基于多卷积集成学习的天气识别方法研究

发布时间：2022-01-21 19:37

　　在各行业快速发展的同时,对天气状况进行及时、准确的识别与预测已经成为一个非常急迫的工作。尤其在交通领域,天气变化的不确定性,给道路安全带来了很大的风险。在人工智能高速发展的背景下,基于图像的天气现象识别分类,解决了原有的天气识别方式识别范围较广,无法具体到某一位置的缺陷,同时根据道路上随处可见的摄像头拍摄的图片进行天气识别保证了判别结果的实时性,使得人们处理各项突发事件的效率大大提高。通过图片进行天气分类最常用的方法是先提取图片中各种天气的特征,然后再选择分类器进行天气分类。天气图片的特征相似度较高,而且多种分类器的选择以及分类过程都及其复杂,不利于日后的大量应用,缺乏普适性。针对上述天气分类的问题,本文提出了基于多卷积集成学习的天气图像识别方法。卷积神经网络（Convolutional neural network,CNN）是一种简单快速的图像分类方法,在人工智能的推进过程中发挥着举足轻重的作用。相较于其他机器学习方法,卷积神经网络通过卷积层和池化层,自动学习图像更深层次的语义特征,使得机器在图像分类过程中更加符合人类对图像识别的特点,并且大大缩短了分类时间。证据推理（Evident... 

【文章来源】：哈尔滨师范大学黑龙江省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

经典AlexNet结构图

哈尔滨师范大学硕士学位论文14图2-7DenseNet模型结构图Figure2-7DenseNetmodelstructureDenseNet相较与其他模型可以获得更高的识别效率，因为每层特征之间的重复利用，使得模型的计算量大大减少。2.2集成学习方法为了让卷积神经网络的识别能达到更好的效果，本文在多个卷积神经网络进行训练识别之后，选择集成学习的方法对实验结果进一步提高，下面对集成学习的定义以及一些常用方法进行介绍。2.2.1集成学习定义在机器学习的监督算法中，目标是想要得到一个稳定并且能快速准确进行识别的分类器，但是因为各种因素的影响，这个目标很难实现，现实中人们只能得到一个在某方面表现较好的模型。为此，集成学习（EnsembleLearning）[50]应运而生。集成学习的本质就是将多个在某一方面表现较好的分类器（弱分类器）有效组合成一个新的分类器（强分类器）。这些弱分类器之间互补，即使某一个分类器在分类时出现了错误，别的分类器的效果可以将它的错误弥补过来，使其不影响整体结果。集成学习的一般框架如图2-7所示。集成学习将多种传统的分类方法组合起来构成一个新的分类识别模型，其主要目的是减小计算过程中的方差和偏差，并且增强对数据预测的效果。集成学习对于数据集的大小有很好的适应能力。对于较大的数据集可以将其分成多个小数据集，分别对其学习，最后将结果组合起来。而对于样本较少的数据集可以进行抽样，组合成多个数据集，再进行训练。

哈尔滨师范大学硕士学位论文21由于大规模的天气数据集获取难度较大，本文使用在Github（https://github.com/search?q=Weather+recognition&type=Repositories）上获得的包含晴、阴、雨、雪四种天气的小规模数据集共2038张图片，其中晴、阴、雨、雪的图片数目分别为484、816、648、90，这些图片拍摄于同一地点的不同时间段。为保证卷积神经网络训练效果的一致性，首先对数据集进行预处理，将所有图片调整为统一的格式和大校因为数据集较少，因此实验过程中随机选择数据集中的每种天气图片的60%作为训练集，全部图片作为验证集。四种卷积神经网络的迭代次数统一为100次，训练结束后可以获得训练模型，分别调用四种网络的最终训练模型得到数据集中所有天气图片的分类结果。四种样本天气图像示例如图3-3（a）~图3-3（d）所示。（a）晴天图像（b）阴天图像（c）雨天图像（d）雪天图像图3-3样本图像数据Figure3-3Sampleimagedata本章节的实验是在Anaconda平台下使用python3.6进行编程实现的。四种卷积神经网络模型都采用了基于tensorflow后端的keras深度学习库的开源代码。为

【参考文献】：
期刊论文
[1]机器视觉研究与发展综述[J]. 宋春华,彭泫知.  装备制造技术. 2019(06)
[2]图像场景分类技术综述[J]. 田艳玲,张维桐,张锲石,路纲,吴晓军.  电子学报. 2019(04)
[3]集成学习方法:研究综述[J]. 徐继伟,杨云.  云南大学学报(自然科学版). 2018(06)
[4]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[5]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[6]基于证据推理规则的信息融合故障诊断方法[J]. 徐晓滨,郑进,徐冬玲,杨剑波.  控制理论与应用. 2015(09)
[7]基于计算机视觉的图像多尺度识别方法[J]. 张玉璞,杨旗,张旗.  计算机应用. 2015(02)
[8]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)
[9]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)
[10]改进K近邻和支持向量机相融合的天气识别[J]. 张红艳,李茵茵,万伟.  计算机工程与应用. 2014(14)

硕士论文
[1]多类别天气图像分类算法研究[D]. 王珊.北京交通大学 2019
[2]基于卷积神经网络的天气识别方法研究[D]. 施雨舟.上海交通大学 2018
[3]融合先验知识的场景文本识别应用研究[D]. 梅亚敏.电子科技大学 2016



本文编号：3600837