我國(guó)衛(wèi)星圖像識(shí)別技術(shù)在自然災(zāi)害、地表覆蓋區(qū)域監(jiān)測(cè)、環(huán)境資源分布研究等領(lǐng)域應(yīng)用日趨廣泛。衛(wèi)星云雪圖像中的云、雪等區(qū)域高光譜特征相似、空間分布特征復(fù)雜多變。傳統(tǒng)的研究方法對(duì)多光譜特征利用率低,難以有效獲取圖像中的高階語(yǔ)義信息。針對(duì)這些研究難題,本文提出了深度學(xué)習(xí)算法實(shí)現(xiàn)多光譜衛(wèi)星云雪圖像的光譜特征信息、局部紋理特征信息自動(dòng)提取,獲得低階到高階的語(yǔ)義特征。卷積神經(jīng)網(wǎng)絡(luò)能夠有效提取衛(wèi)星圖像中的各種特征信息,具有較好的特征提取能力,但是如果僅僅是加深自身結(jié)構(gòu)的深度會(huì)導(dǎo)致梯度信號(hào)消失等問(wèn)題。為了提升光譜特征提取能力,本文構(gòu)造了多維雙粒度深度森林輕量化模型、深度殘差聚合卷積網(wǎng)絡(luò)模型實(shí)現(xiàn)光譜特征信息的優(yōu)化,提升了多光譜衛(wèi)星云雪圖像的識(shí)別能力。通過(guò)仿真實(shí)驗(yàn)與結(jié)果分析,本文的深度殘差聚合卷積網(wǎng)絡(luò)與多維雙粒度深度森模型能夠有效提取多光譜衛(wèi)星云雪圖像的各種特征信息,提高了特征的利用率,具備很好的泛化能力。相比于機(jī)器學(xué)習(xí)、集成算法、神經(jīng)網(wǎng)絡(luò),深度殘差聚合卷積網(wǎng)絡(luò)具備更好的泛化能力,能夠有效識(shí)別多光譜衛(wèi)星云雪圖像中的云區(qū)域、雪區(qū)域、無(wú)云無(wú)雪區(qū)域、云雪混合區(qū)域。另外本文的仿真結(jié)果也說(shuō)明,與單光譜衛(wèi)星云雪圖像相比,多... 

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)
        1.3.1 論文創(chuàng)新點(diǎn)
        1.3.2 論文章節(jié)安排
第二章 傳統(tǒng)云雪圖像識(shí)別算法
    2.1 多光譜衛(wèi)星圖像簡(jiǎn)介
        2.1.1 衛(wèi)星圖像的特征
        2.1.2 衛(wèi)星云雪圖像識(shí)別過(guò)程
    2.2 支持向量機(jī)
        2.2.1 支持向量機(jī)基本原理
        2.2.2 支持向量機(jī)分類過(guò)程
    2.3 神經(jīng)網(wǎng)絡(luò)
        2.3.1 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.3.2 神經(jīng)網(wǎng)絡(luò)前向傳播與誤差逆?zhèn)鞑?br>    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.4.2 卷積核
        2.4.3 下采樣
        2.4.4 卷積神經(jīng)網(wǎng)絡(luò)前向傳播與誤差逆?zhèn)鞑?br>    2.5 實(shí)驗(yàn)仿真與結(jié)果分析
        2.5.1 支持向量機(jī)實(shí)驗(yàn)仿真與結(jié)果分析
        2.5.2 卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)仿真與結(jié)果分析
    2.6 本章小結(jié)
第三章 基于多維雙粒度深度森林的衛(wèi)星云雪圖像識(shí)別
    3.1 集成學(xué)習(xí)基本原理
    3.2 決策樹(shù)基本原理
        3.2.1 決策樹(shù)屬性選擇
        3.2.2 決策樹(shù)生長(zhǎng)
    3.3 隨機(jī)森林基本原理
    3.4 極限梯度提升樹(shù)基本原理
    3.5 多維雙粒度深度森林
        3.5.1 多維雙粒度
        3.5.2 級(jí)聯(lián)森林
        3.5.3 多維雙粒度深度森林整體結(jié)構(gòu)
    3.6 實(shí)驗(yàn)仿真與結(jié)果分析
    3.7 本章小結(jié)
第四章 基于深度殘差聚合卷積網(wǎng)絡(luò)的衛(wèi)星云雪圖像識(shí)別
    4.1 深度殘差聚合卷積網(wǎng)絡(luò)
    4.2 預(yù)激活殘差塊
        4.2.1 梯度消失
        4.2.2 殘差連接
        4.2.3 預(yù)激活殘差單元
    4.3 特征優(yōu)化模塊
    4.4 空洞空間金字塔池化模塊
    4.5 信息融合模塊
    4.6 實(shí)驗(yàn)仿真與結(jié)果分析
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于t分布鄰域嵌入與XGBoost的刀具多工況磨損評(píng)估[J]. 李亞,黃亦翔,趙路杰,劉成良.  機(jī)械工程學(xué)報(bào). 2020(01)
[2]改進(jìn)隨機(jī)森林算法綜述[J]. 孫明喆,畢瑤家,孫馳.  現(xiàn)代信息科技. 2019(20)
[3]多維加權(quán)密集連接卷積網(wǎng)絡(luò)的衛(wèi)星云圖云檢測(cè)[J]. 夏旻,施必成,劉佳,劉萬(wàn)安.  計(jì)算機(jī)工程與應(yīng)用. 2018(20)
[4]基于深度極限學(xué)習(xí)機(jī)的衛(wèi)星云圖云量計(jì)算[J]. 翁理國(guó),孔維斌,夏旻,仇學(xué)飛.  計(jì)算機(jī)科學(xué). 2018(04)
[5]基于LeNet-5改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別方法[J]. 吳陽(yáng)陽(yáng),彭廣德,吳相飛.  信息與電腦(理論版). 2018(07)
[6]基于多種紋理特征的全色圖像云雪區(qū)特征提取[J]. 孫磊,曹曉光.  電子設(shè)計(jì)工程. 2014(02)
[7]地基云圖識(shí)別的光照補(bǔ)償算法[J]. 陳曉穎,宋愛(ài)國(guó),李建清,孫學(xué)金,朱益民.  解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(05)
[8]基于分形維數(shù)的全色影像云雪自動(dòng)識(shí)別方法[J]. 丁海燕,馬靈玲,李子揚(yáng),唐伶俐.  遙感技術(shù)與應(yīng)用. 2013(01)
[9]極端天氣氣候事件對(duì)旅游業(yè)的影響——以2008年雪災(zāi)為例[J]. 馬麗君,孫根年,馬耀峰,王潔潔,舒靜靜.  資源科學(xué). 2010(01)
[10]基于C4.5決策樹(shù)的流量分類方法[J]. 徐鵬,林森.  軟件學(xué)報(bào). 2009(10)

碩士論文
[1]可見(jiàn)光衛(wèi)星圖像的云檢測(cè)算法研究[D]. 周麗娟.西安電子科技大學(xué) 2012
[2]MTSAT氣象衛(wèi)星云圖接收軟件系統(tǒng)設(shè)計(jì)[D]. 胡光.北京郵電大學(xué) 2009
[3]基于內(nèi)容的衛(wèi)星云圖分類方法研究[D]. 徐蕊.國(guó)防科學(xué)技術(shù)大學(xué) 2006



本文編號(hào)：3653184