准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。...准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。展开更多
模糊支持向量机(fuzzy support vector machine,FSVM)通过为每个样例设置模糊化训练参数,达到抑制离群点及噪声数据对分类器不利影响的目的。提出了基于预分类的FSVM,每个样例的模糊权重通过关联于该样例的预分类面来确定。该方法不仅...模糊支持向量机(fuzzy support vector machine,FSVM)通过为每个样例设置模糊化训练参数,达到抑制离群点及噪声数据对分类器不利影响的目的。提出了基于预分类的FSVM,每个样例的模糊权重通过关联于该样例的预分类面来确定。该方法不仅考虑了各个样例在未来分类中的作用效果,还考虑了分类器对离群点及噪声数据的敏感性。这样确定的模糊权重能使SVM根据离群点及噪声数据的影响情况决定抑制强度,减少或避免无视数据具体特征的盲目抑制。在IDA、UCI等标准数据集上的实验验证了所提方法的合理性和有效性。展开更多
文摘准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。
文摘模糊支持向量机(fuzzy support vector machine,FSVM)通过为每个样例设置模糊化训练参数,达到抑制离群点及噪声数据对分类器不利影响的目的。提出了基于预分类的FSVM,每个样例的模糊权重通过关联于该样例的预分类面来确定。该方法不仅考虑了各个样例在未来分类中的作用效果,还考虑了分类器对离群点及噪声数据的敏感性。这样确定的模糊权重能使SVM根据离群点及噪声数据的影响情况决定抑制强度,减少或避免无视数据具体特征的盲目抑制。在IDA、UCI等标准数据集上的实验验证了所提方法的合理性和有效性。
