【摘要】：衛(wèi)星云圖中蘊(yùn)含著豐富的氣象信息,而云團(tuán)的變化與天氣狀況和自然奇觀(九寨溝云海,廬山云霧等)都緊密相關(guān)。因此,云團(tuán)檢測(cè)及其動(dòng)態(tài)變化預(yù)測(cè),對(duì)天氣預(yù)報(bào)、災(zāi)害預(yù)測(cè)甚至旅游業(yè)的發(fā)展都至關(guān)重要。當(dāng)前,如何快速精確的從遙感影像中提取出云團(tuán)的信息,成為很多研究學(xué)者關(guān)注的重點(diǎn)問題。首先,本研究提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的云檢測(cè)方法,對(duì)遙感影像中的云團(tuán)和晴空下墊面進(jìn)行分類識(shí)別。然后,提出一種奇異值分解算法和深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的云團(tuán)動(dòng)態(tài)預(yù)測(cè)方法,分析云團(tuán)在未來一段短時(shí)間內(nèi)的運(yùn)動(dòng)軌跡,預(yù)測(cè)云團(tuán)的動(dòng)態(tài)變化趨勢(shì)。主要研究?jī)?nèi)容如下:(1)本文對(duì)深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)(CNN)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究,闡述網(wǎng)絡(luò)中的卷積層、激活函數(shù)和損失函數(shù)等參數(shù)的概念和原理,總結(jié)了卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)和適用性;基于此,使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)遙感影像進(jìn)行云與晴空下墊面的分類識(shí)別,分析網(wǎng)絡(luò)運(yùn)行中卷積核的大小和數(shù)目變化對(duì)運(yùn)行結(jié)果產(chǎn)生的影響,尋求最適合云檢測(cè)的網(wǎng)絡(luò)架構(gòu)。之后選取混淆矩陣、ROC曲線等十種評(píng)價(jià)指標(biāo)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià),最后選取支持向量機(jī)(SVM)作為對(duì)比方法進(jìn)行實(shí)驗(yàn)。結(jié)果證明,本文所選取的卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果要優(yōu)于支持向量機(jī)。(2)對(duì)遙感影像進(jìn)行奇異值分解(SVD)處理,選取合適的特征值作為識(shí)別因子,并結(jié)合深度神經(jīng)網(wǎng)絡(luò)(DNN)對(duì)遙感影像中的云團(tuán)動(dòng)態(tài)變化情況進(jìn)行分析,預(yù)測(cè)云團(tuán)在未來一段短時(shí)間內(nèi)的運(yùn)行軌跡,選擇余弦相似度(Cosine similarity)和結(jié)構(gòu)相似性度量(SSIM)作為評(píng)價(jià)指標(biāo),并結(jié)合與線性回歸(LR)方法的結(jié)果對(duì)比,對(duì)云團(tuán)動(dòng)態(tài)變化分析結(jié)果進(jìn)行評(píng)估。實(shí)驗(yàn)證明,本文所選取的方法能夠獲得更優(yōu)的結(jié)果。
【圖文】：

論文技術(shù)框架

圖 2-1 受限玻爾茲曼機(jī)（RBM）網(wǎng)絡(luò)架構(gòu)Figure 2-1Architecture of Restricted Boltzmann Machine上圖為受限玻爾茲曼機(jī)（RBM）的網(wǎng)絡(luò)模型，它是一種具有雙層結(jié)構(gòu)的無向二部圖模型。其中，可見層用來表示輸入數(shù)據(jù)，隱層可以提取可見層的高階數(shù)據(jù)特征，網(wǎng)絡(luò)訓(xùn)練中所得到的隱層即為可見層的另外一種表達(dá)[61]。因此，在受限玻爾茲曼機(jī)中，隱層能夠表示可見層輸入數(shù)據(jù)的特征，，從而達(dá)到深度學(xué)習(xí)的目的。學(xué)者陳曦曾將受限玻爾茲曼機(jī)應(yīng)用于故障檢測(cè)。2.3 自動(dòng)編碼器（Auto Encoder）1986 年，Rumelhart 提出了自動(dòng)編碼器（Auto Encoder）的概念。自動(dòng)編碼器使用了 BP（反向傳播）算法，屬于一種生成式、無監(jiān)督的深度學(xué)習(xí)模型。自動(dòng)編碼器假設(shè)網(wǎng)絡(luò)的輸入與輸出相同，來進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。通過 BP 算法
【學(xué)位授予單位】：黑龍江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測(cè)[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長(zhǎng)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

7 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

8 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

9 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

10 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2598956