亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國(guó)內(nèi)或國(guó)外 期刊或論文

您當(dāng)前的位置:發(fā)表學(xué)術(shù)論文網(wǎng)電子論文》 動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)回波外推中的應(yīng)用> 正文

動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)回波外推中的應(yīng)用

所屬分類:電子論文 閱讀次 時(shí)間:2021-04-07 10:26

本文摘要:摘要:雷達(dá)回波外推方法已廣泛應(yīng)用于短時(shí)強(qiáng)降水臨近預(yù)報(bào)中。針對(duì)傳統(tǒng)雷達(dá)回波外推方法未充分利用海量歷史氣象數(shù)據(jù)從而導(dǎo)致預(yù)報(bào)準(zhǔn)確度不高的問題,提出了一個(gè)基于動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)(dynamicprobabilityconvolutionalneuralnetwork,DPCNN)的雷達(dá)回波外推模

  摘要:雷達(dá)回波外推方法已廣泛應(yīng)用于短時(shí)強(qiáng)降水臨近預(yù)報(bào)中。針對(duì)傳統(tǒng)雷達(dá)回波外推方法未充分利用海量歷史氣象數(shù)據(jù)從而導(dǎo)致預(yù)報(bào)準(zhǔn)確度不高的問題,提出了一個(gè)基于動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)(dynamicprobabilityconvolutionalneuralnetwork,DPCNN)的雷達(dá)回波外推模型。該模型在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加動(dòng)態(tài)概率計(jì)算層,對(duì)不同的雷達(dá)回波輸入序列計(jì)算對(duì)應(yīng)的概率卷積核,并用于后續(xù)的外推計(jì)算中,使得網(wǎng)絡(luò)在預(yù)測(cè)階段仍然能夠根據(jù)不同的輸入序列作出相應(yīng)的概率調(diào)整,從而增強(qiáng)了外推結(jié)果與已知序列的關(guān)聯(lián)。經(jīng)某局部地區(qū)短時(shí)強(qiáng)降水外推實(shí)驗(yàn),從外推圖像、SCI指數(shù)、FAR指數(shù)、POD指數(shù)四個(gè)方面驗(yàn)證了該模型的有效性。

  關(guān)鍵詞:動(dòng)態(tài)概率;雷達(dá)回波外推;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò)

計(jì)算機(jī)應(yīng)用研究

  0引言

  隨著社會(huì)發(fā)展,氣象與日常生活的關(guān)聯(lián)度在不斷上升,極端天氣帶來(lái)的航班取消、動(dòng)車晚點(diǎn)等交通中斷問題對(duì)于經(jīng)濟(jì)的影響也日益突出,因此對(duì)降水類型、天氣系統(tǒng)內(nèi)部潛在關(guān)系的研究成為熱點(diǎn)[1~4]。在眾多氣象災(zāi)害中,強(qiáng)對(duì)流天氣帶來(lái)的降水因?yàn)榫哂邪l(fā)生突然、發(fā)展迅速、破壞性強(qiáng)等特征而受到氣象部門高度重視[5~7]。對(duì)短時(shí)臨近降水預(yù)報(bào)的工作主要是指,根據(jù)雷達(dá)回波圖、雨量統(tǒng)計(jì)數(shù)據(jù)等其他觀測(cè)數(shù)據(jù)對(duì)某一地區(qū)的降雨強(qiáng)度進(jìn)行短時(shí)間(如0-2小時(shí))的預(yù)報(bào)。目前利用雷達(dá)回波圖進(jìn)行外推,已成為短時(shí)臨近降水預(yù)報(bào)的一種重要技術(shù)手段[8~10]。

