一种基于改进SOM算法的地基云图识别方法技术

本发明专利技术公开了一种基于改进SOM算法的地基云图识别方法，包括以下步骤：步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；步骤二、对采集到的云图图片进行预处理；步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；步骤四、计算云图的特征；步骤五、使用已知类别的云图特征数据样本，采用k-means和SOM相结合的学习算法来训练分类器。本发明专利技术提高了识别的准确率，提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性，从而达到较高的云图分类准确率；本发明专利技术结构简单，利用现有的图形采集设备和普通计算机即可进行实现，提高了实用性和适用性。

【技术实现步骤摘要】
—种基于改进SOM算法的地基云图识别方法
本专利技术涉及数字图像处理技术在气象观测领域的应用，特别是一种基于改进SOM算法的地基云图识别方法。
技术介绍
云在大气辐射传输中扮演着重要的角色，云的形态、分布、数量及其变化标志着大气运动的状况，实现对云的观测对于天气预报、飞行保障等有着重要意义。随着我国气象观测自动化业务的推进，气象观测业务正逐步摆脱人工观测的限制，目前一般气象要素基本都能实现自动化观测，但地基云图的观测尚不能完全实现自动化，依然依赖于人工观测。由于地基云观测范围相对较小，所包含的纹理信息相对丰富，且对短时、小范围天气预报具有很强的实用意义。然而面临着的实际情况是地基云图云状种类繁多，按照气象观测标准，云分为10属29种，主要依赖于人工进行观测具有一定程度上的主观性，且效率较低，难免漏掉许多有用信息，容易产生错判误判。此外，在实际观测中，易出现多种云混合等现象，这也为云自动化观测提出了挑战。因此，解决云图的多类分类，并保证一定的分类精度，成为地基云图分类的一个核心问题。目前较为常用的分类器有贝叶斯分类器、神经网络、支持向量机等。其中贝叶斯法则需要已知各类别的先验概率等因素，而在实际情况中，先验概率等条件往往难以获取；神经网络法则存在 训练速度慢，当样本类别较多时分类准确率较低等缺点；支持向量机虽然成为小样本学习问题的典范，但存在一定的缺点，如对大规模训练样本难以实施，解决多分类问题存在困难等。如何克服现有技术的不足已成为现有气象观测领域亟待解决的重点难题。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供一种基于改进SOM算法的地基云图识别方法，将模式识别中的SOM自组织神经网络、K-means等算法进行结合、改进，应用于地基云图的识别，从而达到较高的云图分类准确率，提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性。本专利技术为解决上述技术问题采用以下技术方案:根据本专利技术提出的一种基于改进SOM算法的地基云图识别方法，包括以下步骤:步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；步骤四、计算云图的特征；步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器,具体步骤如下:(501)初始化各连接权值:给定已知类别的云图特征数据样本(X1, X2，…，χα，…，χη}，η为输入层节点数，α为输入层节点序号，χα即输入样本的第α个特征向量，使用k-means算法将云图样本进行分类，类别数为Ic1, C2，…，Ce，…，cs}，δ为最大类别取值，β为类序号，C0即第β个类，则第β个类的第α个分量的坐标Ce α χ为:本文档来自技高网...

【技术保护点】
一种基于改进SOM算法的地基云图识别方法，其特征在于，包括以下步骤：步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；步骤四、计算云图的特征；步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k‑means和SOM相结合的学习算法来训练分类器，具体步骤如下：(501)初始化各连接权值：给定已知类别的云图特征数据样本{x1,x2,…,xα,…,xn}，n为输入层节点数，α为输入层节点序号，xα即输入样本的第α个特征向量，使用k‑means算法将云图样本进行分类，类别数为{c1,c2,…,cβ,…,cδ}，δ为最大类别取值，β为类序号，cβ即第β个类，则第β个类的第α个分量的坐标Cβ_α_x为：Cβ_α_x=1λΣβ=1λxα_β,α∈{1,2,...,n};---(1)]]>其中，xα_β为属于第β个类的样本的第α个特征向量，λ为第β个聚类中的样本个数；Wαγ＝Cβ_α_x+ε，α∈{1,2,…,n}；     (2)其中，γ为竞争层节点序号，γ∈{1,2,…,m}，m为竞争层节点数，Wαγ为第α个输入层与第γ个竞争层的连接权值，ε为均衡参数，ε∈[‑1,1]；对所有从输入神经元到输出神经元的连接权值Wαγ按式(1)、(2)的确定；(502)对网络输入模式xθ＝(x1,x2,..,xn)，θ表示第θ个样本，计算网络输入模式xθ与全部输出节点所连接权向量Wγ的距离dγ，dγ=Σα=1n(xαθ-Wαγ)2,γ∈{1,2,...,m};---(3)]]>其中为第θ个样本的第α个特征向量；(503)找出获胜神经元u，使得对于任意的γ，都有：du＝min(dγ)，γ∈{1,2,…,m}；     (4)其中，du为最小距离，min(dγ)指网络输入模式xθ与全部输出节点所连接权向量Wγ的距离dγ中的最小值；(504)确定获胜神经元u的邻域Nu(E)，Nu(E)=0.7N0,E>70%(E0-GOAL)0.4N0,E>40%(E0-GOAL)1,E>10%(E0-GOAL)0,E≤10%(E0-GOAL);---(5)]]>其中，N0为初始邻域，取为样本数据的类别数，E为每组输入样本通过网络后，赢得此样本的竞争神经元权值与该组输入样本的绝对值距离之和，E0为初始误差，GOAL为目标误差；(505)分别调整获胜神经元u及其几何邻域Nu(tdie)内的节点所连接的权值：Wαγ=η(tdie)(xαλ-Wαγ),α∈{1,2,...,n};---(6)]]>Wαγ(tdie+1)＝Wαγ(tdie)+Wαγ；     (7)其中，η(tdie)为学习率，tdie为迭代次数；计算获胜神经元u的学习率η(tdie)：式中，η0为获胜神经元初始学习率，tdie为迭代次数，T总为总的学习次数；计算获胜神经元的邻域神经元学习率η′(t)：其中，η'0为邻域初始学习率；(506)计算网络输出：γ∈{1,2,...,m}min);---(10)]]>其中，v(.)为0‑1函数或非线性函数；(507)当分类不再改变时，训练结束，将训练好的SOM分类器用于新云图样本的识别；否则迭代次数tdie逐次累加，转回(502)。...

【技术特征摘要】
1.一种基于改进SOM算法的地基云图识别方法，其特征在于，包括以下步骤: 步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别； 步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像； 步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离； 步骤四、计算云图的特征； 步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器,具体步骤如下: (501)初始化各连接权值:给定已知类别的云图特征数据样本(X1,x2，…，xa，*.., xj ,n为输入层节点数，a为输入层节点序号，xa即输入样本的第a个特征向量，使用k-means算法将云图样...

【专利技术属性】
技术研发人员：李涛，李娟，邱忠阳，周欢乐，范文波，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32