基于卷积神经网络的浓雾天气形势图识别与分类方法研究

发布时间：2023-03-04 06:40

　　浓雾天气给人们的日常生活,尤其是交通系统,带来许多负面影响。本文研究的浓雾天气形势图是当下预报是否成雾的主要依据。目前,浓雾天气预报主要采用人工预报的方式,预报员根据浓雾天气形势图特征,分析其高、低压中心,等压线形状、走向及密集度等特征,再结合风向、风速及经验进行预报。本文提出的利用智能预报模型来代替传统人工预报,将有效降低人工预报的复杂程度。事实上,预报员根据己有经验将浓雾天气形势图归类以得到预报结果的这一过程的本质就是图像识别与分类的过程。由此考虑通过机器学习的手段来完成这一过程,因此卷积神经网络(ConvolutionNeural Network,CNN)这一模型被引入。卷积神经网络受生物学上的神经网络活动机制启发,利用网络层中的结点模拟人类视觉系统的神经元细胞,网络层模拟神经元细胞组成的皮层。其中,CNN的顶层全连接层(FC,Fully Connection)类似于人类认知系统中处在更高级别的推断及决策层,利用这样的全卷积网络对图像进行分类及识别已经取得了人类所无法比拟的精度。然而,通过实验证明了这一模型对浓雾天气形势图识别与分类的精度却是令人难以置信的低。对此,本文架构两种模...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络的发展
    1.3 本文主要工作
    1.4 论文架构与内容安排
第二章 浓雾天气形势图识别与分类相关技术
    2.1 引言
    2.2 卷积神经网络模型
        2.2.1 卷积层的局部连接和权值共享
        2.2.2 卷积层的卷积操作
        2.2.3 下采样层
        2.2.4 Softmax回归
    2.3 Gabor滤波器介绍
    2.4 LBP算法介绍
    2.5 极限学习机
    2.6 本章小结
第三章 基于G-CNN模型的浓雾天气形势图识别与分类方法
    3.1 引言
    3.2 G-CNN架构的浓雾智能识别模型
    3.3 模型求解具体流程
    3.4 实验结果与分析
        3.4.1 CNN模型训练与测试
        3.4.2 G-CNN模型训练与测试
        3.4.3 数据实验与分析
    3.5 本章小结
第四章 基于L-CNN-ELM模型的浓雾天气形势图识别与分类方法
    4.1 引言
    4.2 CNN-ELM网络模型分析
        4.2.1 CNN-ELM模型架构
        4.2.2 L-CNN-ELM模型
    4.3 L-CNN-ELM模型求解
    4.4 实验结果与分析
        4.4.1 模拟数据实验与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3753900