[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

说明书

本发明公开了一种基于卷积神经网络的地基云图云状自动识别方法，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)利用云图样本库的另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的结构；(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。本发明采用卷积神经网络对地基全天空云图样本库进行深度学习，提高了地基云图云状识别的精度。

技术领域

本发明涉及地基云图云状自动识别方法，尤其涉及一种基于卷积神经网络的地基云图云状自动识别方法。

背景技术

云的形状与大气温度、湿度、气流、凝结核和冰核数量密切相关。在现行的地面气象观测规范中，按云的外形特征、结构、特点和云底高度可将云状分为高、中、低3族10属29类，具有种类多、变化快、相似、易与天空背景融合等特点。实际观测中人工观测为主，存在着主观性强、准静态、成本高、观测点偏少以及信息记录不完整等问题。近年来，以中国科学院大气物理研究所吕达仁院士和解放军理工大学孙学金教授等人为首开始致力于研发利用仪器进行地基云的自动观测，实现了利用可见光、红外波段仪器获取全天空云图的工程化目的。但对于地基云图云状自动化识别方法而言，通常采用图像预处理→特征提取→分类器分类这样的流程，大多数研究者重点研究表达不同云属性的特征提取技术，但这种识别分类方法是基于人工经验提取特征的，且各个环节都是独立的，只有简单的两三层学习网络，实则是一种“浅层学习”，致使此类方法适用的云类别范围有限，加之分类器的选取、云的复杂变化，影响了器测云状识别的识别精度及识别速度。

发明内容

发明目的：本发明的目的是提供一种提高器测云状识别精度和识别速度的基于卷积神经网络的地基云图云状自动识别方法。

技术方案：本发明的地基云图云状自动识别方法，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。

进一步，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。

进一步，步骤(4)中，权重初始化采用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。

进一步，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；