基于神经网络方法的卫星图像云分类

论文摘要

气象卫星提供的卫星云图以及数字资料可以帮助我们追踪云的变化，从而进行天气分析和预报。因此对云图进行准确有效的分类识别是一项重要的工作，是进一步分析的基础。本文首先介绍了云的分类及其在云图上的表现特征，概括介绍了云分类课题的发展历程，简单介绍了神经网络和气象卫星的相关知识。本文采用有监督学习的误差反向传播（Back-Propagation,BP）神经网络对截取的部分云图进行分类。BP神经网络是目前应用最多的神经网络模型之一，其算法比较成熟、典型，在实际应用中，80%-90%的神经网络模型是采用BP网络或者其变化形式的网络模型。试验中，选取了8种不同的特征，按照国家气象卫星中心的分类结果将其分为8类，对比了不同的训练函数、隐层层数和隐层节点数对分类性能的影响，选取最佳组合进行样本的学习并进行分类，最后分析其结果和可行性。由于BP网络的学习速度很慢，而且分类器的性能受学习样本的影响太大，为了解决这一问题，本文又采用了无监督学习的自组织特征映射（Self-Organizing Feature Mapping,SOM）神经网络对同一数据进行聚类分析。SOM网络将高维空间的特征非线性的投射到低维空间中，使其特征凸出易分辨，其结果的可视化也是它的一大优势。选择了同样的特征向量，聚类类别数也设置为8类，分析了不同的拓扑函数对聚类结果的影响。选取了效果最佳的分类结果与卫星中心云分类的结果和原始的云图资料进行对比，分析了其可行性。最后对比两种方法的实验结果可以得出，用SOM网络进行聚类无论在学习时间上还是分类准确率上都好于BP网络。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景和意义
• 1.2 云的分类
• 1.2.1 云的种类
• 1.2.2 云在卫星云图上的表现形式
• 1.2.3 云分类的特征选取
• 1.3 云分类研究的发展
• 1.4 本文的主要内容
• 2 神经网络及气象卫星
• 2.1 神经网络
• 2.1.1 神经网络简介
• 2.1.2 神经网络的发展
• 2.2 气象卫星
• 2.2.1 气象卫星
• 2.2.2 气象卫星的发展
• 2.2.3 气象卫星资料
• 2.3 卫星数据预处理
• 2.3.1 FY-2C 气象卫星
• 2.3.2 数据预处理
• 2.4 小结
• 3 基于 BP 神经网络的云分类
• 3.1 BP 神经网络的原理
• 3.1.1 BP 神经网络的算法
• 3.1.2 BP 神经网络的设计
• 3.2 实验数据预处理
• 3.3 BP 网络分类器的实现及结果分析
• 3.3.1 BP 算法在 MATLAB 中的实现
• 3.3.2 实验结果及分析
• 3.3.3 BP 网络分类器的性能
• 3.4 小结
• 4 基于 SOM 神经网络的云分类
• 4.1 SOM 神经网络分类原理
• 4.1.1 自组织特征映射的算法原理
• 4.1.2 自组织特征映射网络的设计
• 4.2 实验数据预处理
• 4.3 实验及结果分析
• 4.3.1 SOM 网络在 matlab 中的实现
• 4.3.2 实验结果分析
• 4.3.3 SOM 神经网络聚类性能
• 4.4 小结
• 5 总结与展望
• 5.1 总结
• 5.2 改进及展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文