全文总字数：3878字
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
经过长期的发展，机器学习已经拓展至了深度学习领域。深度学习算法具有强大的分析和学习能力，是机器学习算法当中具有极高复杂程度的算法之一，在解决诸如视觉识别、语音识别和自然语言处理等很多问题方面都表现出色。在不同类型的神经网络当中，卷积神经网络是得到最深入研究的。早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练高性能卷积神经网络是很困难的。标记数据和近来GPU的发展，使得卷积神经网络研究涌现并取得一流结果，有效增强多层感知器的数据分析、图像处理等能力。
天气与人类活动密切相关，随着科技发展和生活节奏的加快，准确精细的天气预报在日常生活、工作、国防与军队建设上起到越来越重要的作用，但是，对天气的精准预报一直是天气预报中的重点和难点，但是由于BP神经网络的缺陷，其在气象预报业务方面的发展受到了极大制约．而近年来，人工神经网络的重大发展，使其在各项领域应用上都有了重大突破。
2. 研究的基本内容与方案
基本内容：本文将提出一种针对气象数据的CNN-LSTM神经网络，阐述并诠释其原理，并用其对未来天气的预测进行了探索．人工神经网络一直是气象预测的一种重要手段，在图像分析中，CNN可以成功的识别图像特征，致使图像识别领域的快速发展，而在时间序列分析中，近年来出现的LSTM网络则体现了强大的预测能力，并且在语音识别、自动乐曲谱写、自然语言学习已经有了重大应用，而在气象领域，也有LSTM结合CNN进行雷达回波的案例。
目标：在进行天气预报的传统过程中，会对历史的天气图和数值产品进行人工分析，然后得出结论，其过程简单描述如下：一是分析天气图或预报产品，得出形势预报结论；二是通过形势预报结合当地气象概况得出要素预报．如果把这两步继续简化．那第一步是针对天气图或预报产品提取特征（形势预报），第二步是拟合特征和当地历史气象信息，得出我们预报需要的值（要素预报）．这两步对应到CNN-LSTM模型中，第一步使用CNN去提取数据特征，第二步使用LSTM去拟合历史气象信息，得出要素值。
拟采用的技术方案：为了训练模型，需要定义一个loss function来描述精度。Loss值越小，代表模型的分类结果与真实值得偏差越小，也就是说模型越精确。开始给模型初始化为零，训练的目的是不断将这个loss减小，直到达到一个全局最优或者局部最优解。对多分类问题，通常使用cross-entropy作为loss funciton。有了算法跟损失函数以后，只需要再定义一个优化算法即可开始训练。定义好优化算法后，Tensorflow就可以根据定义的整个计算图自动求导，并根据反向传播算法进行训练，在每一轮迭代时更新参数来减小loss。至此，便可完成训练，接下来可以对模型的准确率进行验证。
3. 研究计划与安排
第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。
第4－6周：熟悉掌握基本理论，熟悉所用软件及开发环境。
第7－10周：编程实现各算法，并进行仿真调试。
4. 参考文献（12篇以上）
[1] 黄文坚，唐源．Tensorflow实战[M]．北京：电子工业出版社, 2017,46-54.
[2] 石磊．开源人工智能系统TensorFlow的教育应用[J]．现代教育技术，2018，1：93-99.
[3] 张顺，龚怡宏，王进军．深度卷积神经网络的发展及其在计算机视领域的应用[J].计算机学报, 2017, 40.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
