基于降雨圖像數(shù)據(jù),依據(jù)降雨量劃分不同的降雨強(qiáng)度;結(jié)合深度神經(jīng)網(wǎng)絡(luò)理論建立降雨強(qiáng)度識(shí)別模型,對(duì)降雨強(qiáng)度進(jìn)行實(shí)時(shí)監(jiān)測(cè)與預(yù)警.首先,通過福州市8個(gè)氣象站點(diǎn)獲取降雨圖像及其對(duì)應(yīng)的降雨量數(shù)據(jù);其次,依據(jù)降雨強(qiáng)度對(duì)降雨圖像進(jìn)行分類,共分為6個(gè)等級(jí),并將數(shù)據(jù)分為白天圖像和晚上圖像2個(gè)數(shù)據(jù)集;最后,采用DenseNet深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建降雨強(qiáng)度識(shí)別模型.結(jié)果表明:（1）各氣象站點(diǎn)降雨強(qiáng)度的識(shí)別精度均高于80%,識(shí)別精度不存在明顯差異;（2）白天降雨圖像的識(shí)別精度高于晚上;（3）白天和晚上圖像存在特征差異,使其識(shí)別精度在不同網(wǎng)絡(luò)層數(shù)上的變化趨勢(shì)不一致;（4）數(shù)據(jù)量不均衡將會(huì)影響模型總體的識(shí)別精度.表明基于降雨圖像的DenseNet降雨強(qiáng)度識(shí)別模型具有良好的數(shù)據(jù)適應(yīng)性及準(zhǔn)確的識(shí)別結(jié)果. 

【文章來源】：福建農(nóng)林大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,49(04)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

福州市8個(gè)氣象站點(diǎn)分布圖

卷積神經(jīng)網(wǎng)絡(luò)[23-24]屬于前饋神經(jīng)網(wǎng)絡(luò),具有較強(qiáng)的特征提取及分類能力,被廣泛應(yīng)用于圖像處理領(lǐng)域,如圖像分類[23]、圖像分割[24-25]以及圖像定位[26]等.卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、激活函數(shù)、池化層以及全連接層構(gòu)成,不同組合表現(xiàn)出不同的模型效果.卷積層采用不同權(quán)重的卷積核對(duì)輸入圖像進(jìn)行卷積計(jì)算,抽取圖像分類特征.卷積計(jì)算通過引入非線性激活函數(shù),使卷積神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性函數(shù).提取有效分類特征,其中激活函數(shù)主要有Sigmoid函數(shù)、雙曲正切Tanh函數(shù)、修正線性單元Relu函數(shù).Sigmoid及Tanh函數(shù)分別將輸入值值域調(diào)整至[0,1]及[-1,1],兩種激活函數(shù)均具有函數(shù)單調(diào)性,且具有光滑作用.但對(duì)于Sigmoid函數(shù)和Tanh函數(shù)采用指數(shù)運(yùn)算,計(jì)算量大,且其導(dǎo)函數(shù)容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練梯度不正常.Relu函數(shù)是對(duì)輸入值與0比較后取最大值,具有單邊抑制性以及稀疏激活性,且形式簡單,計(jì)算方便.因此,本文采用Relu函數(shù)作為網(wǎng)絡(luò)激活函數(shù),具體公式表示如下:

Transition layer結(jié)構(gòu)用于連接Dense block,每個(gè)Transition layer均由一個(gè)卷積層和平均池化層構(gòu)成,卷積層中的卷積核大小為1×1,結(jié)構(gòu)見圖5.其中,卷積層通過控制卷積核的通道數(shù)改變前一層輸出特征圖的數(shù)量;池化層通過控制卷積核的大小及卷積核移動(dòng)步長改變前一層輸出特征圖的大小,以達(dá)到降維效果.通過Transition layer進(jìn)行降維操作,每經(jīng)過一層Transition layer,輸出的特征圖數(shù)量均減少且尺寸減半,進(jìn)一步減少整個(gè)網(wǎng)絡(luò)模型的參數(shù)使用量.特征圖的尺寸大小與網(wǎng)絡(luò)的計(jì)算速度相關(guān),因此DenseNet網(wǎng)絡(luò)通過減小特征圖尺寸及減少數(shù)量來加快計(jì)算速度.圖4 Dense block結(jié)構(gòu)示意圖


本文編號(hào)：3508030