论文部分内容阅读
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。