基于神经网络的极光图像及极光序列分类研究
发布时间：2021-09-05 17:48
极光是从太阳风暴中逃逸的部分高能带电粒子受到地球磁场作用,沉降到地球表面时与高空中的大气分子和原子相碰撞,进而产生的一种自然发光现象。对极光现象的研究有助于人们认识太阳风与地球磁场之间相互作用的信息、预防自然灾害,甚至有可能实现利用极光的巨大能量,造福人类。不同形态的极光代表不同的物理发生机制,因此对不同形态的极光进行分类是极光研究中的重要分支。本文针对极光问题主要做了两个方面的研究:一是基于改进卷积神经网络的极光静态图像分类;二是基于卷积神经网络联合双向长短期记忆网络的极光序列分类。1、提出了基于改进卷积神经网络的极光图像分类算法。该方法通过引入深度学习模型VGG-16解决了以往传统方法研究中设计特征难且分类准确率不高的问题。首先将在Image Net上训练过的网络权重迁移到本文网络上面,再对原始的VGG-16网络做了改进,即针对VGG-16的每一个卷积块,本文将其当前层之前的所有层的输入都融合起来,然后将融合后的输出特征图输入到当前网络层中。这种方法能保证信息的最大化流通,充分提高信息利用率,并能提高网络性能、加速网络训练。同时为了适应极光单通道的特性,本文在VGG-16模型前面多...
【文章来源】：南京邮电大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
美丽的极光伴随着地面观测技术的发展和计算机计算能力的强大，以及自然学、空间物理学的快速
南京邮电大学专业学位硕士研究生学位论文第二章极光图像研究中相关理论基础概述12Hot-spot图2.2G波段的四类极光图像深度学习算法相关技术2.2.1深度学习原理深度学习是通过大量的数据进行学习，其本质上是一种机器学习算法。该算法通过构建多层结构的网络来模拟人脑分析的能力，是一种自上而下的学习方法。相对于浅层网络，深度是指网络能模拟复杂函数以及非线性转换运算的一种能力。对于复杂的回归或分类问题，浅层网络只能模拟简单函数因此无法学习到更多特征，但深度网络可以模拟任意复杂函数从而达到正确的分类或者回归。深度学习网络是将大量神经元一层一层地连接在一起，而层层之间起连接桥梁的便是激活函数。其中底层输出作为了下一层的输入，同时从网络底层到高层中的每一层都可以提取到事物的特征。层数越高，提取的特征越抽象，同时表达的语义信息也就越丰富。在深度学习实验中，需要先准备大量数据，其次要构建多层网络模型，接下来将数据输入到网络中进行训练来学习其特征。深度学习常用的基本网络算法有卷积神经网络、递归神
经网络里面代表对应的权重。图像与卷积核进行点乘，即图像上的相应像素点与卷积核里的权重进行作用。卷积层在神经网络中可多次出现，同时多次对图像进行卷积能提取到输入图像的不同特征。卷积神经网络中间的神经元层被称之为隐层，隐层学习到的权重和偏置都是共享的。也就是说，除了检测位置不同外，图像包含由图像得到的特征图上的统计特征都是一致的。由此可知人们在图像上学习到的特征可以在图像的其他部位使用。即我们可以使用同一个卷积核在图像上通过一定的步长进行位移，实现特征提取最终得到图像下一层的特征图。如下图2.4所示是一个卷积核在一个图像上进行卷积的过程，其中卷积核大小为3*3，滑动步长为1。在卷积的过程中，卷积核与图中对应大小的数据依次相乘，直至遍历整个图像。图中最左边是原始输入图像，中间是卷积核，-8是其中第一个卷积结果。图2.4卷积核在图像上的卷积过程示意图伴随着卷积层，一般后面会接一个池化层。其主要目的是缩小特征图尺寸、加速计算、改善网络训练的效果，且能在一定程度上防止过拟合。若不采用池化层，直接使用由卷积得到的特征来训练分类器将会面临巨大的资源损耗，不仅效率不高而且效果也不一定好。池化层实际上是对由卷积得到的特征图进行小邻域内采样（即对区域内的特征进行统计分析），经采样后特征数量会大大减少，其得到的特征也更加抽象，整个过程相当于是合并了特征图中的相似特征。目前池化方法中最大池化和平均池化较为常见。其中最大池化方式是以区域内的最大值作为最终的输出值，而平均池化是以区域内所有值的平均值作为最终的输出值。相对于最大池化，平均池化能带来更大的计算量，因此在实际实验中这种方式使用较少。如下
【参考文献】：
期刊论文
[1]一种基于形态特征的极光自动分类方法[J]. 杨秋菊,胡泽骏. 中国科学:地球科学. 2017(02)
[2]改进的主成分分析网络极光图像分类方法[J]. 韩冰,贾中华,高新波. 西安电子科技大学学报. 2017(01)
[3]基于空时极向LBP的极光序列事件检测[J]. 韩冰,廖谦,高新波. 软件学报. 2014(09)
[4]基于局部运动向量时空统计的极光事件检测[J]. 王倩,梁继民,胡泽骏. 极地研究. 2012(01)
[5]基于形态学成分分析的静态极光图像分类算法[J]. 付蓉,李洁,高新波. 光子学报. 2010(06)
[6]日侧极光卵的可见光多波段观测特征——中国北极黄河站首次极光观测初步分析[J]. 胡泽骏,杨惠根,艾勇,黄德宏,胡红桥,刘瑞源,田口真,陈卓天,綦欣,温艳波,刘嵘,王晶. 极地研究. 2005(02)
