基于迁移学习的卫星云图云分类

针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。     

基于相似网格点的多源定量降水预报融合算法

定量降水预报是无缝隙精细化网格预报中最具挑战的部分,目前存在需要长时间序列的训练样本、大多基于单模式订正及局地偏差特征反应不足等问题.本文提出基于相似网格点的多源定量降水预报融合算法以解决上述问题.该算法融合多家模式6小时降水预报产品生成预报产品.该融合算法可分为模式偏差订正、动态权重融合和削空后处理三步.其中模式偏差...     

小样本目标检测的研究现状

近年来,随着深度学习技术的进步与推广,目标检测领域得到快速发展.但目前基于深度学习的方法大多对大规模标注数据有着极高的需求,而现实场景中大量标注数据往往不可能.因此,基于少量标注样本的目标检测领域逐渐得到大家关注.本文系统地总结与分析了目前有关小样本目标检测的方法,指出了目前方法的缺陷,并提出了一些可能的发展方向.     

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.     

应用迁移理论提高高等数学教学水平

通过分析影响迁移的一系列因素,讨论了迁移理论在高等数学学习中的心理学意义,分析了在教学过程中充分利用正迁移,克服负迁移的弊端的方法并据此优化高等数学教学。     

基于ＭＴＩ滤波器特性的改进直接数据域算法的研究

传统的空时自适应处理方法属于统计方法,一般假设其它相邻距离单元的训练样本满足独立同分布的条件,利用这些训练样本来估计待检测单元中杂波 的协方差矩阵．对机载雷达来说,严重非均匀环境很难满足样本独立同分布的要求．直接数据域方法只利用待检测距离单元本身的数据来获取训练样本,因此得到广泛应用．提出一种改进直接数据域算法,在利用空时窗滑动对消目标信号时,基于滤波原理,对空时窗的权系数进行优化,这样有利于在对消目标的同时保留更多杂波信息,进而求解的自适应权值对杂波的抑制性能更佳．仿真结果表明了改进算法的有效性,相比原始直接数据域算法,具有更窄的改善因子凹口,提高了对慢速目标的检测性能,且计算量没有增加．     

人工神经网络方法在夏季降水预报虽的应用

在夏季雨型预报中引进了人工神经网络方法,首先,根据雨型与前期环流和海温的关系,从前期冬季资料场中找预报因子;然后,用人工神经网络方法对我国夏季的雨型进行模拟预报,以前４０年资料做训练样本,让网络在一定的学习规则下进行学习。     

基于胶囊网络的跨领域情感分类方法

情感分析主要基于文本数据研究人们对于商品、服务、事件等对象的情感、意见或者态度.标记数据稀缺是情感分析领域面临的巨大挑战.在有监督的情感分类任务中,标记数据稀少会导致分类器的效果下降.跨领域的方法能够在一定程度上帮助解决该问题,但领域间往往存在差异.因此在利用领域适应方法进行情感分类时,分类器对目标领域的效果会变差.本文提出利用少量的目标领域标记信息来提高目标领域适应效果的思想.特别地,本文提出了一个基于胶囊网络的跨领域情感分类模型,在此基础框架上,设计了额外的胶囊网络层辅助目标领域的适应.在真实数据集上的实验结果表明,本文提出的模型效果优于以往的研究方法.     

交通运输对道路两侧土壤及植物的影响研究展望

针对我国汽车工业的快速发展和机动车保有量迅速增加的状况,结合国内外相关研究成果,介绍了交通运输污染物的分类与来源,概述了交通运输对道路周围土壤及植物的影响。根据我国道路交通的实际,探讨了相关领域未来的研究方向,提出应以开发清洁替代能源和深入研究污染物在各环境介质中的迁移转化规律,进而减少污染物对人类的健康损害及筛选对交通运输特征污染物高富集的树种以阻断污染物的迁移为主。     

交通运输对道路两侧土壤及植物的影响研究展望

针对我国汽车工业的快速发展和机动车保有量迅速增加的状况,结合国内外相关研究成果,介绍了交通运输污染物的分类与来源,概述了交通运输对道路周围土壤及植物的影响。根据我国道路交通的实际,探讨了相关领域未来的研究方向,提出应以开发清洁替代能源和深入研究污染物在各环境介质中的迁移转化规律,进而减少污染物对人类的健康损害及筛选对交通运输特征污染物高富集的树种以阻断污染物的迁移为主。     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

基于迁移CNN的江淮持续性强降水环流分型

利用新建的1981-2018年区域持续性强降水个例集、1981-2018年中国逐日降水量及NCEP/NCAR全球再分析资料,运用江淮地区持续性强降水典型模态个例样本及残差神经网络(CNN),通过迁移学习分步训练建立针对江淮强降水的环流客观分型模型;并运用该模型对1981-2015年全国持续性强降水个例的环流进行客观分型...     