  在此類雷達(dá)回波外推的相關(guān)方法中,已投入實(shí)際業(yè)務(wù)的主要有光流法[11,12]、質(zhì)心跟蹤法(Centroid)、交叉相關(guān)法(COTREC)[13,14]等。上述方法各有不足,光流法將光流場(chǎng)的估計(jì)和雷達(dá)回波外推分為兩個(gè)步驟,而非端到端的過程,這將引入額外誤差[15];質(zhì)心跟蹤法通過閾值來(lái)識(shí)別風(fēng)暴單體,因而最佳使用場(chǎng)景是風(fēng)暴單體的跟蹤,而非對(duì)短時(shí)臨近降水回波未來(lái)演變趨勢(shì)預(yù)測(cè)[16];交叉相關(guān)法假設(shè)回波演變是線性的,并基于此假設(shè)根據(jù)若干歷史時(shí)刻的回波特征來(lái)外推下一個(gè)時(shí)刻的回波分布,然而在實(shí)際情況下,回波演變往往是復(fù)雜的非線性演變。

  針對(duì)上述雷達(dá)回波外推方法存在的問題,本文修改了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提出了一種基于動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)(DPCNN)模型。該模型通過學(xué)習(xí)歷史雷達(dá)回波圖序列中回波空間分布和強(qiáng)度演變規(guī)律,從而實(shí)現(xiàn)對(duì)雷達(dá)回波圖像的外推。DPCNN在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(CNN)上增加了動(dòng)態(tài)概率計(jì)算層,為已知序列計(jì)算對(duì)應(yīng)的概率卷積核,使得網(wǎng)絡(luò)在預(yù)測(cè)階段能夠根據(jù)不同輸入序列作出相應(yīng)概率調(diào)整,從而使網(wǎng)絡(luò)能為不同的輸入序列“定制”相應(yīng)的網(wǎng)絡(luò)狀態(tài),這使網(wǎng)絡(luò)更具靈活性。

  1DPCNN外推過程

  DPCNN外推的整體過程包括數(shù)據(jù)預(yù)處理過程和模型外推過程。數(shù)據(jù)預(yù)處理過程最終輸出灰度CAPPI雷達(dá)回波圖;在外推過程中,訓(xùn)練好的DPCNN模型將會(huì)根據(jù)輸入的灰度雷達(dá)回波圖序列,動(dòng)態(tài)計(jì)算出對(duì)應(yīng)概率卷積核,并利用其進(jìn)行外推得到雷達(dá)回波外推圖序列。DPCNN外推全過程各具體操作步驟將在本文后續(xù)章節(jié)中給出。

  2數(shù)據(jù)集構(gòu)造與預(yù)處理

  本文采用某地區(qū)2015年1月至2017年12月份CINRADSA型多普勒天氣雷達(dá)資料作為原始數(shù)據(jù)集。該數(shù)據(jù)集中均為等高平面位置顯示產(chǎn)品(ConstantAltitudePlanPositionIndicator,CAPPI)的雷達(dá)回波圖像。其中2015年至2016年的雷達(dá)回波圖像作為訓(xùn)練數(shù)據(jù)集,2017年作為測(cè)試數(shù)據(jù)集。

  高平面位置顯示產(chǎn)品雷達(dá)回波圖像的例圖所示,原始CAPPI雷達(dá)回波數(shù)據(jù)為三通道圖像,當(dāng)中包含地理背景信息(如海洋、陸地)和色譜卡信息(如文字)會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程造成干擾,因此需要對(duì)原始數(shù)據(jù)集的圖片進(jìn)行切割、雷達(dá)回波圖語(yǔ)義信息提取、背景地理信息去除等相關(guān)預(yù)處理工作。為預(yù)處理后的灰度CAPPI雷達(dá)回波圖。等高平面位置顯示產(chǎn)品雷達(dá)回波圖像的預(yù)處理流程圖。原始雷達(dá)回波圖為例,首先從右側(cè)色譜卡中獲取相關(guān)的雷達(dá)回波強(qiáng)度對(duì)應(yīng)色譜卡RGB值,對(duì)色譜卡進(jìn)行裁剪,只保留回波數(shù)據(jù)部分,得到左側(cè)規(guī)格為480480的三通道雷達(dá)回波數(shù)據(jù)彩圖。利用原始雷達(dá)回波圖中的地界、河流等信息,標(biāo)記并制作出對(duì)應(yīng)的掩模矩陣,為后續(xù)的插值提供依據(jù)。

