基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络（Multi-scale Feature Fusion Network, MFFN）的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块（Res.block）、扩大网络感受野的多尺度卷积模块（MCM）和提取并融合不同尺度信息的多尺度特征模块（MFM）。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。     

推荐系统中物品召回技术的研究进展

信息技术的快速发展导致信息过载.推荐系统是解决信息过载最有效的方式之一.近年来,深度学习的快速发展也带动了推荐系统的进步,各种深度推荐算法层出不穷.然而由于候选物品数量巨大且用户兴趣动态变化,深度推荐算法的推荐复杂度巨大,难以在实际系统中单独使用.在深度推荐技术发展的同时,物品召回技术（也称近似搜索技术）也有了较大的发展与进步.本文先介绍基于距离最小化的物品召回的研究进展,再从向量索引、局部敏感哈希、哈希学习、向量量化四个方面来深入探讨基于内积最大化的物品召回技术的研究进展.     

结合中尺度模式物理约束的雷达回波临近外推预报方法研究

研究设计了一种结合中尺度模式物理约束的雷达回波临近智能外推预报方法,该方法在外推预报时效(0—2 h)内即利用中尺度高分辨率模式信息对外推进行约束.首先将模式风场和雷达回波轨迹风场融合成融合风场,然后利用融合风场光流外推形成动力约束外推;并在此基础上利用模式诊断产品和雷达历史资料通过投票回归器集成多种深度学习算法构建回...     

面向智能驾驶视觉感知的对抗样本攻击与防御方法综述

现如今,深度学习已然成为机器学习领域最热门的研究方向之一,其在图像识别、目标检测、语音处理、问答系统等诸多领域都取得了巨大成功.然而通过附加经过特殊设计的细微扰动而构造出的对抗样本,能够破坏深度模型的原有性能,其存在使许多对安全性能指标具有极高要求的技术领域,特别是以视觉感知为主要技术优先的智能驾驶系统,面临新的威胁和挑战.因此,对对抗样本的生成攻击和主动防御研究,成为深度学习和计算机视觉领域极为重要的交叉性研究课题.本文首先简述了对抗样本的相关概念,在此基础上详细介绍了一系列典型的对抗样本攻击和防御算法.随后,列举了针对视觉感知系统的多个物理世界攻击实例,探讨了其对智能驾驶领域的潜在影响.最后,对对抗样本的攻击与防御研究进行了技术展望.     

深度学习技术在智能网格天气预报中的应用进展与挑战

中国智能网格天气预报已初步建立0—30 d涵盖基本气象要素的无缝隙气象预报业务体系。近年深度学习技术兴起,给不同领域带来前所未有的变革。同样,深度学习的非线性映射能力、海量信息提取能力、时空建模能力等优势为进一步提升智能网格预报的准确性和精细化水平提供了新的思路和方法。越来越多的研究将深度学习技术应用于智能网格预报的各个方面,包括数值预报订正和解释应用、集合天气预报、相似集合、统计降尺度、纯数据驱动的预报模型和极端天气预报等,并展示出良好的应用潜力。然而,目前深度学习技术在天气预报领域的应用仍处于起步阶段,将其引入智能网格预报业务体系还面临诸多挑战,主要包括算法的选择、算法的数据基础、多源数据融合以及模型的可解释性、可信度、可用性和工程化等。通过回顾近年来深度学习技术在智能网格预报中的应用进展和前景,同时对面临的挑战与应对进行探讨,将有利于促进深度学习技术在天气客观预报领域更好、更稳定的发展。      

多尺度残差金字塔网络模型三维气象要素降尺度研究

本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型（Multi-Scale Residual Laplacian Pyramid Network,MSRLapN）。具体地,构造一种多尺度残差模块（Multi-Scale Resolution Block,MSRB）,用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。     

危化品仓库安全巡检机器人系统设计与实验研究

为丰富高校危化品仓库的安全检查手段与提升应急响应能力，设计与实现了一种巡检机器人系统.首先在差速驱动的四轮移动底盘上集成里程计、单线激光雷达、带云台的彩色夜视与热成像相机、环境监测传感器套件等，构建巡检机器人移动平台.其次，融合里程计与激光雷达数据实现机器人同时定位与建图、巡检路径自定义与跟随.在巡检点处，利用图像关联分析对预定义的待观测物品进行定位及热成像测温.在巡检过程中，利用热成像相机与环境监测传感器实时感知环境参数并形成热力图轨迹，同时基于先验知识检测热图像中出现的入侵者.基于机器人操作系统集成相关算法及使用NodeJS开发远程人机交互Web系统.在真实环境下开展了有光照条件和无光照条件下的自主巡检实验，实验结果证实本文方法与系统可以满足高校危化品仓库安全巡检要求.     

关系挖掘驱动的视频描述自动生成

视频的自动描述任务是计算机视觉领域的一个热点问题.视频描述语句的生成过程需要自然语言处理的知识,并且能够满足输入（视频帧序列）和输出（文本词序列）的长度可变.为此本文结合了最近机器翻译领域取得的进展,设计了基于编码-解码框架的双层LSTM模型.在实验过程中,本文基于构建深度学习框架时重要的表示学习思想,利用卷积神经网络（CNN）提取视频帧的特征向量作为序列转换模型的输入,并比较了不同特征提取方法下对双层LSTM视频描述模型的影响.实验结果表明,本文的模型具有学习序列知识并转化为文本表示的能力.     

