基于变分自编码器的飓风轨迹异常检测方法

飓风常会引起无法估计的人身和经济损失,飓风轨迹异常检测可以为灾情提供辅助信息或异常告警。从深度学习的角度出发,提出了基于变分自编码器的飓风轨迹异常检测方法(Variational Auto-Encoder Outlier Detection,VAEOD)。利用滑动窗口将长度不等的轨迹序列变成等长的子轨迹序列作为变分自编码器的输入,通过变分自编码器训练轨迹重构模型,将重构的轨迹与输入的轨迹通过平行、垂直和角度距离进行对比找出异常的轨迹段。通过真实的飓风数据进行仿真实验发现,VAEOD方法比经典的轨迹异常值检测算法(Trajectory Outlier Detection Algorithm,TRAOD)检测的结果更合理,实用性更强。

基于鲁棒亚像素卷积神经网络的DEM超分辨率重建

数字地形模型(digital elevation model,DEM)是描述地球科学领域纵横表层曲面的基础数据模型之一,广泛应用于航天工程、海洋测绘、几何测量等领域。本文引入亚像素卷积神经网络模型进行DEM超分辨率重建,分析了不同训练样本定制策略对DEM超分辨率重建的影响,并提出了基于训练样本优化的鲁棒亚像素卷积神经网络。首先,基于Adam优化模型,分析了6类定制化训练数据集策略对训练网络的影响,提出了训练数据集的最佳定制方案,提升了算法的整体效率。其次,利用真实的DEM数据进行实验分析,通过与传统地统计学方法(双三次插值、最近邻插值和双线性插值)进行对比,结果表明该网络有效提高了DEM超分辨率重建的精度;最后,探讨了损失函数对网络训练效率的影响,给出了损失函数优化的建议。同时,作为卷积神经网络的衍生模型,基于训练样本优化的鲁棒亚像素卷积神经网络模型进一步丰富了卷积神经网络在DEM数据处理领域中的应用。