对抗型长短期记忆网络的雷达回波外推算法
目的 雷达回波外推是进行短临降水预测的一种重要方法,相较于传统的数值天气预报方法能够实现更快、更准确的预测.基于卷积长短期记忆网络(convolutional long short-term memory network,ConvLSTM)的回波外推算法的效果优于其他的深度学习外推算法,但是忽略了普通卷积运算在面对局部变化特征时的局限性,并且在外推过程中将损失函数简单定义为均方误差(mean squared error,MSE),忽略了外推图像与原始图像的分布相似性,容易导致信息丢失.为解决以上不足,提出了一种基于对抗型光流长短期记忆网络(deep convolutional generative adversarial flow based long short-term memory network,DCF-LSTM)的回波外推算法.方法 首先,采用光流追踪局部特征的方式改进ConvLSTM,突破了一般卷积核面对局部变化特征的限制.然后,以光流长短期记忆网络(flow based long short-term memory network,FLSTM)作为基本模块构建外推模型.最后,引入对抗网络,与外推模型组成端到端的博弈系统DCF-LSTM,两者交替训练实现外推图像分布向原图像分布的拟合.结果 在4种不同的反射率强度下进行了消融研究,并与3种主流的气象业务算法进行了对比.实验结果表明,DCF-LSTM在所有评价指标中表现最优,尤其在反射率为35 dBZ的条件下.结论 由实验结果可知,引入光流法能够使模型具有更好的抗畸变性,引入深度卷积生成对抗网络(deep convolutional generative adversarial network,DCGAN)判别模块能进一步增加结果的准确性.本文提出的DCF-LSTM回波外推算法相比于其他算法,雷达外推准确率获得了进一步提升.
雷达回波外推、卷积长短期记忆网络(ConvLSTM)、深度卷积生成对抗网络(DCGAN)、光流法、序列到序列结构
26
TP391.41(计算技术、计算机技术)
国家自然科学基金;创新基金;计算机辅助设计与图形学国家重点实验室开放基金;江苏省计算机信息处理技术重点实验室开放基金
2021-06-21(万方平台首次上网日期,不代表论文的发表时间)
共14页
1067-1080