本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算

  更多相關(guān)文章： 衛(wèi)星云圖 卷積神經(jīng)網(wǎng)絡(luò) 極限學(xué)習(xí)機(jī) 云量計(jì)算

【摘要】：衛(wèi)星云圖解譯是利用衛(wèi)星云圖進(jìn)行的氣象應(yīng)用的研究,在氣象衛(wèi)星云圖解譯的領(lǐng)域里,云的分類和云量計(jì)算是核心,但是由于目前的方法對(duì)衛(wèi)星光學(xué)參數(shù)以及對(duì)衛(wèi)星云圖的特征利用率不高,所以導(dǎo)致了云圖解譯中的云分類和云量計(jì)算不是很準(zhǔn)確,實(shí)際的云量計(jì)算應(yīng)用也沒有成熟到業(yè)務(wù)化的地步；本文是在調(diào)研了國(guó)內(nèi)外相關(guān)研究的基礎(chǔ)后,重點(diǎn)研究了卷積神經(jīng)網(wǎng)絡(luò)在衛(wèi)星云圖的云量計(jì)算中的應(yīng)用。近年來(lái),深度學(xué)習(xí),特別是卷積神經(jīng)網(wǎng)絡(luò)在很多應(yīng)用領(lǐng)域都表現(xiàn)出強(qiáng)大的適應(yīng)性和魯棒性,卷積神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)、并行處理和自學(xué)習(xí)能力,因此,本文使用了一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法來(lái)進(jìn)行衛(wèi)星云圖解譯,進(jìn)而解決衛(wèi)星云圖的云量計(jì)算問(wèn)題,同時(shí),對(duì)于卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)速度相對(duì)較慢的問(wèn)題,提出了一種基于極限學(xué)習(xí)機(jī)的方法來(lái)對(duì)云圖檢測(cè)方法做進(jìn)一步的補(bǔ)充和研究。本文的主要工作包括如下方面：1.首先對(duì)原始衛(wèi)星云圖進(jìn)行樣本提取,作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,然后用卷積神經(jīng)網(wǎng)絡(luò)對(duì)衛(wèi)星云圖的不同可見光通道的不同表達(dá)來(lái)實(shí)現(xiàn)厚云、薄云、晴空以及薄云和厚云交界的檢測(cè),最后用傳統(tǒng)的閾值法、動(dòng)態(tài)閾值法和基于極限學(xué)習(xí)機(jī)方法檢測(cè)后的云圖來(lái)做對(duì)比。2.在云檢測(cè)的基礎(chǔ)上,研究如何改進(jìn)“空間相關(guān)法”計(jì)算總云量,最后通過(guò)與專家標(biāo)定的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)結(jié)果進(jìn)行對(duì)比分析,改進(jìn)并完善云圖解譯相關(guān)算法,本文將為衛(wèi)星云圖的全面自動(dòng)觀測(cè)奠定堅(jiān)定的理論基礎(chǔ)。
【關(guān)鍵詞】：衛(wèi)星云圖 卷積神經(jīng)網(wǎng)絡(luò) 極限學(xué)習(xí)機(jī) 云量計(jì)算
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751;TP183
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 第一章 緒論8-14
• 1.1 研究背景8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-12
• 1.3 論文的主要內(nèi)容及章節(jié)安排12-14
• 第二章 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介14-24
• 2.1 卷積神經(jīng)網(wǎng)絡(luò)概述14
• 2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)14-16
• 2.3 權(quán)值共享16-17
• 2.4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練17-22
• 2.4.1 前向傳播過(guò)程17-18
• 2.4.2 反向傳播過(guò)程18-19
• 2.4.3 卷積層梯度計(jì)算19-20
• 2.4.4 下采樣層梯度計(jì)算20-21
• 2.4.5 SOFTMAX回歸分類21-22
• 2.5 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)22-23
• 2.6 本章小結(jié)23-24
• 第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云圖檢測(cè)24-38
• 3.1 研究動(dòng)機(jī)24
• 3.2 衛(wèi)星云圖閾值分割法24-26
• 3.2.1 傳統(tǒng)閾值法24-25
• 3.2.2 最大類間方差自適應(yīng)閾值法25-26
• 3.3 基于CNN模型的衛(wèi)星云圖檢測(cè)26-29
• 3.3.1 圖像預(yù)處理26-27
• 3.3.2 特征學(xué)習(xí)27-29
• 3.4 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化29-31
• 3.4.1 神經(jīng)網(wǎng)絡(luò)層數(shù)29-30
• 3.4.2 濾波器個(gè)數(shù)的選擇30-31
• 3.4.3 網(wǎng)絡(luò)濾波器大小選擇31
• 3.5 實(shí)驗(yàn)結(jié)果分析31-37
• 3.6 本章小結(jié)37-38
• 第四章 基于極限學(xué)習(xí)機(jī)的衛(wèi)星云圖檢測(cè)38-46
• 4.1 研究動(dòng)機(jī)38
• 4.2 極限學(xué)習(xí)機(jī)介紹38-42
• 4.2.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)38-42
• 4.3 實(shí)驗(yàn)結(jié)果分析42-45
• 4.4 本章小結(jié)45-46
• 第五章 基于云圖檢測(cè)的云量計(jì)算46-54
• 5.1 研究動(dòng)機(jī)46
• 5.2 云量計(jì)算方法46-48
• 5.3 總云量計(jì)算方案48-52
• 5.4 總云量驗(yàn)證方案52-53
• 5.5 本章小結(jié)53-54
• 第六章 總結(jié)與展望54-56
• 6.1 工作總結(jié)54-55
• 6.2 論文展望55-56
• 致謝56-58
• 參考文獻(xiàn)58-65
• 攻讀碩士期間完成的科研情況65

，

本文編號(hào)：1001328