  結(jié)合雷達(dá)回波數(shù)據(jù)彩圖以及已知的色譜卡信息,對(duì)雷達(dá)回波部分進(jìn)行提取。然后對(duì)提取得到的彩色雷達(dá)回波數(shù)據(jù)進(jìn)行灰度值映射,得到對(duì)應(yīng)的雷達(dá)回波灰度圖。由于原始雷達(dá)回波數(shù)據(jù)中存在著省界、雷達(dá)半徑輔助圈等信息,此時(shí)得到的灰度圖存在明顯的被分割現(xiàn)象,因此需要插值。將雷達(dá)回波灰度圖結(jié)合前面步驟所得的掩模矩陣,利用IIR濾波器的方法實(shí)現(xiàn)插值。由于DPCNN所使用的訓(xùn)練數(shù)據(jù)為圖片序列,在上述預(yù)處理后,需要對(duì)去除背景信息的灰度CAPPI雷達(dá)回波圖進(jìn)行序列構(gòu)造。序列構(gòu)造方法:按時(shí)間順序,窗口長(zhǎng)度為15幀進(jìn)行滑動(dòng)采樣并構(gòu)造樣本,其中每一幀表示一張去除背景信息的灰度CAPPI雷達(dá)回波圖。

  一個(gè)訓(xùn)練或測(cè)試樣本可劃分為輸入部分和標(biāo)簽部分,其中輸入部分為5幀,標(biāo)簽部分為10幀,可進(jìn)一步表示為:x,x,x,x,x,y,y,...,y123451210。其中,x,x,x,x,x12345為輸入部分,y,y,...,y1210為標(biāo)簽部分。由于多普勒雷達(dá)完成一次掃描所需時(shí)間恒定為6min,因此樣本中各幀之間的時(shí)間間隔為6min。上述每一幀雷達(dá)回波圖像分辨率均為480480。

  3動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)

  DPCNNCNN是深度學(xué)習(xí)領(lǐng)域的重要分支。由于CNN及其變種網(wǎng)絡(luò)能有效提取圖像中的邊緣、細(xì)節(jié)等語(yǔ)義信息,因而被廣泛應(yīng)用在計(jì)算機(jī)圖像處理領(lǐng)域,近年來(lái)得到了廣泛重視和研究[17~19]。傳統(tǒng)的CNN是一種多層次架構(gòu)的神經(jīng)網(wǎng)絡(luò),其低層部分一般由卷積層和池化層交替組成,卷積層中的卷積核是圖像特征提取的關(guān)鍵結(jié)構(gòu);高層部分一般為全連接層或全局平均池化層[20]。輸出層的激活函數(shù)可以根據(jù)不同的任務(wù)進(jìn)行選擇:如回歸任務(wù)可采用Sigmoid激活函數(shù),分類任務(wù)可以采用Softmax激活函數(shù)等。 由于臨近時(shí)間段的雷達(dá)回波圖中回波塊像素所在位置和亮度值具有較強(qiáng)的相關(guān)性,且卷積神經(jīng)網(wǎng)絡(luò)具有較好的建模能力,本文提出了一種基于動(dòng)態(tài)概率卷積神經(jīng)網(wǎng)絡(luò)模型(DPCNN)。

  該網(wǎng)絡(luò)增加了動(dòng)態(tài)概率生成層(DynamicProbabilityGenerateLayer,DPGL)和動(dòng)態(tài)概率計(jì)算層(DynamicProbabilityComputeLayer,DPCL)。DPCL中的卷積核由DPGL生成,并對(duì)不同輸入序列,DPGL能夠產(chǎn)生不同的概率卷積核和特征圖序列,使得訓(xùn)練好的網(wǎng)絡(luò)在預(yù)測(cè)階段能夠根據(jù)不同輸入序列作出動(dòng)態(tài)的概率狀態(tài)演變。其中,DPGL為雙輸出神經(jīng)網(wǎng)絡(luò),用于計(jì)算概率卷積核和提取歷史雷達(dá)回波序列的特征圖。DPCL將DPGL生成的概率卷積核和提取得到的特征圖進(jìn)行一系列的卷積計(jì)算操作后得到最終的外推結(jié)果。

