卷积神经网络和传统算法的雷达面雨量计算效果对比研究

利用人工智能方法对雷达反射率进行面雨量计算,使用2D卷积神经网络(Conv2D)和U-Net卷积神经网络的面雨量计算效果与传统的Z-I关系法反演面雨量效果进行对比分析.结果 表明,卷积神经网络能够实现面雨量估计,但仍存在平均和聚拢现象,与传统算法各有优缺点.     

基于多模态的音乐推荐系统

使用传统协同过滤的方式进行推荐往往会忽视音乐底层特征.通过将音乐的音频特征与歌词信息进行多模态融合,并将融合后的特征信息作为协同过滤推荐的补充,提出了一种基于多模态的音乐推荐系统.主要探讨了音频特征与歌词信息的提取,并在提取歌词信息时利用LDA主题模型进行特征降维.针对多模态融合问题,使用一种特征级联早融合法（EFFC）融合方式,并将多模态融合后的结果与单模态结果进行了比较.对于结果的推荐,以多模态特征信息为依据建立用户兴趣模型,并将该模型通过LSTM神经网络,以过滤与优化协同推荐的用户组.结果表明,基于多模态的音乐推荐系统将推荐结果的误差项平方和（SSE）由传统的2.009降至0.388 6,验证了该方法的有效性.     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络（CNN）方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明：基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

变系数紧耦合波动方程组的非线性边界镇定

利用黎曼几何方法和乘子技巧,讨论了带变系数和非线性边界扩散反馈项的紧耦合波动方程组的镇定,得到了解能量的衰减估计.     

WENO格式与虚拟单元浸入边界法在笛卡尔网格中的应用

高精度有限差分WENO格式在结构网格上处理具有复杂几何外形绕流问题时较困难,而虚拟单元浸入边界法却是一种较新颖且对网格的要求较低的方法,适用于复杂几何外形边界的处理.为此,在笛卡尔网格上采用WENO格式以求解Euler守恒律方程,试图将两者有效结合起来,希望能在笛卡尔网格上处理具有复杂几何外形的物体绕流问题.最后,几个经典数值算例的结果验证了该方法的有效性.     

基于纸质气象档案数字化的图像识别算法研究浅析

随着深度学习技术的不断发展，扫描图像识别技术在提高准确率方面取得了显著进展。本文着重介绍了卷积神经网络和循环神经网络，并比较了它们在图像识别和文字识别任务中的表现。基于卷积神经网络的方法通过构建多层神经网络模型，可以自动学习图像的特征和规律，从而提高识别的准确率，显示出卓越的性能。而循环神经网络在文字识别领域展现了其独特的优势，实验结果表明，循环神经网络能够处理序列数据，并自动学习序列之间的关系。本文的研究结果表明，深度学习算法在扫描图像识别技术中具有广阔的应用前景，卷积神经网络在图像识别任务中表现出色，而循环神经网络在文字识别任务中具有良好的性能。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具“潜力”的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

三维重建算法研究综述

三维重建技术能够应用在医学中的三维CT图像、机器人中的路径规划及考古工作中的遗迹的展示等诸多领域中.三维重建效果的完整性、精确性与稀疏点云重建（Structure From Motion,SFM）、稠密点云重建（Multi-View System,MVS）有着直接关系,本文对这两个方法展开了具体的介绍.稀疏点云重建中主要介绍了特征点检测与匹配以及SFM重构方法,本文对近几年关于特征点检测与匹配的研究进行了总结,将SFM重构方法分为全局式、增量式、混合式,并进行了详细介绍.稠密点云重建中主要介绍了深度图估计,就传统的几何计算法、深度学习与几何计算相结合的方法、基于深度学习的方法进行了总结,同时介绍了三维重建的评价指标.最后对基于图像的三维重建进行了总结,并列举出了在未来可能面对的问题及发展趋势.     

基于熵值法特征筛选的GRNN降雹识别

针对冰雹监测难和冰雹灾情不易估计的问题,结合声信号的时域、频域特点,采用时域、频域和小波域相结合的特征提取方法,将熵值法与广义回归神经网络(GRNN)相结合,提出一种基于熵值法特征筛选的GRNN降雹识别方法。对采集的降雹和降雨声信号提取时域特征、频域特征和小波包能量谱特征,采用熵值法确定各特征的权重大小,剔除权重较小的特征项并进行特征融合组成新的特征子集,将特征子集输入GRNN进行预测识别。试验结果表明,该方法能够有效识别冰雹,且特征筛选后的识别率高达97.8276%,相较未进行特征筛选的特征集,识别率提高了近10%。     

基于多尺度融合网络的高速公路能见度估计北大核心

为了实现近实时公里级的高速公路能见度监测,提出了一种基于多尺度融合网络的能见度估计方法。首先,从道路监控视频中提取道路场景图像,并对图像进行质量控制;分别采用引导滤波、光谱滤波、景深估计模型从路面场景图像中提取细节结构特征、光谱特征与场景深度特征;然后,构建多尺度融合网络自适应融合结构特征、光谱特征与场景深度特征,并从中提取能见度特征;最后在网络末端输出图像场景所对应的能见度等级。此外,为了训练与测试模型,构建了真实道路场景图像数据集,共包含18 000张标注图像。实验结果表明,多尺度融合网络可显著提升高速公路能见度估计的准确性,能见度等级分类准确率可达81.76%。     

