隨著經(jīng)濟(jì)的發(fā)展,近年來(lái),霧天氣的出現(xiàn)較為頻繁,給人們的生活也帶來(lái)了極大的危害。傳統(tǒng)的基于遙感技術(shù)的識(shí)別和預(yù)報(bào)霧的設(shè)備往往存在光譜分辨率低、價(jià)格昂貴、多次清繪累積誤差大、單點(diǎn)檢測(cè)不確定等缺點(diǎn),導(dǎo)致霧氣檢測(cè)和預(yù)報(bào)的性能難以令人滿意�；跈C(jī)器學(xué)習(xí)的檢測(cè)霧氣的方法,具有霧氣圖像特征提取的不完備性、不變的特征空間、逼近能力不足的分類/估計(jì)準(zhǔn)則等缺點(diǎn),致使其對(duì)不規(guī)則多樣性霧氣圖像進(jìn)行分類時(shí),泛化性較差。為了解決上述難題,將閉環(huán)控制和遷移學(xué)習(xí)的思想引入深層卷積神經(jīng)網(wǎng)絡(luò)中,設(shè)計(jì)出了一個(gè)基于深度遷移學(xué)習(xí)的智能霧氣等級(jí)分類和能見度估計(jì)的模型。本文的主要工作總結(jié)如下:1)本文創(chuàng)新性地將交錯(cuò)組卷積網(wǎng)絡(luò)引入VGG16模型中,構(gòu)建了新的分類網(wǎng)絡(luò),極大地降低了參數(shù)量,節(jié)省了存儲(chǔ)空間和提高了模型運(yùn)行速度。2)針對(duì)含有交錯(cuò)組卷積的VGG16模型中卷積操作導(dǎo)致的冗余信息問(wèn)題,模型利用基于主成分的馬氏可分性度量函數(shù)結(jié)合分類/估計(jì)決策信息系統(tǒng)建立壓縮特征空間,提取表征力強(qiáng)的特征圖集合。3)采用深度隨機(jī)配置網(wǎng)絡(luò)分類器,提高了分類模型的萬(wàn)局逼近能力,構(gòu)建針對(duì)霧氣圖像具有高識(shí)別率的分類/估計(jì)準(zhǔn)則。4)為了克服不變特征空間的樣本通用...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題的研究背景與意義
    1.2 大霧等級(jí)分類和能見度估計(jì)的國(guó)內(nèi)外研究現(xiàn)狀
    1.3 模式識(shí)別與深度學(xué)習(xí)的國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文的主要工作與章節(jié)安排
第二章 深度學(xué)習(xí)和遷移學(xué)習(xí)的相關(guān)技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)特性
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.3 深度卷積神經(jīng)網(wǎng)絡(luò)
    2.2 模式分類器
        2.2.1 Softmax模式分類器
        2.2.2 RVFL模式分類器
        2.2.3 隨機(jī)配置網(wǎng)絡(luò)分類器
    2.3 遷移學(xué)習(xí)
    2.4 本章小節(jié)
第三章 基于深度遷移學(xué)習(xí)的智能分類/估計(jì)模型
    3.1 基于深度遷移學(xué)習(xí)的智能分類/估計(jì)模型設(shè)計(jì)
    3.2 基于動(dòng)態(tài)交錯(cuò)組卷積的特征提取
    3.3 壓縮特征空間建立
    3.4 基于誤差熵的分類/估計(jì)結(jié)果評(píng)測(cè)指標(biāo)
    3.5 基于遷移學(xué)習(xí)的動(dòng)態(tài)智能分類/估計(jì)機(jī)制
        3.5.1 基于分類/估計(jì)誤差語(yǔ)義熵的特征空間調(diào)節(jié)機(jī)制
        3.5.2 基于分類/估計(jì)誤差語(yǔ)義熵的網(wǎng)絡(luò)層級(jí)調(diào)節(jié)機(jī)制
    3.6 本章小結(jié)
第四章 基于深度遷移學(xué)習(xí)的智能大霧等級(jí)分類和能見度估計(jì)模型
    4.1 基于深度遷移學(xué)習(xí)的大霧等級(jí)和能見度智能分類/估計(jì)模型
    4.2 基于內(nèi)置交錯(cuò)組卷積VGG16模型的大霧圖像特征提取
    4.3 深度隨機(jī)配置網(wǎng)絡(luò)分類器設(shè)計(jì)
    4.4 基于誤差熵的智能分類/估計(jì)結(jié)果動(dòng)態(tài)評(píng)測(cè)指標(biāo)和機(jī)制
    4.5 基于遷移學(xué)習(xí)的大霧分類/估計(jì)模型的深層神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化
    4.6 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 霧氣等級(jí)分類實(shí)驗(yàn)結(jié)果
        5.2.2 霧氣能見度估計(jì)實(shí)驗(yàn)
    5.3 本章小結(jié)
第六章 結(jié)論與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3824946