基于深度迁移学习的智能大雾等级分类和能见度估计方法研究

发布时间：2023-05-30 20:04

　　随着经济的发展,近年来,雾天气的出现较为频繁,给人们的生活也带来了极大的危害。传统的基于遥感技术的识别和预报雾的设备往往存在光谱分辨率低、价格昂贵、多次清绘累积误差大、单点检测不确定等缺点,导致雾气检测和预报的性能难以令人满意。基于机器学习的检测雾气的方法,具有雾气图像特征提取的不完备性、不变的特征空间、逼近能力不足的分类/估计准则等缺点,致使其对不规则多样性雾气图像进行分类时,泛化性较差。为了解决上述难题,将闭环控制和迁移学习的思想引入深层卷积神经网络中,设计出了一个基于深度迁移学习的智能雾气等级分类和能见度估计的模型。本文的主要工作总结如下:1)本文创新性地将交错组卷积网络引入VGG16模型中,构建了新的分类网络,极大地降低了参数量,节省了存储空间和提高了模型运行速度。2)针对含有交错组卷积的VGG16模型中卷积操作导致的冗余信息问题,模型利用基于主成分的马氏可分性度量函数结合分类/估计决策信息系统建立压缩特征空间,提取表征力强的特征图集合。3)采用深度随机配置网络分类器,提高了分类模型的万局逼近能力,构建针对雾气图像具有高识别率的分类/估计准则。4)为了克服不变特征空间的样本通用...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题的研究背景与意义
    1.2 大雾等级分类和能见度估计的国内外研究现状
    1.3 模式识别与深度学习的国内外研究现状
    1.4 本文的主要工作与章节安排
第二章 深度学习和迁移学习的相关技术
    2.1 卷积神经网络
        2.1.1 卷积神经网络特性
        2.1.2 卷积神经网络结构
        2.1.3 深度卷积神经网络
    2.2 模式分类器
        2.2.1 Softmax模式分类器
        2.2.2 RVFL模式分类器
        2.2.3 随机配置网络分类器
    2.3 迁移学习
    2.4 本章小节
第三章 基于深度迁移学习的智能分类/估计模型
    3.1 基于深度迁移学习的智能分类/估计模型设计
    3.2 基于动态交错组卷积的特征提取
    3.3 压缩特征空间建立
    3.4 基于误差熵的分类/估计结果评测指标
    3.5 基于迁移学习的动态智能分类/估计机制
        3.5.1 基于分类/估计误差语义熵的特征空间调节机制
        3.5.2 基于分类/估计误差语义熵的网络层级调节机制
    3.6 本章小结
第四章 基于深度迁移学习的智能大雾等级分类和能见度估计模型
    4.1 基于深度迁移学习的大雾等级和能见度智能分类/估计模型
    4.2 基于内置交错组卷积VGG16模型的大雾图像特征提取
    4.3 深度随机配置网络分类器设计
    4.4 基于误差熵的智能分类/估计结果动态评测指标和机制
    4.5 基于迁移学习的大雾分类/估计模型的深层神经网络参数优化
    4.6 本章小结
第五章 实验结果与分析
    5.1 实验数据与实验环境
    5.2 实验结果与分析
        5.2.1 雾气等级分类实验结果
        5.2.2 雾气能见度估计实验
    5.3 本章小结
第六章 结论与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3824946