基于ELM和SVM的衛(wèi)星云圖分類研究.pdf

1、氣象衛(wèi)星能夠?qū)Φ乇砑霸茖舆B續(xù)地進(jìn)行大范圍觀測(cè),由此得到的衛(wèi)星云圖蘊(yùn)含著豐富的氣象信息。這些信息為天氣預(yù)報(bào)尤其是降雨分析提供了可靠依據(jù)?？墒?隨著氣象衛(wèi)星云圖數(shù)據(jù)源數(shù)量上的爆炸式增長(zhǎng)和內(nèi)容上的極大豐富,相應(yīng)的處理、分析工具的研發(fā)和應(yīng)用卻嚴(yán)重滯后。傳統(tǒng)分類算法用于遙感圖像云分類時(shí),容易造成處理規(guī)模過(guò)大、分析過(guò)程復(fù)雜以及陷入局部極小值等問(wèn)題,而且在分類速度和分類精度遠(yuǎn)遠(yuǎn)無(wú)法滿足需求。因此,對(duì)衛(wèi)星云圖進(jìn)行準(zhǔn)確、快速的自動(dòng)分類一直是遙感領(lǐng)域眾多學(xué)

2、者和科研人員的研究熱點(diǎn)。
　　著眼于此,本文將一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法——極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)應(yīng)用于遙感衛(wèi)星云圖分類中的分類器構(gòu)建。另外,本文還采用了支持向量機(jī)算法進(jìn)行云分類,與極限學(xué)習(xí)機(jī)分類效果進(jìn)行對(duì)比分析。本文主要內(nèi)容和研究成果概述如下:
　　(1)首先介紹了論文的選題背景和意義,然后詳細(xì)介紹了云分類的研究歷程和現(xiàn)狀,并對(duì)云的分類方法進(jìn)行了深入的分析。
　　

3、(2)介紹了氣象衛(wèi)星及衛(wèi)星云圖的概念,云的種類及其在衛(wèi)星云圖上的表現(xiàn)特性,詳細(xì)講述了本文所使用的樣本文件格式及讀取方法,分析了遙感云圖的特性和分類理論。
　　(3)詳細(xì)研究了極限學(xué)習(xí)機(jī)的學(xué)習(xí)過(guò)程,說(shuō)明了該算法在學(xué)習(xí)性能上的優(yōu)勢(shì)和特性,并創(chuàng)新性地將極限學(xué)習(xí)機(jī)算法應(yīng)用于遙感衛(wèi)星云圖分類?；谏鲜鰧?shí)驗(yàn)的結(jié)果,詳細(xì)分析了ELM算法中隱藏層節(jié)點(diǎn)數(shù)對(duì)分類結(jié)果,包括分類精度和分類時(shí)間的影響,研究了其變化的規(guī)律。
　　(4)為了進(jìn)行對(duì)比,本