  3.1動(dòng)態(tài)概率生成層

  DPGLDPGL為DPCNN模型的輸入部分,DPGL對(duì)輸入的雷達(dá)回波序列經(jīng)過一系列卷積層處理后,輸出雷達(dá)回波序列對(duì)應(yīng)的特征圖序列以及概率卷積核。結(jié)構(gòu)上,DPGL的低層部分包含3個(gè)卷積層Conv1、Conv2、和Conv3;中層部分有兩個(gè)分支,第一個(gè)分支包含了3個(gè)轉(zhuǎn)置卷積層TransConv1、TransConv2、TransConv3以及1個(gè)卷積層Conv5,該分支最終輸出10480480特征圖序列;在第二個(gè)分支包含了1個(gè)卷積層Conv4和1個(gè)Softmax運(yùn)算層,最終輸出1077的概率卷積核Kernel。

  4實(shí)驗(yàn)結(jié)果與分析

  實(shí)驗(yàn)運(yùn)行在3.60GHz的CPU、內(nèi)存8GB的PC上。模型對(duì)于卷積層的初始化方法采用Xavier[22]方法,偏置項(xiàng)的初始化值為0向量。在優(yōu)化器選擇上采用Adam優(yōu)化的方法,起始學(xué)習(xí)速率設(shè)置為0.0001,并且設(shè)置學(xué)習(xí)速率衰減機(jī)制,每隔10000次迭代,學(xué)習(xí)速率衰減至原來(lái)的70%。網(wǎng)絡(luò)訓(xùn)練采用mini-batch訓(xùn)練的方案,每一批數(shù)據(jù)大小batch-size為4個(gè)樣本,最大迭代次數(shù)為60000次。

  5結(jié)束語(yǔ)

  本文詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)的變種模型DPCNN,并且以該模型為基礎(chǔ),與傳統(tǒng)的CNN模型、COTREC方法和Centroid方法進(jìn)行對(duì)比,得出如下的結(jié)論:a)從外推結(jié)果的可視化圖像上看,DPCNN模型和CNN網(wǎng)絡(luò)的外推結(jié)果均存在一定的“模糊化”現(xiàn)象,但盡管如此,從外推結(jié)果中離散云團(tuán)的外觀形態(tài)和回波強(qiáng)度細(xì)節(jié)上看,相比于傳統(tǒng)的CNN模型,DPCNN模型更能保留離散云團(tuán)的細(xì)節(jié)和回波強(qiáng)度的分布位置,因此外推的結(jié)果比傳統(tǒng)的CNN要更加接近實(shí)際觀測(cè)的結(jié)果。b)在CSI、FAR、POD三個(gè)氣象領(lǐng)域常用分析指標(biāo)上看,相比于COTREC方法、傳統(tǒng)的CNN方法和Centroid方法,DPCNN模型在CSI和POD的20dBZ、30dBZ、50dBZ三個(gè)閾值上均取得更好的效果。

  在FAR指標(biāo)上,DPCNN模型在20dBZ時(shí)取得較好的效果,而在30dBZ時(shí)取得的效果不如COTREC方法和Centroid方法,在50dBZ時(shí)不如COTREC方法。分析其原因?yàn),回波的?qiáng)度和覆蓋的范圍往往是反比的,這意味著回波強(qiáng)度越大,對(duì)應(yīng)的像素點(diǎn)就越少,同時(shí),由于神經(jīng)網(wǎng)絡(luò)在進(jìn)行外推時(shí)存在“模糊化”的問題,因此這將導(dǎo)致nS相對(duì)變小,而nF,nM相對(duì)變大,從而導(dǎo)致FAR會(huì)變大,而POD會(huì)變小。c)對(duì)于DPCNN模型而言,CSI在不同閾值強(qiáng)度下,總體演變趨勢(shì)都會(huì)隨著外推的預(yù)報(bào)時(shí)效而下降。

