基于集成学习的云底高度智能反演算法

论文摘要

云是天气气候的重要影响因子之一,目前世界上有超过三分之二的地区被云层覆盖,云的存在能直接影响大气辐射的传输过程,从而改变大气辐射的时空分布。不仅如此,云层能直接参与水循环过程,因此世界各地的降水分布也与云层分布有关。在云底高度反演计算问题上,基于云高观测仪的反演计算受人为主观因素影响较为明显,在计算结果上与实际云高存在一定的偏差。为构造性能更优、智能化更高的云底高度反演计算模型,本文在处理云底高度反演计算问题上,将经典机器学习算法和卷积神经网络通过集成学习策略相融合,设计一种融合多算法的云底高度智能反演计算模型MCHIIC。本文主要创新点包括:1、在本文MCHIIC模型的云高实况要素数据采集模块中,为了能够对湖南省气象台所给定的相关数据进行实时筛选,以提取出适合云高反演计算的相关实况要素数据,本文设计了一个云高要素数据筛选器CLHF来实现对云高实况要素数据的提取,即当相关数据发生变化时,CLHF能以根据数据的变化,不限时间、地域、地形和观测站点个数的限制精确筛选出模型需要的云高数据,大量减少了人为筛选工作所带来的误差以及工作量。2、在本文MCHIIC模型的卷积处理模块中,通过对经典损失函数Softmax loss做出改进,在Softmax loss上对输出矩阵ω和偏置b进行了修改,设计出了针对于云高反演的损失函数CLH-Softmax loss,使得反演结果能维持在一个更加合理的区间,从而进一步提升云高分类输出的精度。3、在MCHIIC模型的云高分类输出模块中,为了进一步提升模型在云高实况要素数据集上的分类精度和泛化能力,本文提出多加权融合算法（Weighted Fusion,WF）和基于权重修正单元的堆叠套袋（Weighted-Regulate-Unit-StackingBagging,WRUSB）算法,在WF算法中,本文对CLH-CNN分类器和Adaboost分类器输出之后的结果做加权输出并输入到Softmax层进行概率分析。在WRUSB算法中,本文在Bagging算法投票输出之前对基分类器的输出权重做出了调整,对每个输出根据输出权重的大小赋予不同的修正系数,并用投票法的方式得到云底高度反演结果,在提升模型泛化能力的同时也提高了输出的分类精度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 国内外相关工作概述
•     1.2.1 基于云高观测仪的云底高度反演计算
•     1.2.2 基于经典机器学习算法的云底高度反演计算
•   1.3 本文主要研究内容与组织结构
•     1.3.1 主要研究内容
•     1.3.2 主要创新点
•     1.3.3 主要组织结构
• 第二章 云底高度反演计算基础
•   2.1 激光测云仪测量技术
•   2.2 集成学习
•     2.2.1 集成学习基本概述
•     2.2.2 集成学习经典算法
•   2.5 卷积神经网络（CNN）
•     2.5.1 数据输入层（Input layer）
•     2.5.2 卷积计算层（Conv layer）
•     2.5.3 池化计算层（Pooling layer）
•     2.5.4 全连接层（Full Connected layer,FC）
•     2.5.5 激活函数层（Activation Function layer）
•   2.6 本章小结
• 第三章 多算法云底高度智能反演计算模型的设计
•   3.1 整体框架
•   3.2 云底高度数据采集模块
•     3.2.1 云高数据集的筛选器CLHF
•     3.2.2 高空格点与地面站点的匹配
•     3.2.3 云高数据集的分布
•   3.3 云底高度数据集预处理模块
•     3.3.1 Normalized Processing（归一化处理）
•     3.3.2 Regular Expression Operation（正则化操作）
•     3.3.3 Multi-Label-Classification（多标签分类）
•   3.5 CLH-CNN处理模块
•     3.5.1 结构介绍
•     3.5.2 训练过程
•     3.5.3 输出过程
•     3.5.4 云高损失函数CLH-Softmax loss
•   3.6 云底高度分类输出模块
•     3.6.1 基于Adaboost算法的分类输出
•     3.6.2 基于Bagging算法的分类输出
•   3.7 基于云高实况要素数据的经典机器学习算法改进
•     3.7.1 Adaboost算法的改进—WF算法
•     3.7.2 Bagging算法的改进—WRUSB算法
•   3.8 本章小结
• 第四章 实验设计和分析结果
•   4.1 实验环境
•   4.2 实验数据
•   4.3 训练
•   4.4 云底高度智能反演计算实验结果和分析
•     4.4.1 基于Adaboost算法的实验结果
•     4.4.2 基于Bagging算法的实验结果
•     4.4.3 基于Weighted Fusion算法的实验结果
•     4.4.4 基于WRUSB算法的实验结果
•     4.4.5 实验结果分析
•   4.5 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 黄亚乔

导师: 王胜春

关键词: 云底高度反演计算,机器学习,卷积神经网络,云高损失函数,权重修正单元

来源: 湖南师范大学

年度: 2019

分类: 基础科学,信息科技

专业: 气象学,自动化技术

单位: 湖南师范大学

分类号: TP181;P412

总页数: 72

文件大小: 2996K

下载量: 46