基于深度学习的风暴检测算法分析与研究

基于深度学习的风暴检测算法分析与研究

论文摘要

近年来,随着计算机技术的提升以及社会信息化的加速,社会各行各业对天气预报的要求也有了提高。尤其是风暴这种直接影响了人们出行、室外工作的恶劣的强对流天气,给人们的生活带来了很多的不便。除了及时准确的预报,精准实时的识别出风暴的位置也是非常有研究意义的部分。目前的风暴识别算法大多是基于雷达回波数据的传统数值方法,这些方法在识别过程中从空间雷达回波数据的各个维度进行搜索与合并,过程繁琐,并且中间过程太多容易产生多重误差的累加,严重影响了最终对风暴的识别结果。此外,传统的风暴识别方法在检测过程中只在意空间数据之间的连续性,最能反映风暴整体的梯度并没有得到重视,这容易使风暴单体的合并和筛选过程产生误差,影响最终的结果。考虑空间结构化雷达回波数据与图像数据的相似性,使用卷积神经网络(Convolution Neural Network,CNN)来进行雷达回波数据中的风暴检测。在研究了基于深度学习的目标检测模型之后,综合考虑传统风暴检测算法的不足,本文提出了基于深度学习的SD-CNN风暴检测模型(Storm Detection Based on Convolutional Neural Network,SD-CNN)。SD-CNN模型使用RPN(Region Proposal Network)子网络来提取候选风暴区域,然后使用RPC(Region Proposal Classification)子网络对候选风暴区域进行再分类,最终得到风暴检测的结果。经过实验验证,SD-CNN模型在准确度和速度上都优于传统的风暴检测模型。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 课题研究背景和意义
  •   1.2 国内外相关研究
  •   1.3 本文研究内容及完成工作
  •     1.3.1 主要研究内容
  •     1.3.2 完成工作和主要创新点
  •   1.4 本文的组织结构
  • 第二章 风暴检测理论基础
  •   2.1 雷达回波数据介绍
  •     2.1.1 雷达回波数据图
  •     2.1.2 自动观测站和风暴等级划分
  •   2.2 传统风暴检测算法概述
  •     2.2.1 SCIT风暴识别算法简介
  •     2.2.2 传统风暴检测算法的不足
  •   2.3 基于深度学习进行风暴检测的理论支持
  •     2.3.1 卷积神经网络原理
  •     2.3.2 基于卷积神经网络的目标检测
  •     2.3.3 可行性总结
  •   2.4 本章小结
  • 第三章 研究问题定义和模型设计
  •   3.1 研究问题定义
  •   3.2 基于深度学习的SD-CNN模型设计
  •     3.2.1 模型的设计思想
  •     3.2.2 模型数据的处理
  •   3.3 RPN子网络的设计
  •     3.3.1 设计思想
  •     3.3.2 损失函数定义
  •     3.3.3 候选区域生成
  •     3.3.4 实验结果对比
  •   3.4 RPC子网络的设计
  •     3.4.1 设计思想
  •     3.4.2 网络结构
  •     3.4.3 实验结果对比
  •   3.5 模型实现的难点和解决方案
  •     3.5.1 雷达回波数据集的限制
  •     3.5.2 深层卷积神经网络的速度优化
  •     3.5.3 风暴检测准确率的提升
  •   3.6 本章小结
  • 第四章 基于SD-CNN的风暴检测模型实现及验证
  •   4.1 实验环境介绍
  •     4.1.1 硬件环境
  •     4.1.2 实验平台
  •     4.1.3 开发框架
  •   4.2 数据集的制作
  •     4.2.1 风暴检测数据集
  •     4.2.2 分类数据集
  •   4.3 模型的实现和结果评估
  •     4.3.1 SD-CNN模型的训练和预测
  •     4.3.2 实验结果评估和分析
  •   4.4 本章小结
  • 第五章 总结与展望
  •   5.1 总结
  •   5.2 展望
  • 参考文献
  • 攻读硕士学位期间取得的研究成果
  • 致谢
  • 附件
  • 文章来源

