论文部分内容阅读
云层在气候预测、气象服务等领域中起着非常重要的作用。现存的天基或地基云层图像分类任务多为人工完成，消费大量的人力，而且由于观察者的不同标准导致分类结果模棱两可。在这种背景下，本论文以天基和地基两种云层图像数据集TCdata和SCdata为数据源，进行了云层背景图像机器学习自动分类方法的研究，开展了以下四个方面的研究工作。 (1)在基于卷积神经网络的云层背景图像分类方法方面，研究了基于卷积神经网络的云层背景图像分类方法的结构与训练过程，并在TensorFlow开发环境中，搭建了卷积神经网络的训练与测试平台。 (2)在数据集的制作与处理方面，制作了天基和地基两种云层图像数据集TCdata和SCdata数据集，并对二者进行了数据预处理、数据增强、数据集划分和数据集存储等处理。这两种数据集中云层图像的特征复杂度，为不同结构的卷积神经网络的对比实验研究提供了数据支撑。 (3)在简单图像分类模型的设计与改进方面，以LeNet模型和AlexNet模型为基础设计了STCnet模型，在TCdata和SCdata数据集上的分类准确率都能达到96%以上。实验证明了池化层在STCnet模型中的重要作用，并在模型中所有卷积层后都保留了池化层。改进了STCnet模型中的激活函数，提高了模型对云层图像的分类准确率。 (4)在复杂图像分类模型的设计与改进方面，设计了改进的GoogLeNet模型云层图像分类方法，通过卷积神经网络模型提取特征和SVM分类器两个模块的结合，设计了GoogLeNet-SVM融合模型。通过对各个模型的分类效果进行比较，证明了GoogLeNet-SVM融合模型不仅可以得到优越的分类准确率，还具有分类处理时耗少的优点。 本文所研究的机器学习分类方法可以应用于云层背景图像数据处理与分类领域，为分类模型的优化提供了理论支撑。