精品文档基于神经网络的云型初步识别课件.pptVIP

一 云探测的重要性 云覆盖了地球表面一半以上的面积，它与太阳和陆地间的相互辐射作用，影响局地和全球的水循环和能量平衡． 二 云型识别的方法 全天空可见光图像（ASI图像） 云型识别的方法 矩形法(Supervised Parallelepiped technique ) 　 (Josep Calbo,Jeff Sabburg,2006, 识别8种天气状况,60%) 神经网络法(Artificial Neural Network ) 　反向传播算法 (Back-Propagation Algorithm) 应用领域广泛，实现各种复杂的功能, 善于提取归纳潜在规律 神经网络法 神经网络是大脑认知活动的一种数学模型，重点在于模拟和实现人的认知过程中的感知过程，形象思维，分布式记忆和自学习过程等，特别是从一些相互关联的活动中自动获取知识． 识别过程 矩形法 三　主要结论 矩形法 正确识别率约为30% . 神经网络法 晴空（Clear），层状云（St）正确识别率达90%以上 ; 高积云（Ac），卷状云（Ci），积状云（Cu）正确识别率均达60% 以上． * 基于神经网络的云型初步识别 万霞　霍娟　吕达仁　 中国科学院中层大气与全球环境探测重点实验室 主要内容 １　云探测的重要性 ２　云型识别的方法 ３　主要结论 　空气运动可引起云型变化, 　云型识别及云型变化的探 　测对天气过程研究和天气 　预报都有重要作用. 图像大小:2272×1704 窗口大小:512×512 高积云(Ac) 卷状云(Ci) 晴空(Clear) 积状云(Cu) 层状云(St) 图像采集时间： 2004年至2008年； 图像采集地点：羊八井，香河，厦门等； ５种云型图像的灰度直方图 灰度级 频数 云块亮度均值(TH) 谱能量拟合斜率(SI) 峰度(FM) 直方图偏斜度(TM) 平滑度(SM) 方差(SD) 均值(ME) 特征参量 　　直线拟合斜率的模值 , 纹 理 统 计 量 ５种云型 的特征量 输 入 层 隐 层 初始权值 连接权值 输 出 层 Ａc Ci Clear Cu St 监督学习规则，　　　　修改权值 BP网络 １　建立样本库（每一种云型挑选800 张图像存储） ２　图像预处理（滤波去噪，对比增强） ３　提取图像特征值（灰度，fft变换，共生矩阵） ４　初始化神经网络（设置初始权值，连接权值） ５　挑选合适的特征值作为神经网络的输入值 ６　训练网络（不断调整权值） ７　网络仿真，输出识别结果 ０００００ ００００１ ０００１０ ００１００ ０１０００ １００００ 输出码 层云 积云 晴空 卷云 高积云 云型 St Cu Clear Ci Ac 云码 拒识 ５ ４ ３ ２ １ 模式号 蓝-Ac,青-Clear,洋红-Ci,红-Cu,绿-St. 均值ME表示图像灰度值的分散程度 ;峰度FM表示了直方图的相对平坦性，即直方图分布聚集于均值附近，还是接近两端的情况，进一步描述了图像中纹理灰度的反差;SI为云图谱能量直线拟合后的斜率的模值.