衛(wèi)星云圖是由氣象衛(wèi)星自上而下觀測到的地球上的云層覆蓋和地表面特征的圖像。利用衛(wèi)星云圖可以識別不同的天氣系統(tǒng),確定它們的位置,估計其強度和發(fā)展趨勢,為天氣分析提供依據(jù)。同時,使用衛(wèi)星云圖對云的種類和分布達(dá)到精準(zhǔn)識別,對提高天氣預(yù)報質(zhì)量以及預(yù)防災(zāi)害的能力有重大的意義和價值。本文以卷積神經(jīng)網(wǎng)絡(luò)和深度卷積生成對抗網(wǎng)絡(luò)為基礎(chǔ),對衛(wèi)星云圖的分割與識別進(jìn)行了深入研究,主要工作和創(chuàng)新點在于:（1）針對傳統(tǒng)的衛(wèi)星云圖分割方法中,繁瑣的算法流程和復(fù)雜的特征提取方式,本文采用基于卷積神經(jīng)網(wǎng)絡(luò)的方法,能夠自動提取特征,分割過程簡潔,效率更高。同時針對FCN分割模型中多次卷積后參數(shù)量過大,導(dǎo)致模型訓(xùn)練耗時耗力,本文對普通卷積改進(jìn)為“稀疏卷積”方式,使得網(wǎng)絡(luò)參數(shù)以及計算量大大減少,訓(xùn)練速度較原模型有明顯提升,平均訓(xùn)練效率提高了26.3%,且分割效果幾乎不受影響。（2）針對訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型往往需要大量的數(shù)據(jù),而某些種類的衛(wèi)星云圖數(shù)據(jù)量較少,收集足夠量的數(shù)據(jù)比較困難,本文通過深度卷積生成對抗網(wǎng)絡(luò)生成訓(xùn)練數(shù)據(jù),以擴充訓(xùn)練集,有效提高了識別模型的識別準(zhǔn)確率。同時針對卷積神經(jīng)網(wǎng)絡(luò)中卷積核太大,導(dǎo)致計算復(fù)雜度高,提出卷積... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)[62]

第二章相關(guān)深度學(xué)習(xí)方法介紹11同樣的，微積分中的二維卷積表達(dá)式如（2-4）：s(i,j)=(XW)(i,j)=∑∑(,)(,)(2-4)在卷積神經(jīng)網(wǎng)絡(luò)中，雖然同樣叫做卷積，但是它使用的卷積公式和數(shù)學(xué)中定義的內(nèi)容略有差別，例如二維卷積在卷積神經(jīng)網(wǎng)絡(luò)中如（2-5）：s(i,j)=(XW)(i,j)=∑∑(+,+)(,)(2-5)其中，W表示的是卷積核，而X則表示相應(yīng)的輸入數(shù)據(jù)內(nèi)容。例如X表示的是圖形數(shù)據(jù)，那么W對應(yīng)的卷積核就是二維的矩陣。實際的卷積操作是卷積核在固定的窗口按一定步長進(jìn)行滑動，卷積核中的每個元素與對應(yīng)窗口內(nèi)的每個元素一一相乘，再相加。以此類推，通過卷積核的不斷移動，直至窗口內(nèi)的所有元素被遍歷，這樣就能得到一個卷積后的特征圖，即所提取到的信息。具體做法如圖2-2所示。圖2-2卷積操作事實上，卷積神經(jīng)網(wǎng)絡(luò)中所有卷積核的參數(shù)都是通過訓(xùn)練而得到的結(jié)果，除了初始化時一般設(shè)定一個隨機值。而不同的卷積核用來提取不同的高維特征，例如圖像任務(wù)中形狀、大孝粗細(xì)、顏色等一系列特征。當(dāng)然，這些眾多的卷積核都會被組合進(jìn)行使用，

