南京气象学院学报
南京氣象學院學報
남경기상학원학보
JOURNAL OF NANJING INSTITUTE OF METEOROLOGY
2003年
1期
89-95
,共7页
蒋德明%陈渭民%傅炳珊%王建凯
蔣德明%陳渭民%傅炳珊%王建凱
장덕명%진위민%부병산%왕건개
云分类%神经网络%卫星图像
雲分類%神經網絡%衛星圖像
운분류%신경망락%위성도상
采用GMS-5红外(10.5～12.5 μm)和可见光(0.55～0.9 μm)两通道资料,采集了1999年7-10月中国东南沿海57区、58区和59区包括晴空在内的12类云目标样本2 912个,采样窗尺寸为8×8像素,随机生成训练和测试两个样本子集.对径向基函数网络(radial base function neural network,RBF)在云分类问题研究中的应用价值进行了全面的测试与分析,得到了肯定的结论,提出了优化设计的方法.对6类云型分类试验,平均正确率为86 %;对11类云型分类试验,平均正确率为67 %.采用自组织竞争神经网络实现寻找RBF神经网络的隐层神经元中心.在特征空间生成过程中,采用小波包分解算法实现模式特征抽出.结果表明,小波包分解特征能很好地描述不同云型的差异.
採用GMS-5紅外(10.5～12.5 μm)和可見光(0.55～0.9 μm)兩通道資料,採集瞭1999年7-10月中國東南沿海57區、58區和59區包括晴空在內的12類雲目標樣本2 912箇,採樣窗呎吋為8×8像素,隨機生成訓練和測試兩箇樣本子集.對徑嚮基函數網絡(radial base function neural network,RBF)在雲分類問題研究中的應用價值進行瞭全麵的測試與分析,得到瞭肯定的結論,提齣瞭優化設計的方法.對6類雲型分類試驗,平均正確率為86 %;對11類雲型分類試驗,平均正確率為67 %.採用自組織競爭神經網絡實現尋找RBF神經網絡的隱層神經元中心.在特徵空間生成過程中,採用小波包分解算法實現模式特徵抽齣.結果錶明,小波包分解特徵能很好地描述不同雲型的差異.
채용GMS-5홍외(10.5～12.5 μm)화가견광(0.55～0.9 μm)량통도자료,채집료1999년7-10월중국동남연해57구、58구화59구포괄청공재내적12류운목표양본2 912개,채양창척촌위8×8상소,수궤생성훈련화측시량개양본자집.대경향기함수망락(radial base function neural network,RBF)재운분류문제연구중적응용개치진행료전면적측시여분석,득도료긍정적결론,제출료우화설계적방법.대6류운형분류시험,평균정학솔위86 %;대11류운형분류시험,평균정학솔위67 %.채용자조직경쟁신경망락실현심조RBF신경망락적은층신경원중심.재특정공간생성과정중,채용소파포분해산법실현모식특정추출.결과표명,소파포분해특정능흔호지묘술불동운형적차이.
