基于径向基函数网络的云自动分类研究-文献.pdf

第 26 卷第 1 期 南 京 气 象 学 院 学 报 . 26 . 1 V o l N o 2003 年 2 月 Jou rnal of N an jing In stitu te of M eteo ro logy Feb. 2003 　　文章编号:(2003) 基于径向基函数网络的云自动分类研究 蒋德明, 　陈渭民, 　傅炳珊, 　王建凯 (南京气象学院 电子工程系, 江苏 南京　210044) ( ) ( ) 摘　要: 采用 GM S5 红外 10. 5～ 12. 5 m 和可见光 0. 55～ 0. 9 m 两通道资料, 采集了 1999 年 7—10 月中国东南沿海 57 区、58 区和 59 区包括晴空在内的 12 类云 目标样本2 912 个, 采样窗尺寸为 8 ×8 像素, 随机生成训练和测试两个样本子集。对 径向基函数网络(radial base function neu ral netw o rk , RBF ) 在云分类问题研究中的 应用价值进行了全面的测试与分析, 得到了肯定的结论, 提出了优化设计的方法。对 6 类云型分类试验, 平均正确率为 86 % ; 对 11 类云型分类试验, 平均正确率为 67 % 。采用自组织竞争神经网络实现寻找RBF 神经网络的隐层神经元中心。在特征 空间生成过程中, 采用小波包分解算法实现模式特征抽出。结果表明, 小波包分解特 征能很好地描述不同云型的差异。 关键词: 云分类; 神经网络; 卫星图像 中图分类号: P 405; P 422. 15　　文献标识码: A [ 1 ] 云分类问题最早在 20 世纪 70 年代及 80 年代初由英国的NOW CA ST IN G 计划提出 。 [ 2 ] [ 3 ] [ 4 ] 随后发展了各种其他的云分类算法, 如多光谱技术 、线性判别 、最大似然估计 、模糊逻辑 [ 5 ] [ 6 ] 方法 和灰度等级阈值法 等。 随着模式识别技术的发展, 神经网络模式识别技术逐渐成熟, 并于 20 世纪 90 年代初引进 [ 7 ] ( ) 到云分类问题的研究中。W elch 等 对 3 种不同的分类器 1 传统的逐步判别分析方法 (SDA ) ; 2)BP 网络; 3) 概率神经网络(PNN ) ) 进行了测试比较, 并用于北极地区 5 类极地云和 5 类下垫面目标的识别。他们计算了 200 个光谱和纹理特征量, 用序贯前向选择法(Sequen tial Fo rw ard Selection, SFS) 筛选出其中的 20 个特征量用于分类, 用Boo tstrap 方法计算了各分 [ 8 ]