極光是從太陽風(fēng)暴中逃逸的部分高能帶電粒子受到地球磁場(chǎng)作用,沉降到地球表面時(shí)與高空中的大氣分子和原子相碰撞,進(jìn)而產(chǎn)生的一種自然發(fā)光現(xiàn)象。對(duì)極光現(xiàn)象的研究有助于人們認(rèn)識(shí)太陽風(fēng)與地球磁場(chǎng)之間相互作用的信息、預(yù)防自然災(zāi)害,甚至有可能實(shí)現(xiàn)利用極光的巨大能量,造福人類。不同形態(tài)的極光代表不同的物理發(fā)生機(jī)制,因此對(duì)不同形態(tài)的極光進(jìn)行分類是極光研究中的重要分支。本文針對(duì)極光問題主要做了兩個(gè)方面的研究:一是基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的極光靜態(tài)圖像分類;二是基于卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的極光序列分類。1、提出了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類算法。該方法通過引入深度學(xué)習(xí)模型VGG-16解決了以往傳統(tǒng)方法研究中設(shè)計(jì)特征難且分類準(zhǔn)確率不高的問題。首先將在Image Net上訓(xùn)練過的網(wǎng)絡(luò)權(quán)重遷移到本文網(wǎng)絡(luò)上面,再對(duì)原始的VGG-16網(wǎng)絡(luò)做了改進(jìn),即針對(duì)VGG-16的每一個(gè)卷積塊,本文將其當(dāng)前層之前的所有層的輸入都融合起來,然后將融合后的輸出特征圖輸入到當(dāng)前網(wǎng)絡(luò)層中。這種方法能保證信息的最大化流通,充分提高信息利用率,并能提高網(wǎng)絡(luò)性能、加速網(wǎng)絡(luò)訓(xùn)練。同時(shí)為了適應(yīng)極光單通道的特性,本文在VGG-16模型前面多... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

美麗的極光伴隨著地面觀測(cè)技術(shù)的發(fā)展和計(jì)算機(jī)計(jì)算能力的強(qiáng)大，以及自然學(xué)、空間物理學(xué)的快速

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章極光圖像研究中相關(guān)理論基礎(chǔ)概述12Hot-spot圖2.2G波段的四類極光圖像深度學(xué)習(xí)算法相關(guān)技術(shù)2.2.1深度學(xué)習(xí)原理深度學(xué)習(xí)是通過大量的數(shù)據(jù)進(jìn)行學(xué)習(xí)，其本質(zhì)上是一種機(jī)器學(xué)習(xí)算法。該算法通過構(gòu)建多層結(jié)構(gòu)的網(wǎng)絡(luò)來模擬人腦分析的能力，是一種自上而下的學(xué)習(xí)方法。相對(duì)于淺層網(wǎng)絡(luò)，深度是指網(wǎng)絡(luò)能模擬復(fù)雜函數(shù)以及非線性轉(zhuǎn)換運(yùn)算的一種能力。對(duì)于復(fù)雜的回歸或分類問題，淺層網(wǎng)絡(luò)只能模擬簡(jiǎn)單函數(shù)因此無法學(xué)習(xí)到更多特征，但深度網(wǎng)絡(luò)可以模擬任意復(fù)雜函數(shù)從而達(dá)到正確的分類或者回歸。深度學(xué)習(xí)網(wǎng)絡(luò)是將大量神經(jīng)元一層一層地連接在一起，而層層之間起連接橋梁的便是激活函數(shù)。其中底層輸出作為了下一層的輸入，同時(shí)從網(wǎng)絡(luò)底層到高層中的每一層都可以提取到事物的特征。層數(shù)越高，提取的特征越抽象，同時(shí)表達(dá)的語義信息也就越豐富。在深度學(xué)習(xí)實(shí)驗(yàn)中，需要先準(zhǔn)備大量數(shù)據(jù)，其次要構(gòu)建多層網(wǎng)絡(luò)模型，接下來將數(shù)據(jù)輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練來學(xué)習(xí)其特征。深度學(xué)習(xí)常用的基本網(wǎng)絡(luò)算法有卷積神經(jīng)網(wǎng)絡(luò)、遞歸神