硕士论文
[1]基于深度特征融合及属性约束CNN网络的极光序列分类研究[D]. 张浩.南京邮电大学 2019
[2]基于卷积神经网络的极光图像及极光序列分类研究[D]. 刘彬.南京邮电大学 2018
[3]日侧极光分类方法及物理特征研究[D]. 严月.西安电子科技大学 2018
[4]基于表象和纹理的全天空极光图像分类[D]. 左红兵.西安电子科技大学 2009
本文编号：3385803
【文章来源】：南京邮电大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
美丽的极光伴随着地面观测技术的发展和计算机计算能力的强大，以及自然学、空间物理学的快速
南京邮电大学专业学位硕士研究生学位论文第二章极光图像研究中相关理论基础概述12Hot-spot图2.2G波段的四类极光图像深度学习算法相关技术2.2.1深度学习原理深度学习是通过大量的数据进行学习，其本质上是一种机器学习算法。该算法通过构建多层结构的网络来模拟人脑分析的能力，是一种自上而下的学习方法。相对于浅层网络，深度是指网络能模拟复杂函数以及非线性转换运算的一种能力。对于复杂的回归或分类问题，浅层网络只能模拟简单函数因此无法学习到更多特征，但深度网络可以模拟任意复杂函数从而达到正确的分类或者回归。深度学习网络是将大量神经元一层一层地连接在一起，而层层之间起连接桥梁的便是激活函数。其中底层输出作为了下一层的输入，同时从网络底层到高层中的每一层都可以提取到事物的特征。层数越高，提取的特征越抽象，同时表达的语义信息也就越丰富。在深度学习实验中，需要先准备大量数据，其次要构建多层网络模型，接下来将数据输入到网络中进行训练来学习其特征。深度学习常用的基本网络算法有卷积神经网络、递归神
经网络里面代表对应的权重。图像与卷积核进行点乘，即图像上的相应像素点与卷积核里的权重进行作用。卷积层在神经网络中可多次出现，同时多次对图像进行卷积能提取到输入图像的不同特征。卷积神经网络中间的神经元层被称之为隐层，隐层学习到的权重和偏置都是共享的。也就是说，除了检测位置不同外，图像包含由图像得到的特征图上的统计特征都是一致的。由此可知人们在图像上学习到的特征可以在图像的其他部位使用。即我们可以使用同一个卷积核在图像上通过一定的步长进行位移，实现特征提取最终得到图像下一层的特征图。如下图2.4所示是一个卷积核在一个图像上进行卷积的过程，其中卷积核大小为3*3，滑动步长为1。在卷积的过程中，卷积核与图中对应大小的数据依次相乘，直至遍历整个图像。图中最左边是原始输入图像，中间是卷积核，-8是其中第一个卷积结果。图2.4卷积核在图像上的卷积过程示意图伴随着卷积层，一般后面会接一个池化层。其主要目的是缩小特征图尺寸、加速计算、改善网络训练的效果，且能在一定程度上防止过拟合。若不采用池化层，直接使用由卷积得到的特征来训练分类器将会面临巨大的资源损耗，不仅效率不高而且效果也不一定好。池化层实际上是对由卷积得到的特征图进行小邻域内采样（即对区域内的特征进行统计分析），经采样后特征数量会大大减少，其得到的特征也更加抽象，整个过程相当于是合并了特征图中的相似特征。目前池化方法中最大池化和平均池化较为常见。其中最大池化方式是以区域内的最大值作为最终的输出值，而平均池化是以区域内所有值的平均值作为最终的输出值。相对于最大池化，平均池化能带来更大的计算量，因此在实际实验中这种方式使用较少。如下
【参考文献】：
期刊论文
[1]一种基于形态特征的极光自动分类方法[J]. 杨秋菊,胡泽骏. 中国科学:地球科学. 2017(02)
[2]改进的主成分分析网络极光图像分类方法[J]. 韩冰,贾中华,高新波. 西安电子科技大学学报. 2017(01)
[3]基于空时极向LBP的极光序列事件检测[J]. 韩冰,廖谦,高新波. 软件学报. 2014(09)
[4]基于局部运动向量时空统计的极光事件检测[J]. 王倩,梁继民,胡泽骏. 极地研究. 2012(01)
[5]基于形态学成分分析的静态极光图像分类算法[J]. 付蓉,李洁,高新波. 光子学报. 2010(06)
[6]日侧极光卵的可见光多波段观测特征——中国北极黄河站首次极光观测初步分析[J]. 胡泽骏,杨惠根,艾勇,黄德宏,胡红桥,刘瑞源,田口真,陈卓天,綦欣,温艳波,刘嵘,王晶. 极地研究. 2005(02)
硕士论文
[1]基于深度特征融合及属性约束CNN网络的极光序列分类研究[D]. 张浩.南京邮电大学 2019
[2]基于卷积神经网络的极光图像及极光序列分类研究[D]. 刘彬.南京邮电大学 2018
[3]日侧极光分类方法及物理特征研究[D]. 严月.西安电子科技大学 2018
[4]基于表象和纹理的全天空极光图像分类[D]. 左红兵.西安电子科技大学 2009
本文编号：3385803
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3385803.html
最近更新
教材专著
