隨著經(jīng)濟的發(fā)展,近年來,霧天氣的出現(xiàn)較為頻繁,給人們的生活也帶來了極大的危害。傳統(tǒng)的基于遙感技術的識別和預報霧的設備往往存在光譜分辨率低、價格昂貴、多次清繪累積誤差大、單點檢測不確定等缺點,導致霧氣檢測和預報的性能難以令人滿意�；跈C器學習的檢測霧氣的方法,具有霧氣圖像特征提取的不完備性、不變的特征空間、逼近能力不足的分類/估計準則等缺點,致使其對不規(guī)則多樣性霧氣圖像進行分類時,泛化性較差。為了解決上述難題,將閉環(huán)控制和遷移學習的思想引入深層卷積神經(jīng)網(wǎng)絡中,設計出了一個基于深度遷移學習的智能霧氣等級分類和能見度估計的模型。本文的主要工作總結如下:1)本文創(chuàng)新性地將交錯組卷積網(wǎng)絡引入VGG16模型中,構建了新的分類網(wǎng)絡,極大地降低了參數(shù)量,節(jié)省了存儲空間和提高了模型運行速度。2)針對含有交錯組卷積的VGG16模型中卷積操作導致的冗余信息問題,模型利用基于主成分的馬氏可分性度量函數(shù)結合分類/估計決策信息系統(tǒng)建立壓縮特征空間,提取表征力強的特征圖集合。3)采用深度隨機配置網(wǎng)絡分類器,提高了分類模型的萬局逼近能力,構建針對霧氣圖像具有高識別率的分類/估計準則。4)為了克服不變特征空間的樣本通用...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題的研究背景與意義
    1.2 大霧等級分類和能見度估計的國內外研究現(xiàn)狀
    1.3 模式識別與深度學習的國內外研究現(xiàn)狀
    1.4 本文的主要工作與章節(jié)安排
第二章 深度學習和遷移學習的相關技術
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 卷積神經(jīng)網(wǎng)絡特性
        2.1.2 卷積神經(jīng)網(wǎng)絡結構
        2.1.3 深度卷積神經(jīng)網(wǎng)絡
    2.2 模式分類器
        2.2.1 Softmax模式分類器
        2.2.2 RVFL模式分類器
        2.2.3 隨機配置網(wǎng)絡分類器
    2.3 遷移學習
    2.4 本章小節(jié)
第三章 基于深度遷移學習的智能分類/估計模型
    3.1 基于深度遷移學習的智能分類/估計模型設計
    3.2 基于動態(tài)交錯組卷積的特征提取
    3.3 壓縮特征空間建立
    3.4 基于誤差熵的分類/估計結果評測指標
    3.5 基于遷移學習的動態(tài)智能分類/估計機制
        3.5.1 基于分類/估計誤差語義熵的特征空間調節(jié)機制
        3.5.2 基于分類/估計誤差語義熵的網(wǎng)絡層級調節(jié)機制
    3.6 本章小結
第四章 基于深度遷移學習的智能大霧等級分類和能見度估計模型
    4.1 基于深度遷移學習的大霧等級和能見度智能分類/估計模型
    4.2 基于內置交錯組卷積VGG16模型的大霧圖像特征提取
    4.3 深度隨機配置網(wǎng)絡分類器設計
    4.4 基于誤差熵的智能分類/估計結果動態(tài)評測指標和機制
    4.5 基于遷移學習的大霧分類/估計模型的深層神經(jīng)網(wǎng)絡參數(shù)優(yōu)化
    4.6 本章小結
第五章 實驗結果與分析
    5.1 實驗數(shù)據(jù)與實驗環(huán)境
    5.2 實驗結果與分析
        5.2.1 霧氣等級分類實驗結果
        5.2.2 霧氣能見度估計實驗
    5.3 本章小結
第六章 結論與展望
    6.1 總結
    6.2 展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況



本文編號：3824946