论文部分内容阅读
极光是粒子撞击大气时激发出的一种自然现象。对形态不一的极光图像有效分类在空间物理研究、航天探测等多方面都有应用价值。极光图像分类的发展历程从最初的人工分类到如今的计算机自动识别。在传统的自动分类机制中,极光图像形态信息通常借助人工构造的特征描述子表示。本文提出了一种将卷积神经网络(Convolutional Neural Network,CNN)运用到极光数据上的分类机制,让特征表征和分类器训练两个过程互相促进与优化,获得最优分类精度。通过对极光观测图像数据的分析对比验证了本文算法的普适性和有效性。本文的主要成果如下:(1)将卷积神经网络应用到极光图像数据上,用卷积神经网络模型Alexnet迁移学习目标样本。验证了基于CNN极光图像分类算法的有效性并通过两个数据集讨论了不同样本数量对分类正确率的影响。实验结果表明:本文基于CNN的极光图像分类模型对两个数据集的最优分类精度分别为93.2%和91.5%。(2)在上述分类机制的基础上,使用卷积神经网络Alexnet有监督训练模型,获得极光观测图像数据相应的权重参数,对2004-2009年未标注的冬季极光图像数据进行分类预测。实验中分别使用两个数据集训练模型,预测结果中四种类型的极光在全天固定时段发生率对应三个波段的谱能量分布结果。(3)传统特征提取方式对极光图像样本特征学习有一定的局限性,基于这一问题,本文在卷积神经网络中使用了一种大裕量Softmax损失函数(Large Margin Softmax,L-Softmax)。这种方法加大了极光图像特征学习的难度,让网络充分学习到类内紧凑,类间间距大的极光图像特征。实验结果表明:相对传统特征提取方式,L-Softmax Loss对不同类别极光图像特征提取的效果明显;能够指导网络更好地识别出极光图像同类样本的相似特征;异类样本的差异性特征。