基于残余插值的卷积神经网络去马赛克算法

在去马赛克问题中,为了精确插值倾斜边缘并提高结果图像的整体质量,提出一种基于残余插值的卷积神经网络去马赛克算法.针对Bayer格式的颜色滤波阵列,插值绿色平面时,对于红蓝通道信息不全的问题,采用同通道邻近像素值近似代替,综合考虑3个通道的梯度,运用倾斜方向的边缘检测算子,将倾斜边缘分为不同方向的边缘分别插值.在插值完成后,利用深度卷积神经网络,进一步训练插值结果.在标准的IMAX数据集上,与目前流行的算法相比,本文算法视觉上更接近原图,具有更高的峰值信噪比和更短的运行时间.     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

ConvLSTM Based Temperature Forecast Modification Model for North China

The correction of model forecast is an important step in evaluating weather forecast results. In recent years, post-processing models based on deep learning have become prominent. In this paper, a deep learning model named ED-ConvLSTM based on encoder-decoder structure and ConvLSTM is developed, which appears to be able to effectively correct numerical weather forecasts. Compared with traditional post-processing methods and convolutional neural networks, ED-ConvLSTM has strong collaborative extraction ability to effectively extract the temporal and spatial features of numerical weather forecasts and fit the complex nonlinear relationship between forecast field and observation field. In this paper, the post-processing method of ED-ConvLSTM for 2 m temperature prediction is tested using The International Grand Global Ensemble dataset and ERA5-Land data from the European Centre for Medium-Range Weather Forecasts (ECMWF). Root mean square error and temperature prediction accuracy are used as evaluation indexes to compare ED-ConvLSTM with the method of model output statistics, convolutional neural network postprocessing methods, and the original prediction by the ECMWF. The results show that the correction effect of ED-ConvLSTM is better than that of the other two postprocessing methods in terms of the two indexes, especially in the long forecast time.     

一种基于场景合成和锚点约束的SAR目标检测网络

随着深度学习方法在计算机视觉领域的崛起,如何将其应用于具有全天时、全天候等优点的SAR图像也成为一大研究重点.相较于传统图像,SAR图像由于其难判读、应用人群较少等原因难以获得大量标注数据.本文提出一种基于场景合成和锚点约束的SAR图标检测方法.通过区域生长算法和阈值法对SAR车辆目标及其阴影进行分割,然后随机嵌入SAR复杂场景中的合理区域来合成目标检测数据集.针对SAR车辆目标的几何特性、图像分辨率参数,对Faster-RCNN中的锚点大小进行约束,减少不符合SAR车辆目标检测框尺寸的候选框,大量约简冗余计算,提升训练、测试效率及精度.     

卫星面降水估计人工神经网络方法

介绍了人工神经网络原理和卫星云图估计降水的原理.从GMS红外卫星云图资料中抽取12个降水云图特征量,构造了网络结构为12-98-7的降水估计人工神经网络模型,并用1993年的小时地面雨量资料和GMS数字云图资料对神经网络模型进行训练,用1992和1994年资料对该神经网络模型分别进行测试.在日面降水估计试验中,地面雨量计值和卫星估计降水之间的相关系数分别为0.94和0.97,相对误差分别为41%和32%.     

基于深度学习的公路能见度分类及应用

以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法.实验结果表明,改进后的神经网络模型的平均识别正确率达83.9％,相较于其他几种模型具有较高的正确率和较好的收敛性.将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9％,且白天...     

流域面雨量估算技术综述

面雨量是水文气象中一个重要参量。面雨量的估算直接关系到洪水预报精度和洪水调度决策的科学性。由于降水空间分布的复杂性,如何准确估算流域面雨量一直是个科学难题。传统方法根据常规降水观测,应用空间分析技术来估算面雨量。随着非常规观测技术的发展,以雷达、卫星估测降水资料为主并结合自动气象站降水观测资料,通过资料融合来进行估算已成为流域面雨量估算技术的发展趋势。而以GIS为平台,实现数据分析和显示一体化管理则代表了面雨量业务系统的发展方向。通过水文模拟与水文观测的比较,可以对面雨量估算结果进行间接检验。     

RBF神经网络在雷达定量估测降水中的应用研究

利用重庆气象局CINRAD/SA气象雷达降水回波资料和相应地区的地面雨量站资料,基于径向基函数神经网络,建立雷达定量估测降水模型,将其用于地面降水估测。作为比较,同时以变分法得到的Z-R关系式估测所得降水。经二者对比试验结果表明:建立的雷达定量估测降水模型的估测精度和稳定性要明显优于Z-R关系式,能较好地反映降雨的真实情况。