人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。      

图像多标签学习的研究概述

随着图像大数据的爆发,特别是用户贡献数据的飞速增长,图像样本的语义内容越来越丰富,标签信息也随之越来越复杂.因此图像多标签学习的研究是近年来学术圈和产业界的研究热点之一,涌现了大量表现优异的方法和技术.基于此,本文将对近年来图像多标签学习上的研究成果进行总结.首先,对多标签学习进行简单介绍,并详述其主流方法的分类;随后,针对目前大数据时代的数据特性,总结了多标签学习面临的新的技术难点及其对应的解决方案;最后,在应用层面上介绍了多标签学习在医学、计算机科学等领域的应用实例.     

A Model Output Machine Learning Method for Grid Temperature Forecasts in the Beijing Area

In this paper, the model output machine learning (MOML) method is proposed for simulating weather consultation, which can improve the forecast results of numerical weather prediction (NWP). During weather consultation, the forecasters obtain the final results by combining the observations with the NWP results and giving opinions based on their experience. It is obvious that using a suitable post-processing algorithm for simulating weather consultation is an interesting and important topic. MOML is a post-processing method based on machine learning, which matches NWP forecasts against observations through a regression function. By adopting different feature engineering of datasets and training periods, the observational and model data can be processed into the corresponding training set and test set. The MOML regression function uses an existing machine learning algorithm with the processed dataset to revise the output of NWP models combined with the observations, so as to improve the results of weather forecasts. To test the new approach for grid temperature forecasts, the 2-m surface air temperature in the Beijing area from the ECMWF model is used. MOML with different feature engineering is compared against the ECMWF model and modified model output statistics (MOS) method. MOML shows a better numerical performance than the ECMWF model and MOS, especially for winter. The results of MOML with a linear algorithm, running training period, and dataset using spatial interpolation ideas, are better than others when the forecast time is within a few days. The results of MOML with the Random Forest algorithm, year-round training period, and dataset containing surrounding gridpoint information, are better when the forecast time is longer.     

机器学习在强对流监测预报中的应用进展

近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用.各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法.机器学习方法能够更...     

不同场景下的交通能见度估算模型的应用

能见度监测是交通出行安全的重要保障,尤其对机场和高速公路的大范围低能见度的监测和预警更为重要.在传统人工目测方法的基础上,以激光透射能见度仪为代表的仪器测量方法更为准确,但存在探测范围小、维护成本高、全覆盖耗资大的局限性.为了克服以上缺陷,使交通能见度的估计更为灵活、高效,本文基于机场气象站点观测数据、机场大雾以及高速...     

时问序列动态学习率神经网络模型及其初步试验

神经网络在气象上的应用往往是采用固定学习率的BP算法建模,学习过程易出现振荡现象和网络存在冗余连接等缺陷,基于此对神经网络进行了改进。利用时间序列分析方法对样本数据进行处理,用改进后的神经网络对时间序列样本数据进行训练预测,创建了时间序列动态学习率神经网络模型。最后用库车县1997—2007年四季的平均气温值作样本数据进行训练,其训练精度和拟合度都达到很高的标准,用该模型预测了库车县2008年的气温。通过实例证明这个模型在气象预测领域有一定的实用价值。     

基于梯度提升树的大气分层透过率快速计算方法

大气透过率的计算是红外辐射传输计算的核心,RTTOV（Radiative Transfer for TOVS）通过建立大气廓线中温度、水汽、臭氧和其他气体浓度等参数与卫星通道透过率的统计关系,可实现卫星通道透过率和大气顶辐射率的快速准确计算。但在一些复杂吸收波段,如水汽波段,RTTOV的计算误差较大。为提高RTTOV在水汽敏感波段的计算精度,利用机器学习中的梯度提升树（Gradient Boosting Tree,GBT）方法,选取从ECMWF（European Centre for Medium-Range Weather Forecasts）的IFS-137（The Integrated Forecast System,137-level-profile）廓线集中挑选的1406条廓线和由此计算的透过率真值作为样本,选取风云三号气象卫星上搭载的红外分光计（InfraRed Atmospheric Sounder,IRAS）通道12（7.33 μm）进行个例研究,分别建立陆地和海洋晴空大气等压面至大气层顶透过率的快速计算模型（GBT模型）。通过和透过率、亮温真值的比较,验证了GBT模型。比较结果显示,GBT模型预测的透过率平均绝对误差（Mean Absolute Error,MAE）为:陆地0.0012,海洋0.0009;均方对数误差（Mean Squared Logarithmic Error,MSLE）为:陆地0.0215,海洋0.0095,均小于RTTOV直接计算的透过率的误差（陆地、海洋的MAE分别比RTTOV小0.0008和0.0010,MSLE分别比RTTOV小0.0135和0.0227）;由GBT模型计算的亮温MAE分别为:陆地0.0949 K,海洋0.0634 K,均方根误差（Root Mean Square Error,RMSE）分别为:陆地0.1352 K,海洋0.0831 K,也都小于RTTOV直接模拟的晴空亮温误差（陆地、海洋的MAE分别比RTTOV小0.1685 K和0.1466 K,RMSE分别比RTTOV小0.1794 K和0.1685 K）。本研究的结果表明,在IRAS红外水汽波段,GBT预测的透过率和亮温误差比RTTOV小。机器学习有提高水汽波段正演精度的潜力,或可为辐射传输的快速计算提供可行的替代方法。