新余市2014年8月6日短时强降水分析

利用常规观测资料、自动站加密观测资料、卫星云图和雷达资料,对2014年8月6日新余市一次短时强降水的天气形势、云图和雷达回波特征进行分析。结果表明:在有利降水的大尺度天气系统背景下,中尺度天气系统造成了本次短时强降水天气;低层925h Pa的辐合上升运动有利于强降水天气的发生;地面辐合线和低压环流不断触发对流,使降水得以维持;中尺度对流云团和地面中尺度系统相对应,其位置和维持时间与强降水的落区和时间基本一致。     

旱涝急转天气土壤湿度与地表径流变化特征分析

分析旱涝急转天气背景下,在后期发生强降水,出现旱涝急转时,各层土壤湿度变化特征,与正常年份相比,各层土壤湿度不易出现饱和,降水后地表径流与降水前的土壤湿度呈正相关,干旱使土壤湿度偏低,强降水形成的地表径流也偏低,水土流失速率降低,山洪泥石流等地质灾害较不易发生。     

基于深度学习的金融衍生品RSI指标预测模型

本文提出了基于Python语言,使用keras深度学习库搭建RNN循环神经网络的RSI指标预测模型。     

基于循环神经网络的盾构隧道#br# 引发地面最大沉降预测

伴随着计算机技术的快速发展,机器学习等新兴算法正在被越来越多地运用于预测隧道掘进引发的地面最大沉降。在隧道施工过程中,由盾构机和地面监测点位采集的数据具有很强的序列化特征,而传统的机器学习算法对序列数据的处理存在一定的局限性。循环神经网络(RNN)具有极强的对时序型数据的处理能力,在视频识别、语音翻译等领域有着广泛的应用。采用两种RNN模型(LSTM、GRU)和传统的BP神经网络模型,以地质参数、几何参数和盾构机参数作为输入,对隧道施工过程中引发的地面最大沉降进行预测分析。结果显示,RNN对隧道沉降的预测结果优于传统的BP神经网络模型,并且RNN在连续未知区段的预测结果比BPNN更加稳定。     

基于递归神经网络的转速估计器仿真研究

针对硬件传感器安装、调试、维护复杂等缺点,采用了一种基于递归神经网络(recurrent neural network,RNN)的转速估计器,取代传统传感器完成转速检测任务.递归神经网络采用带遗忘因子的最小二乘(RLS)估计算法,该方法利用RNN强的非线性动态特性,可以在线训练权重,从而可以快速跟踪参数变化、负载变动等情况.最后,通过MATLAB/Simulink仿真验证了此方法的有效性.     

双偏振天气雷达探测原理分析

双偏振天气雷达是进行天气预报的重要设备保障,它根据不同的降水粒子对不同极化电磁波的散射特性的差异来区分不同的降水,从而达到对降水类型的识别和分类。本文对双偏振天气雷达的探测原理进行了分析。     

城市公园声景长时感知模型研究—以加拿大温哥华市3个城市公园为例

为探究循环神经网络(RNN)对长时间模拟城市公园声景感知响度(PLS)和感知协调度(PHS)的适用性,采用具有时序记忆和延迟功能的Elman神经网络和NARX神经网络分别进行验证.将城市公园声景和光景客观指标作为输入层,PLS和PHS作为输出层进行神经网络训练和模拟.研究结果显示:1)PLS和PHS同时与等效A声级(L...     

双线偏振天气雷达零滞后相关系数在临近预报中的应用

零滞后相关系数作为双线偏振天气雷达特有的一种偏振参量,已开始在短临天气预报和灾害性天气预警中发挥明显作用。为研究零滞后相关系数参量在典型天气过程中的变化特征,利用双偏振雷达相关系数识别非降水回波、降水回波、融化层及冰雹,阐述了相关系数产品在短临天气预报中的应用。结果表明,相比传统单偏振天气雷达,双偏振雷达零滞后相关系数识别回波类型更为直观和准确,可以直接有效地对云中的冰雹区进行判断,且高仰角相关系数产品更能识别出融化层。另一方面,在电磁波穿过连续强回波时,还存在相关系数被衰减,以及在弱信噪比时产品质量下降等局限性,应在实际应用中加以区分。研究为将来双偏振天气雷达在短临天气预报业务中的应用提出了可参考性指标。     

大连地区一次雨夹雪转雪天气过程分析

本文利用大连新一代天气雷达（CINRAD-SC型）产品资料及所辖市区和县观测站降水资料、常规观测资料,分析了2012年3月4-6日一次雨夹雪转雪天气过程。观测数据显示：此次过程南部地区为雨夹雪转中到大雪;北部地区为雨夹雪转大雪;东部地区为雨夹雪转暴雪。从环流形势分析上看：影响系统为先期东北上的黄淮气旋和后期东移的高空冷涡,对应地面的河套低压东移与黄淮气旋后部结合,以暖区降水为主,降水量较大。分析雷达径向速度产品得到：两次强降雪时段均以“暖式切变辐合型”为主,不同的是,5日强降雪过程后期有冷空气介入,雷达站附近底层显示为偏北风,迫使暖湿空气抬升,随着冷风过境,降水逐渐结束。     

基于GRU递归神经网络的城市道路超车预测

城市道路中的超车行为尤其是违规超车等,对交通秩序与安全造成严重影响。随着电子警察与卡口等车牌识别系统的广泛应用,通过上下游车牌识别与时间对比,可以较为精确地获取车辆在路段之间的超车关系。基于电子警察处理的超车数据建立了基于GRU递归神经网络的城市道路超车率预测模型,预测城市道路超车率的变化趋势,并与循环神经网络(recurrent neural network,RNN)、反向传播(back propagation,BP)神经网络进行对比。在苏州工业园区星湖街-现代大道路段的测试结果表明,基于GRU递归网络的超车预测模型的绝对值误差为12.52%,相比于其他2种模型,精度高、泛化能力强、鲁棒性强。