结果69439条
排序: 按相关 按相关 按时间降序
  • 【论文】 基于深度学习气象预测研究

    作者:杨函 关键词:深度学习 ; 精细化预测 ; 时间序列 ; 循环神经网络 ; 长时记忆网络 ; Tensor Flow 机构:哈尔滨工业大学 ; 哈尔滨工业大学 年份:2017
    摘要:伴随着计算机技术的迅猛发展,深度学习开启了人工智能新时代。以深度学习为代表,伴随其在计算机视觉、语音识别、自然语言处理等领域取得的突破性进展,新技术创新带来的不仅是挑战,同时也给气象预测技术的发展带来了机遇。课题针对气象温度进行时间序列建模,通过分析国内外研究现状及对时间序列预测模型的研究与对比,提出了改进深度学习框架来进行温度时间序列预测的思路。考虑到普通神经网络中出现的天气参数被认为是彼此独立,时序关系一般不被考虑的缺点,在对气象预测模型的构建中,提出了通过滑动时间窗手段改造,让普通神经网络也能学习到历史时序特征。实验表明,在深度前馈网络中加入时序特征的天气预报模型,效果要明显优于不考虑时序的模型。更进一步,针对实验中暴露出的前馈神经网络预报准确率随着预报时间增长快速下降的问题,提出了通过改造循环神经网络(RNN)进行气温预测的方法,并采用专门解决普通循环神经网络长时依赖问题的长短时记忆网络(LONG SHORT-TERM MEMEORY,LSTM)来构建气温预测模型。本文在分析了循环神经网络、RNN-LSTM网络、RNN-GRU网络的基础上,结合气温预测实验模型中出现的过拟合、梯度消失与梯度爆炸等一系列问题,提出使用Re LU激活函数以及加入正则化手段改进等策略,通过优化后的气温预测模型都较以往有更好的收敛效果。在实验中,还包含了对气象数据集的转换、清洗、属性选择、特征提取等工作。在平台应用方面,将实验搬到谷歌最新的深度学习框架TensorFlow-GPU中进行,使用GPU直接参与并行运算,为尝试复杂深度模型实验提供了可能。同时为验证模型的效果,实验不仅有对深度学习框架之间的比较,还加入了与传统ARIMA模型的比较。本文提出深度学习技术在精细化气温预测的应用研究,解决了一系列深度学习技术在气象预测上的具体实现与运用问题,创新了气温预测时序分析方法,拓展了区域化天气预报手段。
  • 【期刊】 基于深度学习的复杂气象条件下海上船只检测

    刊名:计算机应用 作者:熊咏平 ; 丁胜 ; 邓春华 ; 方国康 ; 龚锐 关键词:YOLO v2 ; 目标检测 ; 多尺度目标检测 ; 显著性分割 机构:武汉科技大学计算机科学与技术学院 ; 武汉科技大学计算机科学与技术学院 ; 智能信息处理与实时工业系统湖北省重点实验室 年份:2018
    摘要:为了解决复杂海情环境下的不同种类和大小的舰船检测问题,提出一种实时的深度学习的目标检测算法。首先,提出了一种清晰图片和模糊图片(雨、雾等图片)判别的方法;然后,在YOLO v2的深度学习框架的基础上提出一种多尺度目标检测算法;最后,针对遥感图像舰船目标的特点,提出了一种改进的非极大值抑制和显著性分割算法,对最终的检测结果进一步优化。在复杂海情和气象条件下的舰船目标公开比赛的数据集上,实验结果表明,相比原始的YOLO v2,该方法的准确率提升了16%。
  • 【期刊】 基于深度学习的复杂气象条件下海上船舶识别

    刊名:科学技术与工程 作者:武凯利 ; 仝宗和 ; 张鹏升 ; 刘亚男 ; 刘钊 关键词:船舶识别 ; 暗通道先验去雾 ; 深度学习 ; YOLO算法 机构:中国人民公安大学信息技术与网络安全学院 ; 中国人民公安大学信息技术与网络安全学院 ; 中山大学数学学院 ; 中国人民公安大学网络空间安全与法治协同创新中心 年份:2019
    摘要:为提高复杂气象条件下海上船舶的识别效果,通过暗通道先验去雾算法减少云雾遮挡对目标识别的影响,使用基于深度学习的YOLO(you only look once)改进算法提高目标识别效果。结果表明:采用的算法在中国航天科工四院指挥自动化中心的模拟海事数据集上,4类船舶目标识别的m AP (mean average precision)达到89. 98%,超过了对比的其他目标识别算法;针对数据集中的云雾遮挡图像,暗通道去雾处理后,目标识别的m AP从53. 25%提升到69. 35%。可见提出的算法可以满足复杂气象条件下的海上船舶识别的需求。
  • 【期刊】 基于ASAE深度学习预测海洋气象对船舶航速的影响

