濃霧天氣給人們的日常生活,尤其是交通系統(tǒng),帶來許多負(fù)面影響。本文研究的濃霧天氣形勢圖是當(dāng)下預(yù)報是否成霧的主要依據(jù)。目前,濃霧天氣預(yù)報主要采用人工預(yù)報的方式,預(yù)報員根據(jù)濃霧天氣形勢圖特征,分析其高、低壓中心,等壓線形狀、走向及密集度等特征,再結(jié)合風(fēng)向、風(fēng)速及經(jīng)驗進行預(yù)報。本文提出的利用智能預(yù)報模型來代替?zhèn)鹘y(tǒng)人工預(yù)報,將有效降低人工預(yù)報的復(fù)雜程度。事實上,預(yù)報員根據(jù)己有經(jīng)驗將濃霧天氣形勢圖歸類以得到預(yù)報結(jié)果的這一過程的本質(zhì)就是圖像識別與分類的過程。由此考慮通過機器學(xué)習(xí)的手段來完成這一過程,因此卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionNeural Network,CNN)這一模型被引入。卷積神經(jīng)網(wǎng)絡(luò)受生物學(xué)上的神經(jīng)網(wǎng)絡(luò)活動機制啟發(fā),利用網(wǎng)絡(luò)層中的結(jié)點模擬人類視覺系統(tǒng)的神經(jīng)元細胞,網(wǎng)絡(luò)層模擬神經(jīng)元細胞組成的皮層。其中,CNN的頂層全連接層(FC,Fully Connection)類似于人類認(rèn)知系統(tǒng)中處在更高級別的推斷及決策層,利用這樣的全卷積網(wǎng)絡(luò)對圖像進行分類及識別已經(jīng)取得了人類所無法比擬的精度。然而,通過實驗證明了這一模型對濃霧天氣形勢圖識別與分類的精度卻是令人難以置信的低。對此,本文架構(gòu)兩種模...

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
    1.3 本文主要工作
    1.4 論文架構(gòu)與內(nèi)容安排
第二章 濃霧天氣形勢圖識別與分類相關(guān)技術(shù)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 卷積層的局部連接和權(quán)值共享
        2.2.2 卷積層的卷積操作
        2.2.3 下采樣層
        2.2.4 Softmax回歸
    2.3 Gabor濾波器介紹
    2.4 LBP算法介紹
    2.5 極限學(xué)習(xí)機
    2.6 本章小結(jié)
第三章 基于G-CNN模型的濃霧天氣形勢圖識別與分類方法
    3.1 引言
    3.2 G-CNN架構(gòu)的濃霧智能識別模型
    3.3 模型求解具體流程
    3.4 實驗結(jié)果與分析
        3.4.1 CNN模型訓(xùn)練與測試
        3.4.2 G-CNN模型訓(xùn)練與測試
        3.4.3 數(shù)據(jù)實驗與分析
    3.5 本章小結(jié)
第四章 基于L-CNN-ELM模型的濃霧天氣形勢圖識別與分類方法
    4.1 引言
    4.2 CNN-ELM網(wǎng)絡(luò)模型分析
        4.2.1 CNN-ELM模型架構(gòu)
        4.2.2 L-CNN-ELM模型
    4.3 L-CNN-ELM模型求解
    4.4 實驗結(jié)果與分析
        4.4.1 模擬數(shù)據(jù)實驗與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
作者簡介



本文編號：3753900