1. 毕业设计（论文）主要目标：
论文的总体目标是用较高分辨率的卫星云图来预测某个区域在某个时间段内的未来降水强度。对卫星云图进行预测处理后根据云指数或云系变化的生命史法来进行对流性降水预测，提供参考性的天气预报，从而避开不利天气，减少不必要的损失。从机器学习角度进行降水预测，在本质上可以看作是一个预测问题。将卫星云图的图像序列作为输入，将预测的未来卫星云图的图像序列作为输出，这种图像序列的预测具有较高的可行性且从大量数据间发现某种规律也符合事物发展的规律。
利用比较先进的神经网络算法——RNN算法，使得图像预测在从输入到输出和状态到状态的转变都具有递归结构。利用RNN算法来建立一个端到端可训练的模式可以较好地处理卫星云图的预测问题，接着通过模型训练使得参数尽可能的与真实的模型逼近。此外，还需通过神经网络层数的调节、激活函数的调整等操作来来增强函数的模拟能力。
本文的实现需要搜集大量的数据、选择较好的计算方法以及较好的训练方法。只有满足这些条件时，RNN神经网络的函数预测能力才能得已体现，基于卫星云图的降水预测才会更加具有可信度。2. 毕业设计（论文）主要内容：
本文分以下几个部分来研究基于卫星云图的降水预测，其中第一部分将阐述研究的目的及相关的发展趋势，预测对流性的降水在区域天气预报中一直是一个很重要问题，及时的雨量强度预测可以帮助减少损失。由于降水预测精度要求较高且极具挑战性，因而成为气象学社区里的一个热门研究主题。第二部分将概述卫星云图及其作用，降水预测方法及其意义。卫星云图由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像，利用卫星云图可以识别不同的天气系统并为天气分析和天气预报提供依据，提高预报准确率。及时的降水预测如对流性降水可以从云图中分析出来，从而采取合理的行动如产生社会层面的降雨警报等。
第三部分将是本文核心，从机器学习角度运用神将网络算法RNN来解决基于卫星云图的降水预测问题，提高降水精确度。
第四部分将根据需求分析来构建训练模型，利用已有的数据训练构建的模型并进行网络、参数等调节。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 主要参考文献
[1] James Martens ,Ilya Sutskever.Learning Recurrent Neural Networks with Hessian-Free Optimization. 《Opusc.zool.budapest –》, 2011:1033-1040[2] 陈渭民.卫星气象学.北京：气象出版社,2003.
[3]Andrej Karpathy . The Unreasonable Effectiveness of Recurrent Neural Networks
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