    刊名:交通运输工程学报 作者:王胜正 ; 申心泉 ; 赵建森 ; 冀宝仙 ; 杨平安 关键词:交通信息工程 ; 智能航行 ; 船舶航速 ; 深度学习 ; 交替稀疏自编码 ; 关联规则 ; 气象因子 机构:上海海事大学商船学院 ; 上海海事大学商船学院 年份:2018
    摘要:为了有效地预测海洋气象对船舶航速的影响,在稀疏自编码(SAE)网络模型的基础上提出交替稀疏自编码(ASAE)网络模型;构建了海洋气象对船舶航速影响的预测框架,利用关联规则方法对航行数据进行特征选择,挖掘了船速影响因素及其隐含关系;整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据,用训练样本对ASAE网络模型进行训练,用测试样本对ASAE网络模型进行验证,并与支持向量回归(SVR)模型、反向传播神经网络(BPNN)模型、深度信念网络(DBN)模型及SAE网络模型的预测结果进行了对比。研究结果表明:ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn,与SVR模型、BPNN模型、DBN模型及SAE网络模型相比,训练时间分别缩短了1 683.1、66.9、2.0、1.5s,预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn;ASAE网络模型的预测结果更符合实际海况,可动态掌握海洋气象对船舶航速的影响;通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用,在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响,从而改善船舶运营能效指标,实现节能、低碳、绿色航行的宗旨。
  • 【论文】 基于深度学习的多普勒气象雷达回波外推算法研究

    作者:滕志伟 关键词:雷达回波外推 ; 深度学习 ; RNN ; LSTM 机构:湖南师范大学 ; 湖南师范大学 年份:2017
    摘要:强对流天气演变迅速、破坏性强,是具有重大杀伤性的灾害性天气之一,严重威胁人们的生命财产安全。临近天气预报是对强对流天气进行监测和预警的主要手段,通常使用雷达回波外推和数值预报相结合的方法。雷达回波外推是指根据当前的雷达回波数据,推算预测未来的回波数据,是2小时以内的临近天气预报使用的主要方法。传统的雷达回波外推方法在回波稳定时表现较好,可以较为准确地跟踪回波运动变化,但对于回波变化较快的天气过程,预测准确率大幅下降。此外,传统的雷达回波外推方法的预测时效较短,准确性随预测时长的增加快速下降。随着中国新一代多普勒天气雷达逐渐部署使用,如何改进雷达回波外推算法,有效利用多普勒天气雷达回波数据来提高临近天气预报的准确性和时效,是一个意义重大的研究方向。本论文首先分析了新一代多普勒天气雷达CINRAD-SA的工作方式和回波数据,并对当前主流的雷达回波外推算法进行了介绍和分析。根据雷达回波外推的时序性特性,本论文引入了深度学习领域用于解决时序问题的RNN网络,在研究和分析了RNN网络的原理和特性后,使用RNN网络中的LSTM模型应用于雷达回波外推问题。最后,根据LSTM模型对雷达回波外推问题的实践,提出了一种基于LSTM模型的RET-RNN模型,并在实践过程中对RET-RNN模型的结构和超参数进行了优化。在气象学中,反射率因子与降水的强度具有一定程度的关联,由雷达回波生成的反射率因子图是测量短期临时降水的重要工具。本论文使用反射率因子图作为外推目标,使用历史回波数据训练RETRNN模型,将训练好的RET-RNN模型进行外推应用和评估。结果表明,与传统雷达回波外推算法相比,基于RET-RNN模型的回波外推算法在外推时间较长时效果更好,具有相对较长的时效。
  • 【专利】 一种基于深度学习和数值天气预报的天气现象预报方法

    作者:程文聪 ; 邢平 年份:2018
    摘要:本发明公开了一种基于深度学习和数值天气预报的天气现象预报方法,包括:根据数值天气预报产品和天气现象观测数据,构建训练数据集;根据深度学习网络模型对所述训练数据集进行训练,得到预估预报模型;从所述数值天气预报中提取预报场数据片段;将提取的预报场数据片段作为所述预估预报模型的输入数据,得到天气现象分类结果,将所述天气现象分类结果作为天气现象预报结果进行输出。本发明利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力,基于数值天气预报数据和历史天气现象观测数据,实现对未来天气现象的预报。
  • 【期刊】 气象远程培训的深度学习策略研究

    刊名:新疆职业大学学报 作者:杨倩 关键词:深度学习 元认知 气象远程培训 学习策略 机构:中国气象局气象干部培训学院新疆分院远程培训部 ; 中国气象局气象干部培训学院新疆分院远程培训部 年份:2016
    摘要:气象远程培训具有受众面广、针对性强、形式多样等特点,深受培训对象的欢迎,然而气象远程培训在促进认知深度方面仍存在不足。因此本文在深度学习理论基础上分析了深度学习的特点,并针对这些特点提出了气象远程培训的深度学习策略,旨在提高气象远程培训的效果。
  • 【期刊】 建构、意象与深度学习