利用深度学习融合NWP和多源观测数据的闪电落区短时预报方法

强对流短时预报（2—6 h）具有较大难度。一方面,基于观测数据的外推已基本不可用;另一方面,高分辨率数值模式（High-resolution Numerical Weather Prediction,HNWP）的预报性能有待提升。利用深度学习方法,将卫星、雷达、云-地闪电（简称闪电）等观测数据和高分辨率数值模式预测数据进行融合,得到更有效的闪电落区短时预报结果。基于多源观测数据和高分辨率数值天气预报数据的特性,构建了一个双输入单输出的深度学习语义分割模型（LightningNet-NWP）,使用了包括闪电密度、雷达组合反射率拼图、卫星成像仪6个红外通道,以及GRAPES_3km模式预报的雷达组合反射率等共9个预报因子。深度学习模型使用了编码-解码的经典全卷卷积结构,并使用池化索引共享的方式,尽可能保留不同尺度特征图上的细节特征信息;利用三维卷积层提取观测数据时间和空间上的变化特征。结果表明,LightningNet-NWP能够较好地实现0—6 h的闪电落区预报,具备比单纯使用多源观测数据、高分辨率数值模式预报数据更好的预报结果。深度学习能够有效实现多源观测数据和数值天气预报数据的融合,在2—6 h时效预报效果优于单独使用观测数据或数值天气预报数据;预报时效越长,融合的优势体现得越明显。      

带网络攻击识别机制的传感器网络分布式滤波算法

研究了面向网络攻击的无线传感器网络的分布式目标估计问题.由于测量范围有限,网络中只有部分传感器能测量到目标,而且节点受到随机的攻击从而使得测量值被注入虚假信息.在此背景下,本文提出了基于攻击检测识别策略的改进分布式卡尔曼滤波算法.在该算法中,节点首先基于设计给出的攻击识别阈值来判断其是否受到攻击,生成识别因子;然后以估计误差协方差的迹最小为信息融合原则来设计一致性卡尔曼滤波算法,对处于监测域内的运动目标进行分布式状态估计.同时,分析了算法的收敛性,明确给出了网络估计误差均方有界的随机攻击概率的充分条件.最后用数值仿真验证了算法的有效性和优越性.     

天气现象仪自动化观测资料对比分析

介绍2011年12月至2012年6月在北京市观象台、庐山气象局对目前一些天气现象仪所进行的对比观测试验的过程和结果分析。参与此次为期7个月的对比观测试验仪器有3种类型,每种类型配备3套,分别由3家厂商提供。试验采用人工目测辅助摄像作为参考标准,测试了这些天气现象仪对各种不同天气现象观测的准确性。结果表明:各仪器观测降水现象的数据准确性均大于90%,能够满足业务需求。区分降水强度时,各仪器的降水捕获率在70%以上(雨强大于0.01mm/h);微量降水(雨强小于0.01mm/h)和混合型降水,各仪器降水捕获率相对较低。仪器观测视程障碍现象的数据准确性均大于80%,能够满足业务需求。其他现象由于样本数量相对较少,需要更多进一步试验,并改进算法。     

卫星被动微波遥感土壤湿度研究进展

土壤湿度是控制陆地和大气间水分和能量交换过程的重要变量,而被动微波遥感是众多监测土壤湿度技术中最有效的手段之一。文中概述了被动微波反演土壤湿度的物理原理,重点介绍了被动微波反演土壤湿度的主要模型。在对不同模型进行比较分析后,基于不同传感器类型分别列举了当今发展较完善的3个典型算法：①Njoku和Li基于AMSR的多通道同时反演土壤湿度、土壤温度、植被含水量的方法;②Owe等基于SMMR利用极化差异指数同时反演土壤湿度和植被光学厚度2个参数的方法;③Wen等基于SSM／I同时反演土壤湿度和土壤温度的方法。对被动微波遥感土壤湿度研究中目前所存在的问题和发展前景进行了一些探讨。     

Forecasting Different Types of Convective Weather: A Deep Learning Approach

A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China.     

人工智能技术发展概述

近年来,以深度学习为核心的人工智能技术,取得了一系列重大突破.本文将就人工智能的产业化热潮,主要研究流派及发展历史,以深度学习为核心的成功应用,以及存在的一些问题和今后的可能研究方向做一个介绍.     

基于机器学习的数值天气预报风速订正研究

对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。     

机器学习在气象领域的应用现状与展望

机器学习是人工智能的核心，是使计算机具有智能的根本途径之一。随着以深度学习为代表的机器学习算法取得突破，人工智能呈现了加速发展的趋势，在各行业取得了广泛的应用。机器学习在计算效率、准确性、可移植性、协同性、灵活性、易用性等方面具有较大的优势，下一步将有可能改变传统的气象观测模式，加速和改善气象观测数据的处理，改善数值天气预报质量以及推进地球科学的交叉融合。为更好地推动人工智能相关技术在气象领域的应用，本文从气象观探测、数值预报、危险天气识别与预警和卫星资料处理等方面对机器学习算法的应用现状进行了整理。     

基于深度学习的数值模式降水产品降尺度方法

提出一种基于深度学习的数值模式降水产品降尺度方法。利用深度学习的非线性映射能力和对栅格数据的信息提取能力,建立深度超分辨率模型提取不同分辨率数值模式降水产品间相对应的有效信息,从而将低分辨率数值模式降水产品利用提取的信息重构为高分辨率产品,继而通过构建多时次组合降尺度深度模型提取时间关联性进一步提升了重构准确性。基于欧洲中期天气预报中心不同尺度数值模式降水产品的实验表明所提方法能够比常用的双三次插值方法更有效地将低分辨率降水产品转换为对应的高分辨率产品。