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)地進行大范圍觀測,由此得到的衛(wèi)星云圖蘊含著豐富的氣象信息。這些信息為天氣預報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)量上的爆炸式增長和內(nèi)容上的極大豐富,相應的處理、分析工具的研發(fā)和應用卻嚴重滯后。傳統(tǒng)分類算法用于遙感圖像云分類時,容易造成處理規(guī)模過大、分析過程復雜以及陷入局部極小值等問題,而且在分類速度和分類精度遠遠無法滿足需求。因此,對衛(wèi)星云圖進行準確、快速的自動分類一直是遙感領(lǐng)域眾多學

2、者和科研人員的研究熱點。
　　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——極限學習機(Extreme Learning Machine,ELM)應用于遙感衛(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算法進行云分類,與極限學習機分類效果進行對比分析。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,然后詳細介紹了云分類的研究歷程和現(xiàn)狀,并對云的分類方法進行了深入的分析。
　　

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)詳細研究了極限學習機的學習過程,說明了該算法在學習性能上的優(yōu)勢和特性,并創(chuàng)新性地將極限學習機算法應用于遙感衛(wèi)星云圖分類?；谏鲜鰧嶒灥慕Y(jié)果,詳細分析了ELM算法中隱藏層節(jié)點數(shù)對分類結(jié)果,包括分類精度和分類時間的影響,研究了其變化的規(guī)律。
　　(4)為了進行對比,本