    类型: 硕士论文

    作者: 邹四旺

    导师: 程兴国,胡艳胜

    关键词: 卷积神经网络,深度学习,目标检测

    来源: 华南理工大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 气象学,计算机软件及计算机应用,自动化技术

    单位: 华南理工大学

    分类号: TP18;TP391.41;P45

    DOI: 10.27151/d.cnki.ghnlu.2019.002689

    总页数: 59

    文件大小: 3084K

    下载量: 48

    相关论文文献

    • [1].融合多特征的垃圾评论检测模型[J]. 小型微型计算机系统 2020(03)
    • [2].基于近红外建立荞麦营养成分快速检测模型[J]. 中国粮油学报 2020(06)
    • [3].目标检测模型的优化训练方法研究[J]. 辽宁科技大学学报 2020(02)
    • [4].复杂噪声环境中的音乐分类和检测模型[J]. 微型电脑应用 2020(10)
    • [5].一种时间相关性的异常流量检测模型[J]. 山东大学学报(理学版) 2017(03)
    • [6].基于数据挖掘的异常检测模型研究初探[J]. 菏泽学院学报 2017(02)
    • [7].基于复杂电磁环境的信号检测模型构建分析[J]. 信息技术与信息化 2015(09)
    • [8].基于信息密度的微博突发话题检测模型研究[J]. 情报理论与实践 2016(03)
    • [9].基于卷积神经网络的目标检测模型综述[J]. 计算机技术与发展 2019(12)
    • [10].基于一致性预测算法的内网日志检测模型[J]. 信息网络安全 2020(03)
    • [11].基于特征聚合的假新闻内容检测模型[J]. 计算机应用 2020(08)
    • [12].基于一阶段模式的目标检测模型的设计与调优[J]. 计算机应用与软件 2020(11)
    • [13].基于自适应遗传算法的猕猴桃组培检测模型[J]. 计算机与应用化学 2016(12)
    • [14].考虑检测影响的贮存-检测模型及其参数估计[J]. 湖北民族学院学报(自然科学版) 2012(02)
    • [15].一种利用特征选择改进的行人检测模型[J]. 微型机与应用 2016(02)
    • [16].网络中隐蔽信道数据安全检测模型研究与仿真[J]. 计算机仿真 2016(10)
    • [17].基于时频分析的水声目标被动检测模型研究[J]. 鱼雷技术 2015(01)
    • [18].一种矿用红外瓦斯传感器的检测模型[J]. 工矿自动化 2010(01)
    • [19].基于人工免疫的比特币快捷交易异常检测模型[J]. 计算机应用研究 2020(09)
    • [20].手机打车软件操作驾驶分心检测模型研究[J]. 交通运输工程与信息学报 2018(01)
    • [21].基于用户画像的异常行为检测模型[J]. 信息网络安全 2017(07)
    • [22].分布式网络异常攻击检测模型仿真分析[J]. 计算机测量与控制 2016(10)
    • [23].一种基于分层聚类方法的木马通信行为检测模型[J]. 计算机研究与发展 2012(S2)
    • [24].基于权重分析的网页木马检测模型[J]. 信息安全与通信保密 2012(12)
    • [25].双无人机平台的舰炮脱靶量实时检测模型[J]. 电光与控制 2020(04)
    • [26].基于虚拟机自省的运行时内存泄漏检测模型[J]. 通信学报 2013(S1)
    • [27].近红外光谱法建立断血流片快速检测模型[J]. 中国药事 2012(11)
    • [28].基于自相似的异常流量检测模型[J]. 通信技术 2010(12)
    • [29].物理隔离网络电磁信息安全检测模型与应用探索[J]. 通信技术 2020(08)
    • [30].基于结构检测模型的白内障连续环形撕囊边界检测方法[J]. 计算机测量与控制 2020(09)

    标签:;  ;  ;  

    基于深度学习的风暴检测算法分析与研究
    下载Doc文档

    猜你喜欢