典型文献
深度网络与FSVM集成学习的卫星云图云分类
文献摘要：
准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差.深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳.本文针对上述问题进行研究.首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vec?tor Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度.相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节.本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求.
文献关键词：
Himawari-8;云分类;深度网络;FSVM;集成学习
中图分类号：
作者姓名：
符冉迪;司光;金炜
作者机构：
宁波大学信息科学与工程学院,浙江宁波315211
文献出处：
引用格式：
[1]符冉迪;司光;金炜-.深度网络与FSVM集成学习的卫星云图云分类)[J].光学精密工程,2022(08):917-927
A类：
B类：
深度网络,FSVM,卫星云图,云分类,分类模型,气象监测,手工特征,噪声数据,模型泛化,泛化能力,自动学习,图像深度,深度特征,图像边缘,分类效果,Himawari,光谱特征,纹理特征,征用,模糊支持向量机,Fuzzy,Support,Vec,tor,Machine,分类器,模型输出,出进,分类方法,互补性,高云,可信度,文集,集成学习方法,命中率,误报率,功指数,混合区,识别精度,云团,泛化性能
AB值：
0.39907
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
