【摘 要】
：
天气雷达回波外推是基于天气雷达历史观测回波,对未来回波的形态、强度以及分布等特征进行预测。它是临近预报的最基础手段之一,准确有效的回波外推对于提高预报质量有着重要意义。近年来,学者将深度学习应用于解决回波外推问题,并在传统方法基础上取得了较大进展,但现有方法仍具有三方面局限性。第一,难以对回波的生消演变过程进行准确建模外推;第二,对于以一般图像重构损失作为损失函数的深度学习外推方法,在深入外推时易
论文部分内容阅读
天气雷达回波外推是基于天气雷达历史观测回波,对未来回波的形态、强度以及分布等特征进行预测。它是临近预报的最基础手段之一,准确有效的回波外推对于提高预报质量有着重要意义。近年来,学者将深度学习应用于解决回波外推问题,并在传统方法基础上取得了较大进展,但现有方法仍具有三方面局限性。第一,难以对回波的生消演变过程进行准确建模外推;第二,对于以一般图像重构损失作为损失函数的深度学习外推方法,在深入外推时易出现预测回波模糊的问题;第三,现有方法的有效外推时效通常较短,难以较好满足实际临近预报需求。针对上述问题,本文研究基于循环神经网络（Recurrent Neural Network,RNN）的雷达回波外推方法,论文的主要工作如下:（1）针对回波生消演变过程的建模外推,以及为解决预测回波模糊问题,提出了一种基于多层相关长短期记忆网络（Multi-level Correlation Long Short-term Memory,MLC-LSTM）的雷达回波外推方法。方法设计MLC-LSTM并构造编码器-预测器结构,通过利用多高度层回波间的时空相关性来实现对回波演化的建模外推,并采用对抗训练使预测回波更加真实细粒。实验表明,该方法能够有效外推各类回波运动和演化模式,提高了外推精度,同时外推回波具有较高的真实感和细粒度,有效地解决了预测回波模糊问题。（2）针对回波长时外推的应用需求,提出了一种基于分级预测循环神经网络（Hierarchical Prediction Recurrent Neural Network,HPRNN）的雷达回波长时外推方法。方法设计HPRNN并采用分级预测策略和循环精细机制来共同减少回波外推过程中预测误差的积累,从而助于延长有效外推时效。实验表明,该方法在长时外推时性能优于现有外推方法,能够较好地满足应用需求。
其他文献
现代战争对雷达目标识别提出了更高的要求,由于现役雷达大部分是低分辨雷达,对其开展目标识别技术的研究具有重要军事意义。在小样本、样本不均衡等复杂电磁环境条件下,传统低分辨雷达目标识别方法存在泛化性较差、识别率较低等问题。本文围绕深度学习方法对低分辨雷达目标识别技术开展研究,主要研究内容如下:传统低分辨雷达目标识别技术采用先提取信号特征,再基于特征进行识别的两步识别方法。论文首先研究了基于深度学习的低
"穿透式"行政检察监督打破行政诉讼固有"遮蔽",弥补行政检察监督缺位,是参与社会治理多元主体中不可替代的重要力量。"穿透式"行政检察监督多层穿透,具备坚实的理论基础。不仅如此,其通过发挥"一手托两家"的监督作用,在司法实践中具有监督行政诉讼活动、促进依法行政、实质性化解行政争议、提升社会治理能力的制度优势。实现"穿透式"行政检察监督之功效,应遵循精准监督、双重监督、实质监督、类案监督的监督理念,同
图像语义分割技术是目前计算机视觉技术领域中的热门研究方向,其研究具有重要的军事及民用价值。随着军事智能化要求的提高,语义信息发挥越来越重要的作用,这更加促进了语义分割技术研究的发展。本文以公开大规模数据集中的场景和物体作为研究对象,对图像语义分割算法展开了研究。研究重点内容包括以下三个部分:（1）介绍了语义分割技术的发展现状,对目前国际上主流的语义分割算法进行了归纳总结。在对目前国际上使用最广泛的
随着毫米波近场成像系统在安检等领域发挥作用,针对三维雷达图像的目标分类与检测方法具有了重要的理论研究和应用价值。三维雷达图像包含丰富的三维空间信息与雷达成像特征,本文尝试通过深度学习的方法,充分分析利用三维雷达图像具有的特点,深入研究针对三维雷达图像的目标分类方法。第一章论述了该课题的研究背景和意义,分三个小节详细总结了三维雷达图像目标分类的深度学习方法相关领域的发展现状,在此基础上归纳了本课题需
目标检测任务作为在图像处理和计算机视觉领域中的基础课题之一,在图像检索、视频监控、人脸检测、人机交互等方面上有着广泛的应用。传统的目标检测方法首先是对给定图片进行特征提取然后再进行分类抉择,因此特征提取的好坏对目标检测的性能起着关键的作用。相对于传统的目标检测方法,基于深度学习的目标检测方法通过大量数据训练能够自适应的学习到较好的特征提取方法,可以更好的在复杂场景下进行检测。目前比较流行的基于深度
雷达传感器具有全天时全天候工作、非接触式等优点,可用于人体非侵入式的侦察监视,正逐渐成为城市反恐、远程健康监测等领域的重要感知手段。其中低频雷达可以实现穿透墙壁探测人体信息,但其微多普勒时频信息模糊,区分难度高。而深度学习的兴起使低频雷达具有区分那些在视觉上无法分辨的微多普勒时频特征的潜能。本文以低频段多发多收（Multiple-Input Multiple-Output,MIMO）超宽带（Wav
颜色在许多计算机视觉的问题中都起到了关键性的作用,相比于灰色图像,彩色图像的使用为图像分类、目标检测等问题都提供了额外的彩色信息。图像着色是考虑给灰度图像赋予彩色信息的具有挑战性的问题,在学术和工程等各个领域都有着广泛的应用。同时随着计算机的发展,深度学习具有自动学习出模式特征的特点,能够高效地将特征学习融入到模型的建立,减少人为干预。因此,使用深度学习的方法解决图像着色的问题已成为不可避免的发展
信息过载问题已经成为互联网应用发展所面临的重大挑战问题之一。推荐系统（Recommender System,RS）是最常见的用于缓解信息过载的手段之一,并已被网站和应用程序广泛采用。目前,深度学习方法已经成为提取多模态数据特征的最有效手段,因此,为了更好的利用多模态数据来实现精准推荐,必须对基于深度学习的推荐系统进行分析研究。虽然,深度学习方法是推荐系统研究的前沿热点。然而,由于缺乏对文本和用户数
随着信息技术的发展,计算机视觉在人机交互领域发挥着越来越重要的作用。准确的手部姿态估计能够更好地实现人机交互,传统的方法通过数据手套等可穿戴设备实现了较为准确的人的手部姿态的估计,但是对用户约束较大,难以大规模推广并在一些项目上难以实施,且设备成本较高。随着图像采集设备的小型化和廉价化,基于计算机视觉的手部姿态估计的应用前景越来越广泛。本课题在计算机视觉的基础上基于深度学习实现手部姿态的估计。传统
有人/无人机混合编队协同作战将是未来重要的作战样式之一。由于运动学的复杂性和环境的动态性,控制一组固定翼无人机自主跟随有人机遂行任务仍然面临巨大挑战。本文以固定翼无人机为研究对象,考虑复杂动态环境的随机性和不确定性,基于无模型深度强化学习方法解决了有人机-固定翼无人机混合编队协调控制问题,为混合编队的实际运用奠定了技术基础。主要工作及贡献如下:1)设计了基于深度强化学习的混合编队端到端协调控制框架