    刊名:《师资建设》 作者:魏忠 关键词:深度学习 ; 美国麻省理工学院 ; 意象 ; 媒体实验室 ; 终身教授 ; 研究成果 ; 录像机 ; 录音机 机构:美国卡内基梅隆大学 ; 美国卡内基梅隆大学 年份:2015
    摘要:德布罗伊,是美国麻省理工学院媒体实验室的终身教授。在2011年,他公布了自己的一项研究成果。他把自己家里的客厅、厨房、卧室的角角落落都装满了录音机和录像机,把自己的孩子从出生到3岁的所有行为24小时记录下来,
  • 【期刊】 气象领域深度学习知识体系框架及前沿应用

    刊名:陕西气象 作者:李社宏 关键词:数据挖掘 ; 深度学习 ; 卷积神经网络 ; 知识体系框架 机构:陕西省气象局 ; 陕西省气象局 年份:2018
    摘要:介绍了数据挖掘、机器学习深度学习的概念和相互关系,按照整体性学习理论建立了气象领域深度学习知识体系框架,简要介绍了当前主流的深度学习框架工具Caffe和Tensor Flow,以及深度学习气象领域的几个前沿应用,最后提出了推进深度学习技术在气象领域研究应用应当重视的三个关键环节.
  • 【期刊】 气象领域深度学习知识体系框架及前沿应用

    刊名:陕西气象 作者:李社宏; 关键词:数据挖掘;;深度学习;;卷积神经网络;;知识体系框架 机构:陕西省气象局 ; 陕西省气象局 年份:2018
    摘要:介绍了数据挖掘、机器学习深度学习的概念和相互关系,按照整体性学习理论建立了气象领域深度学习知识体系框架,简要介绍了当前主流的深度学习框架工具Caffe和TensorFlow,以及深度学习气象领域的几个前沿应用,最后提出了推进深度学习技术在气象领域研究应用应当重视的三个关键环节。
  • 【期刊】 基于气象因子深度学习的森林火灾预测方法

    刊名:林业工程学报 作者:孙立研 ; 刘美玲 ; 周礼祥 ; 于洋 关键词:森林火灾 ; 预测模型 ; 气象因子 ; 深度信念网络 ; SMOTE算法 机构:东北林业大学信息与计算机工程学院 ; 东北林业大学信息与计算机工程学院 ; 哈尔滨工程大学计算机科学与技术学院 年份:2019
    摘要:森林火灾一旦发生将对生态系统造成严重的破坏,间接导致气候的变化和极端天气频发。对森林火灾的发生进行准确预测可提前采取有效的防控措施,具有重要意义。传统林火预测模型多为数学方法和浅层神经网络,当数据量增大时易出现建模困难以及预测精度降低等问题。深度学习模型在处理大量非线性数据上具有一定的优势,其模型具有多层网络结构,通过训练大量数据可提取出具有代表性的特征值,发现数据间的隐含关系,达到准确分类预测的目的。因此,本研究提出一种基于深度学习的林火预测方法,将深度信念网络(deep belief network,DBN)作为预测模型,气象因子作为输入数据,以解决传统林火预测模型在面对大量数据时预测效果不佳的问题;同时结合过采样SMOTE(synthetic minority oversampling technique)算法,平衡林火数据集和增加训练数据量,提升了森林火灾的预测准确度。结果表明,在面对更大的数据量时,该模型预测精度明显优于其他传统林火预测模型,证明了将深度学习应用在林火预测的优越性。该研究可为深度学习在林业领域的应用提供参考。
  • 【专利】 深度学习面诊系统

    作者:金波 年份:2017
    摘要:本发明提供了基于深度学习的面诊方法和系统。本发明使用大量具有疾病标签的人脸图像训练深度学习网络,通过多次迭代,参数更新后,此深度学习网络可以自动有效提取包括眼耳鼻口眉在内的人脸部特征,找出脸部特征与人体各疾病之间的内在联系,从而对新的受试者脸部图像做出疾病的有效检测与筛查,是一种非侵入式的计算机辅助的自动诊断方法。此系统可以通过持续收集病人脸部图片再训练而更新参数,从而使预测判断结果更加精确。通过此种方法与系统可以有效解决贫困落后地区疾病检测困难的问题,使人民能够通过手机电脑等终端方便快捷地进行非侵入式的疾病自动检测及筛查,使疾病能够被及时治疗,从而提高改善人类生活质量水平。
上一页 1 2 3 4 5 6 7 8 9 10 下一页 跳转