【技术实现步骤摘要】
一种基于任务图卷积网络的地基云分类方法
本专利技术属于模式识别、气象科学、人工智能
，具体涉及一种基于任务图卷积网络的地基云分类方法。
技术介绍
云是大气中的水蒸气遇冷液化成的小水滴或凝华成的小冰晶所混合组成的漂浮在空中的可见聚合物，60％以上的地球表面都覆盖有云。云在水循环、地表辐射平衡和气候建模中具有重要作用。因此，了解云具有重要意义。云高、云量和云类别是云观测的三个主要方面且近年来得到学术界的广泛关注。但是，由于云状变幻莫测，云状分类始终是一个难题。用来采集云观测数据的设备已被研发出来，这些设备包括基于卫星的设备和基于地表的设备。基于卫星的设备可以采集大范围的云信息，但空间分辨率有限，不足以描述局部地区的云状特征。与之相比，全天空成像仪、总天空成像仪等基于地面的设备能够采集到具有高分辨率的地基云图像，这为监测和了解局部天空提供了可靠的数据。得益于大量地基云图像，许多研究者提出用纹理、颜色、结构等手工设计的特征实施云状分类。近年来，深度学习在许多领域都取得了显著成果。受此启发，研究者们也开始利用卷积...
【技术保护点】
1.一种基于任务图卷积网络的地基云分类方法，其特征在于，所述方法包括以下步骤：/n步骤S1，获取输入地基云图像，对所述输入地基云图像进行预处理，得到预处理地基云图像，作为任务图卷积网络的输入；/n步骤S2，将所述预处理地基云图像输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；/n步骤S3，基于所述任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征和基于图卷积的特征，以及每幅输入地基云图像的融合特征表示；/n步骤S4，根据所述输入地基云图像的融合特征表示训练支持向量机分类器，得到地基云分类模型；/n步骤S5，获取测试输入地基云图像的融合特征表示，并将其输...
【技术特征摘要】
1.一种基于任务图卷积网络的地基云分类方法，其特征在于，所述方法包括以下步骤：
步骤S1，获取输入地基云图像，对所述输入地基云图像进行预处理，得到预处理地基云图像，作为任务图卷积网络的输入；
步骤S2，将所述预处理地基云图像输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；
步骤S3，基于所述任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征和基于图卷积的特征，以及每幅输入地基云图像的融合特征表示；
步骤S4，根据所述输入地基云图像的融合特征表示训练支持向量机分类器，得到地基云分类模型；
步骤S5，获取测试输入地基云图像的融合特征表示，并将其输入至所述地基云分类模型中，得到测试输入地基云图像对应的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中对所述输入地基云图像进行预处理的步骤包括以下步骤：
步骤S11，将所述输入地基云图像进行归一化，得到归一化图像；
步骤S12，对所述归一化图像进行水平翻转，得到水平翻转图像；
步骤S13，对所述水平翻转图像进行随机裁剪；
步骤S14，将经随机裁剪后得到的地基云图像中的每个RGB像素值减去相应的预设RGB像素均值，得到预处理地基云图像。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤S2包括以下步骤：
步骤S21，构建任务图卷积网络，其中，所述任务图卷积网络包括图特征矩阵和邻接矩阵构建模块、图表示学习模块、特征融合层和分类模块；
步骤S22，初始化所述任务图卷积网络中的图特征矩阵和邻接矩阵构建模块、图表示学习模块和分类模块的参数，得到所述任务图卷积网络训练模型；
步骤S23，将所述预处理地基云图像批量输入至所述任务图卷积网络训练模型的图特征矩阵和邻接矩阵构建模块的子网络I和子网络II中进行训练，得到所述任务图卷积网络。
4.根据权利要求3所述的方法，其特征在于，所述步骤S21包括以下步骤：
步骤211，构建所述图特征矩阵和邻接矩阵构建模块中的子网络I和子网络II，将所述预处理地基云图像输入至所述子网络I和子网络II中，学习得到所述预处理地基云图像的深度特征，其中，所述子网络I学习得到的深度特征为所述预处理地基云...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。