  計(jì)算機(jī)職稱論文投稿刊物:《計(jì)算機(jī)應(yīng)用研究雜志》(ApplicationResearchofComputers)創(chuàng)刊于2003年,經(jīng)國(guó)家新聞出版總署和國(guó)家科學(xué)技術(shù)部正式批準(zhǔn),由中華人民共和國(guó)衛(wèi)生部主管,中國(guó)醫(yī)學(xué)基金會(huì)主辦的國(guó)家及全國(guó)性學(xué)術(shù)類綜合醫(yī)學(xué)期刊。本刊為月刊,主編:劉營(yíng)。國(guó)際標(biāo)準(zhǔn)刊號(hào):ISSN1001-3695,國(guó)內(nèi)統(tǒng)一刊號(hào):CN51-1196/TP,國(guó)內(nèi)郵發(fā)代號(hào):62-68,國(guó)外發(fā)行代號(hào):MO4408,國(guó)外總發(fā)行:中國(guó)國(guó)際圖書貿(mào)易總公司,國(guó)內(nèi)總發(fā)行:成都市郵政局,每月1日出版。

  同時(shí),在相同預(yù)報(bào)時(shí)效的前提下,隨著閾值強(qiáng)度的增強(qiáng),CSI系數(shù)會(huì)隨之下降,并且閾值強(qiáng)度越大下降越明顯。因此,DPCNN模型作為一種神經(jīng)網(wǎng)絡(luò)模型,在雷達(dá)回波外推上存在可改進(jìn)的地方:①該模型在FAR指標(biāo)上隨著回波強(qiáng)度閾值的增加而增加,并且增加的速度相對(duì)明顯,今后可以考慮為損失函數(shù)引入隨回波強(qiáng)度變化的權(quán)重,加強(qiáng)神經(jīng)網(wǎng)絡(luò)對(duì)回波強(qiáng)度較大的位置的敏感度,從而提高模型對(duì)于強(qiáng)回波區(qū)域的預(yù)報(bào)能力。②DPCNN模型在外推輸出時(shí)存在一定程度的“模糊化”現(xiàn)象,因此,下一步研究工作可以嘗試對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行進(jìn)一步的改良和優(yōu)化,使得外推可視化結(jié)果的細(xì)節(jié)更加豐富。

  參考文獻(xiàn):

  [1]滕少華,唐海濤,張巍,等.混合PNN和RBF多神經(jīng)網(wǎng)絡(luò)模型的局域降雨類型識(shí)別及雨量預(yù)測(cè)[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(11):2571-2576.(TengShaohua,TangHaitao,ZhangWei,etal.IdentifyingLocalRainfallTypeandForecastingRainfallQuantityBasedonMixedMultiplePNNandRBFNeuralNetworkModels[J].JournalofChineseComputerSystems,2016,37(11):2571-2576.)

  [2]滕少華,樊繼慧,陳瀟,等.SVM多分類器協(xié)同挖掘局域氣象數(shù)據(jù)[J].廣西大學(xué)學(xué)報(bào),2014,39(5):1131-1137.(TengShaohua,FanJihui,ChenXiao,etal.ApplicationofSVM-basedmulti-classifiersinminingcooperativelylocalareameteorologicaldata[J].JournalofGuangxiUniversity,2014,39(5):1131-1137.)

  [3]王劍輝,梁路,王彪.基于分支限界的不平衡氣象數(shù)據(jù)晴雨分析[J].計(jì)算機(jī)應(yīng)用研究,2016,33(6):1648-1652.(WangJianhui,LiangLu,WangBiao.Analysisofimbalancedweatherdatabasedonbranch-andboundapproach[J].ApplicationResearchofComputers,2016,33(6):1648-1652.)

  [4]蔣林利,吳建生,丁立新.基于二分搜索密度峰算法的RBFNN在月降水預(yù)報(bào)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2019,36(2):362-366.(JiangLinli,WuJiansheng,DingLixin.ApplicationofRBFNNbasedonTSDPCAinmonthlyrunoffforecasting[J].ApplicationResearchofComputers,2019,36(2):362-366.)

  作者:吳卓升1,張巍1†,林艷2,滕少華1

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng):http:///dzlw/26370.html