Boosting算法理论与应用研究

作为机器学习领域最经典算法之一,Boosting是一种学习算法,并广泛应用于机器学习与模式识别各领域.Boosting的理论研究分为可学习理论和统计学两个角度.Boosting最初从弱可学习理论角度阐明了由弱到强的提升算法,从理论上证明了一组优于随机猜测的弱学习器通过集成可提升为在训练集上任意精度的强学习器.从统计学的角度看,Boosting是一种叠加模型,理论上二者的等价性已经证明.本文首先从可学习的角度出发,回顾了Boosting算法弱可学习理论,并提出面临的问题及挑战,包括对高维数据的有效性及Margin理论;然后阐述了Boosting算法理论研究分支,并详细回顾了当前最为流行的多种经典Boosting算法及在Boosting理论框架下的新应用;最后探讨了Boosting算法的未来研究趋势.

多尺度残差金字塔网络模型三维气象要素降尺度研究

本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型(Multi-Scale Residual Laplacian Pyramid Network,MSRLapN)。具体地,构造一种多尺度残差模块(Multi-Scale Resolution Block,MSRB),用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明:MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。

AI技术与卫星资料应用研究现状分析

人工智能(Artificial Intelligence,AI)在环境要素预报、环境质量预报、气象基本要素预报以及高影响性天气预报等方面已取得研究性进展。其中,环境要素包括云、雾、雪,太阳能辐射及土壤水分、植被、湖泊等;环境质量包括空气质量、海洋环境质量等;气象基本要素包括降水、风、温度;高影响性天气包括冰雹、强风、雷电、对流暴雨、洪涝等。