一种基于改进SOM算法的地基云图识别方法

摘要

本发明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相结合的学算法来训练分类器。本发明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。

主权项

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,…,x_α,…,x_n}，n为输入层节点数，α为输入层节点序号，x_α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,…,c_β,…,c_δ}，δ为最大类别取值，β为类序号，c_β即第β个类，则第β个类的第α个分量的坐标C_{β_α_x}为：$C_{\beta \_\alpha \_x}=\frac{1}{\lambda }\underset{\beta =1}{\overset{\lambda }{\Sigma }}{x}_{\alpha \_\beta },\alpha \in \{\mathrm{1,2},...,n\};---\left(1\right)$其中，x_{α_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；W_αγ＝C_{β_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，W_αγ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W_αγ按式(1)、(2)的确定；(502)对网络输入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ个样本，计算网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ，$d_{\gamma }=\sqrt{\underset{\alpha =1}{\overset{n}{\Sigma }}{(x_{\alpha }^{\theta }-W_{\mathrm{\alpha \gamma }})}^2},\gamma \in \{\mathrm{1,2},...,m\};---\left(3\right)$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：d_u＝min(d_γ)，γ∈{1,2,…,m}；     (4)其中，d_u为最小距离，min(d_γ)指网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ中的最小值；(504)确定获胜神经元u的邻域N_u(E)，$N_u\left(E\right)=\left\{\begin{array}{cc}0.7N_0,& E>70\%(E_0-\mathrm{GOAL})\\ 0.4N_0,& E>40\%(E_0-\mathrm{GOAL})\\ 1,& E>10\%(E_0-\mathrm{GOAL})\\ 0,& E\le 10\%(E_0-\mathrm{GOAL})\end{array};\right.---\left(5\right)$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N_u(t_die)内的节点所连接的权值：$W_{\mathrm{\alpha \gamma }}=\eta \left(t_{\mathrm{die}}\right)(x_{\alpha }^{\lambda }-W_{\mathrm{\alpha \gamma }}),\alpha \in \{\mathrm{1,2},...,n\};---\left(6\right)$W_αγ(t_die+1)＝W_αγ(t_die)+W_αγ；     (7)其中，η(t_die)为学习率，t_die为迭代次数；计算获胜神经元u的学习率η(t_die)：式中，η₀为获胜神经元初始学习率，t_die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：$O_u=v\left({}_{\gamma \in \{\mathrm{1,2},...,m\}}{}_{\min }\left(d_{\gamma }\right)\right);---\left(10\right)$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t_die逐次累加，转回(502)。