經(jīng)網(wǎng)絡(luò)里面代表對(duì)應(yīng)的權(quán)重。圖像與卷積核進(jìn)行點(diǎn)乘，即圖像上的相應(yīng)像素點(diǎn)與卷積核里的權(quán)重進(jìn)行作用。卷積層在神經(jīng)網(wǎng)絡(luò)中可多次出現(xiàn)，同時(shí)多次對(duì)圖像進(jìn)行卷積能提取到輸入圖像的不同特征。卷積神經(jīng)網(wǎng)絡(luò)中間的神經(jīng)元層被稱之為隱層，隱層學(xué)習(xí)到的權(quán)重和偏置都是共享的。也就是說，除了檢測(cè)位置不同外，圖像包含由圖像得到的特征圖上的統(tǒng)計(jì)特征都是一致的。由此可知人們?cè)趫D像上學(xué)習(xí)到的特征可以在圖像的其他部位使用。即我們可以使用同一個(gè)卷積核在圖像上通過一定的步長(zhǎng)進(jìn)行位移，實(shí)現(xiàn)特征提取最終得到圖像下一層的特征圖。如下圖2.4所示是一個(gè)卷積核在一個(gè)圖像上進(jìn)行卷積的過程，其中卷積核大小為3*3，滑動(dòng)步長(zhǎng)為1。在卷積的過程中，卷積核與圖中對(duì)應(yīng)大小的數(shù)據(jù)依次相乘，直至遍歷整個(gè)圖像。圖中最左邊是原始輸入圖像，中間是卷積核，-8是其中第一個(gè)卷積結(jié)果。圖2.4卷積核在圖像上的卷積過程示意圖伴隨著卷積層，一般后面會(huì)接一個(gè)池化層。其主要目的是縮小特征圖尺寸、加速計(jì)算、改善網(wǎng)絡(luò)訓(xùn)練的效果，且能在一定程度上防止過擬合。若不采用池化層，直接使用由卷積得到的特征來訓(xùn)練分類器將會(huì)面臨巨大的資源損耗，不僅效率不高而且效果也不一定好。池化層實(shí)際上是對(duì)由卷積得到的特征圖進(jìn)行小鄰域內(nèi)采樣（即對(duì)區(qū)域內(nèi)的特征進(jìn)行統(tǒng)計(jì)分析），經(jīng)采樣后特征數(shù)量會(huì)大大減少，其得到的特征也更加抽象，整個(gè)過程相當(dāng)于是合并了特征圖中的相似特征。目前池化方法中最大池化和平均池化較為常見。其中最大池化方式是以區(qū)域內(nèi)的最大值作為最終的輸出值，而平均池化是以區(qū)域內(nèi)所有值的平均值作為最終的輸出值。相對(duì)于最大池化，平均池化能帶來更大的計(jì)算量，因此在實(shí)際實(shí)驗(yàn)中這種方式使用較少。如下

【參考文獻(xiàn)】：
期刊論文
[1]一種基于形態(tài)特征的極光自動(dòng)分類方法[J]. 楊秋菊,胡澤駿.  中國科學(xué):地球科學(xué). 2017(02)
[2]改進(jìn)的主成分分析網(wǎng)絡(luò)極光圖像分類方法[J]. 韓冰,賈中華,高新波.  西安電子科技大學(xué)學(xué)報(bào). 2017(01)
[3]基于空時(shí)極向LBP的極光序列事件檢測(cè)[J]. 韓冰,廖謙,高新波.  軟件學(xué)報(bào). 2014(09)
[4]基于局部運(yùn)動(dòng)向量時(shí)空統(tǒng)計(jì)的極光事件檢測(cè)[J]. 王倩,梁繼民,胡澤駿.  極地研究. 2012(01)
[5]基于形態(tài)學(xué)成分分析的靜態(tài)極光圖像分類算法[J]. 付蓉,李潔,高新波.  光子學(xué)報(bào). 2010(06)
[6]日側(cè)極光卵的可見光多波段觀測(cè)特征——中國北極黃河站首次極光觀測(cè)初步分析[J]. 胡澤駿,楊惠根,艾勇,黃德宏,胡紅橋,劉瑞源,田口真,陳卓天,綦欣,溫艷波,劉嶸,王晶.  極地研究. 2005(02)

碩士論文
[1]基于深度特征融合及屬性約束CNN網(wǎng)絡(luò)的極光序列分類研究[D]. 張浩.南京郵電大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的極光圖像及極光序列分類研究[D]. 劉彬.南京郵電大學(xué) 2018
[3]日側(cè)極光分類方法及物理特征研究[D]. 嚴(yán)月.西安電子科技大學(xué) 2018
[4]基于表象和紋理的全天空極光圖像分類[D]. 左紅兵.西安電子科技大學(xué) 2009



本文編號(hào)：3385803