基于改进MCE准则的CNN算法研究及台风等级分类应用

论文摘要

台风多发生在热带洋面上,严重危害着人类的生命财产安全。我国地处台风的多发地带。据中国气象局统计,西北太平洋大约50%的热带气旋都会对我国产生影响,特别是强台风引起的风暴潮使得海水位最高可上升5至6米,导致海水漫溢,对海上船舶、海洋工程产业造成了极大的损失。台风影响人类生命及财产安全的程度都与其强度密切相关,因此对其强度的研究具有重要的意义。传统台风强度监测方法主要有Dvorak分析法和数值模拟法。Dvorak分析法利用卫星云图中的云系结构特征及特定的参数,通过经验规则和约束条件来估计强度,但Dvorak分析法不仅无法得到台风内核的结构信息而且需要专业知识对台风特征进行人工提取。数值模拟分析法通过综合考虑不同初始场、边界条件等大气环境中的先验物理量对成熟的台风预报模型进行优化,但数值模拟分析法需要提取显式的先验知识。综上,不论Dvorak分析法还是数值模拟法都存在人工显式的提取台风特征的不足。随着现代遥感技术的发展,通过气象卫星云图能够更加准确、稳定的全天候实时监测台风的变化。台风由热带气旋演变而来,不同强度的台风在卫星云图上表现为不同特征的螺旋云团,其中密蔽云区的大小与台风的强度密切相关。台风在形成的过程中复杂的大气因素导致云图特征不明显,那么就需要一种算法能够实现自动快速的对云图隐式且复杂的特征进行提取。卷积神经网络（Convolutional Neural Network,CNN）模拟人脑自动化学习,通过复杂函数的逼近学习自然图像的隐式特征,克服了传统方法中需要先验知识进行显式提取特征的不足。鉴于此,本文通过引入改进MCE（Minimum Classification Error,MCE）准则,对损失函数进行了优化,构建了适用于台风等级识别的Typhoon-CNNs模型,并与传统模型进行对比,分类效果更好,具体内容如下:首先引入改进MCE准则构建损失函数。卷积神经网络模拟人脑的过程本质上是通过最小化损失函数进行求解的过程,损失函数不仅用来评估网络结构的分类效果,还在梯度下降法中影响参数梯度。传统基于MCE思想构建的损失函数,当样本错分类时存在梯度反向问题,导致模型因引入错误的信号造成样本不能充分训练。因此本文将交叉熵（Cross Entropy,CE）作为损失函数空间中的基底元素,定义了带误差修正项的FMCE（Fix Minimum Classification Error,FMCE）损失函数,并在此基础上,提出了改进MCE准则的损失函数CE-FMCE。CEFMCE损失函数不仅改善了传统MCE损失函数的梯度问题,还弥补了交叉熵函数不对非标签集梯度做区分处理的不足。其次,构建了面向卷积神经网络的自建台风云图数据集。本文采集自日本国立情报学研究所（National Institute of Informatics,NII）开源的云图资料,其中包括“Himawari1-8”卫星在1978-2016年期间拍摄的近1000个台风过程的红外云图。经过中值滤波去噪和最近邻插值缩放的预处理,构建了4000个训练样本、800个测试样本的数据集,并依据日本气象台的台风等级标准,对云图制定了相应等级的标签。最后,选择适宜的超参数构建Typhoon-CNNs模型以用于台风等级分类。在传统卷积神经网络框架的基础上,采用循环卷积策略选择卷积单元;使用十折交叉验证匹配Dropout置零率;引入改进MCE损失函数来优化梯度下降法,进行模型自动式调参,构建了适用于台风等级分类研究的Typhoon-CNNs模型。综上,本文通过对台风云图数据和损失函数进行分析,构建了面向卷积神经网络的台风云图数据集,并且提出了基于改进MCE损失函数的CNN算法。在此基础实现了改进算法在台风等级分类上的应用。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究现状及存在的问题
•     1.2.1 国内外现状
•     1.2.2 目前存在的问题
•   1.3 本文创新点及技术路线
•     1.3.1 本文的创新点
•     1.3.2 本文技术路线
•   1.4 论文组织结构
•   1.5 本章小结
• 第二章 卷积神经网络理论基础
•   2.1 卷积神经网络模型结构及训练方法
•     2.1.1 模型结构
•     2.1.2 训练方法
•   2.2 卷积神经网络损失函数
•     2.2.1 MSE损失函数
•     2.2.2 交叉熵损失函数
•     2.2.3 最小分类误差损失函数
•   2.3 卷积神经网络评价指标
•     2.3.1 混淆矩阵
•     2.3.2 平均精度
•   2.4 本章小结
• 第三章 基于改进MCE损失函数的CNN算法研究
•   3.1 传统损失函数存在的问题
•     3.1.1 交叉熵损失函数
•     3.1.2 MCE准则损失函数
•   3.2 改进MCE准则损失函数的提出及证明
•     3.2.1 改进MCE准则损失函数的提出
•     3.2.2 改进MCE准则损失函数理论证明
•   3.3 基于改进MCE准则损失函数的CNN算法
•   3.4 本章小结
• 第四章 面向台风等级分类研究的CNN模型构建
•   4.1 台风等级的划分方式
•   4.2 面向卷积神经网络的台风云图数据集构建
•     4.2.1 卫星云图数据获取
•     4.2.2 构建台风云图等级数据集
•   4.3 Typhoon-CNNs模型架构
•     4.3.1 Typhoon-CNNs全模型
•     4.3.2 Typhoon-CNNs卷积采样层
•     4.3.3 Typhoon-CNNs全连接层
•   4.4 本章小结
• 第五章 实验结果分析
•   5.1 实验环境配置
•   5.2 基于改进MCE准则损失函数的台风等级分类
•     5.2.1 改进MCE准则损失函数的CNN模型参数
•     5.2.2 台风等级分类验证对比分析
•   5.3 基于改进MCE准则损失函数的MNIST分类
•     5.3.1 改进MCE准则损失函数的CNN模型参数
•     5.3.2 MNIST分类验证对比分析
•   5.4 本章小结
• 第六章 总结展望
•   6.1 总结
•   6.2 展望
• 参考文献
• 附录
• 致谢

文章来源

类型: 硕士论文

作者: 侯倩

导师: 邹国良

关键词: 台风云图,卷积神经网络,损失函数,改进最小分类误差准则

来源: 上海海洋大学

年度: 2019

分类: 基础科学,信息科技

专业: 气象学,气象学,计算机软件及计算机应用

单位: 上海海洋大学

分类号: TP391.41;P444

DOI: 10.27314/d.cnki.gsscu.2019.000428

总页数: 65

文件大小: 2149K

下载量: 34