基于神经网络和模型集成的短时降雨预测方法

为了得到更精准的短时降雨预测结果,提出了一个基于神经网络的预测模型,可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析,还提出了一种结合了两种方法各自优点的集成预测模型。集成模型学习到了更丰富的降雨带变化模式。在一个包含多地、多月真实雷达数据的大规模数据集上的实验表明,神经网络模型实现了具有较高精度的短时降雨预测,且集成模型在整体的预测性能上有明显改进。

基于卷积神经网络的高铬马氏体耐热钢老化与损伤分级研究

高铬马氏体因其优良的性能被广泛应用于超(超)临界机组的关键部件,准确判别其损伤及老化状态,对于提升机组运行安全具有重要意义。本文将深度学习方法引入材料分析领域,提出了基于卷积神经网络的马氏体损伤与老化分级模型,通过对现场金相显微镜和实验室金相显微镜拍摄的不同损伤级别的马氏体样本微观组织图片进行金相分析,由卷积神经网络自动判别其损伤与老化级别。实验结果表明,较之传统分析方法及人工判别,卷积神经网络成功实现了对马氏体损伤与老化分级的自动辨识,其验证数据准确率达85.45%;考虑原始数据集中类比标签的偏差,辅以专家对模型的二次检验,模型准确率可以达到100%。