[发明专利]一种基于卷积神经网络的地基云图云状自动识别方法

权利要求书

1.一种基于卷积神经网络的地基云图云状自动识别方法，其特征在于，包括步骤：

(1)采集多种类型的全天空云图，并进行图片尺寸归一化处理，建立全天空云图样本库；

(2)搭建卷积神经网络模型；

(3)将全天空云图样本库按比列分为训练集和测试集，训练集和测试集均包括所有种类的全天空云图样本；

(4)卷积神经网络模型初始化；

(5)利用所述步骤(3)中训练集中的一部分云图样本对训练完的卷积神经网络模型进行验证，根据测试结果调整卷积神经网络模型；

(6)利用调整完的卷积神经网络模型对测试集的云图样本进行识别，得到识别结果。

2.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(2)中，所述卷积神经网络模型的结构包含4个卷积层、4个池化层，3个全连接层；全连接层最后一层为需要分类的类别数。

3.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(4)中，初始化采用Xavier初始化方法，前两个全连接层通过随机失活进行正则化，随机失活比例设置为0.5。

4.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(5)中，将步骤(3)中的训练集随机分配为新训练集和验证集，采用新训练集训练初始化后的卷积神经网络模型，所述卷积神经网络模型将进行前向计算和反向传播以更新权值，最后用验证集检验卷积神经网络模型的泛化能力，如果达标，则保存模型参数，结束训练；如果不达标，则需继续训练；实现步骤如下：

(51)输入数据逐层正向计算，生成最终的输出，并与正确的云分类答案进行比较，得到经验误差；

(52))计算经验误差对权值的梯度，找到权值的梯度方向，对卷积神经网络模型进行反向传播权值更新；

(53)多次传递输入数据，直到卷积神经网络模型收敛；

(54)输入验证集数据通过计算训练损失和测试损失，检验卷积神经网络模型的泛化能力，如果达标，则可保存卷积神经网络模型参数，结束训练；如果不达标，则需继续训练；

(55)保存训练好的卷积神经网络模型。

5.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(6)中，所述的识别结果包括识别精度和识别速度。