论文部分内容阅读
云类在地球大气环境变化中扮演着重要的角色。云类的生成、发展以及消散对于气象预报产生重要的影响。因此，快速准确的对云类别进行识别对于天气预报有重要的意义。目前，有两种主要手段能够对云类进行观测：即气象卫星云图或是从陆地进行拍摄所获得的地基云图。由于卫星云图成像分辨率不高、数据量大，不能精确的反映局部范围内气象变化状况，这些因素均制约了其在短时气象预报中的应用。相比于气象卫星云图，地基云图以其获取的方便快捷、图像信息丰富、能够准确地反映某局部区域的气象变化状况，对地基云图的分析成为短时气象预报研究的热点。本文在对已有气象卫星云图分类方法研究的基础上，提出了一种利用Gabor特征和SVM分类树对地基云图进行分类的新方法。本文采用基于Gabor的多尺度分析方法提取了两种能够较好地反映地基云图特点的特征：感兴趣算子特征组和排序直方谱特征组。并与目前在模式识别领域使用广泛的Bag of Words特征提取算法进行对比，实验结果表明，Gbaor特征具有更好的分类效果和较强的鲁棒性。同时本文采用特征选择方法对所提取的特征组进行优选。并针对常见有监督分类过程中学习样本选择较为随意的问题，采用基于聚类分析的学习样本选择方法，选择出能够代表全体样本的学习样本，对于分类器的构造过程具有较大的帮助。本文采用BP神经网络和支持向量机对地基云图进行分类实验。介绍了利用集成SVM和二叉树SVM进行多类分类的方法。并在级联分类器和特征分组思想的基础上，提出了采用动态特征分组构造SVM分类树的地基云图分类方法，同时还介绍了SVM分类树的构造方法。实验结果表明SVM分类树方法具有较高的分类正确率。