南京信息工程大學(xué)碩士學(xué)位論文12從而構(gòu)造成一個足夠深的網(wǎng)絡(luò)。通過這些“特征提取器”，再加上網(wǎng)絡(luò)中后續(xù)操作的進(jìn)行，這些特征將會被進(jìn)一步抽象為具有高級含義的“概念”所描述，以此對應(yīng)到相應(yīng)的圖像類別中去，實現(xiàn)圖像分類。卷積核不僅能提取到各種不一樣的特征，它還一個優(yōu)勢在于：通過卷積操作，能使得上一層的特征信息被加強，與此同時減小噪聲。2.3.2池化層本小節(jié)介紹池化層，一般來說，最常使用的池化操作有兩種，包括平均值池化（average-pooling）和最大值池化（max-pooling）。需要指出的是，池化層與卷積層的不同在于，卷積層中的卷積核是需要訓(xùn)練得到的，而池化層不存在參數(shù)的訓(xùn)練，都是人為規(guī)定的。所以池化層需要定義以下幾個內(nèi)容：池化類型（平均值池化/最大值池化）、池化的窗口大孝邊緣是否進(jìn)行填充、滑動步長。平均值池化在每次操作時，將池化核按照相應(yīng)規(guī)則滑動到指定的位置，將對應(yīng)的窗口內(nèi)所有元素值相加后，取平均值作為池化結(jié)果，即：平均值池化結(jié)果如（2-6）：∑≤≤≤≤++×+×=+++iWjHllliiiHxjdjWiHWdjylll0,01,,1,,111(2-6)最大值池化在每次操作時，將池化核按照相應(yīng)規(guī)則滑動到指定的位置，將對應(yīng)的窗口內(nèi)的值中取最大值，取平均值作為池化結(jié)果，即：最大值池化結(jié)果如（2-7）：llliiWjHiiHxdjyjdjWilll,,max,,10,0111+×+×=+≤≤≤≤+++(2-7)圖2-3這個例子展示了最大值池化方法，它的池化核大小為2×2，滑動步長為2。圖2-3最大池化方法實例

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J]. 溫長吉,王生生,于合龍,蘇恒強.  農(nóng)業(yè)工程學(xué)報. 2013(13)
[2]基于支持向量機的CloudSat衛(wèi)星云分類算法[J]. 韓丁,嚴(yán)衛(wèi),任建奇,趙現(xiàn)斌.  大氣科學(xué)學(xué)報. 2011(05)
[3]圖像分割的新理論和新方法[J]. 許新征,丁世飛,史忠植,賈偉寬.  電子學(xué)報. 2010(S1)
[4]多光譜衛(wèi)星云圖的SOFM-PNN網(wǎng)絡(luò)耦合的云分類模型[J]. 黃兵,王彥磊,張韌,劉科峰,洪梅,萬齊林.  應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報. 2008(05)
[5]多通道衛(wèi)星云圖云檢測方法的研究[J]. 馬芳,張強,郭鈮,張杰.  大氣科學(xué). 2007(01)
[6]衛(wèi)星云圖云分類的一種綜合優(yōu)化聚類方法[J]. 王繼光,張韌,洪梅,紀(jì)飛.  解放軍理工大學(xué)學(xué)報(自然科學(xué)版). 2005(06)
[7]自適應(yīng)區(qū)域生長算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 陸劍鋒,林海,潘志庚.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2005(10)
[8]基于人工神經(jīng)網(wǎng)絡(luò)的云識別研究[J]. 鄭君杰,黃峰,張云生.  計算機工程. 2004(18)
[9]利用GMS-5紅外資料進(jìn)行云的分類識別[J]. 周偉,李萬彪.  北京大學(xué)學(xué)報(自然科學(xué)版). 2003(01)
[10]用多譜閾值法進(jìn)行GMS-5衛(wèi)星云圖云型分類的研究[J]. 楊澄,袁招洪,顧松山.  南京氣象學(xué)院學(xué)報. 2002(06)

碩士論文
[1]基于直方圖統(tǒng)計模型的自適應(yīng)多閾值圖像分割算法的研究[D]. 羅群艷.南京理工大學(xué) 2012



本文編號：3327512