CN104008402A - 一种基于改进som算法的地基云图识别方法 - Google Patents

Abstract

本发明公开了一种基于改进SOM算法的地基云图识别方法，包括以下步骤：步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；步骤二、对采集到的云图图片进行预处理；步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；步骤四、计算云图的特征；步骤五、使用已知类别的云图特征数据样本，采用k-means和SOM相结合的学习算法来训练分类器。本发明提高了识别的准确率，提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性，从而达到较高的云图分类准确率；本发明结构简单，利用现有的图形采集设备和普通计算机即可进行实现，提高了实用性和适用性。

Description

一种基于改进SOM算法的地基云图识别方法

技术领域

本发明涉及数字图像处理技术在气象观测领域的应用，特别是一种基于改进SOM算法的地基云图识别方法。

背景技术

云在大气辐射传输中扮演着重要的角色，云的形态、分布、数量及其变化标志着大气运动的状况，实现对云的观测对于天气预报、飞行保障等有着重要意义。随着我国气象观测自动化业务的推进，气象观测业务正逐步摆脱人工观测的限制，目前一般气象要素基本都能实现自动化观测，但地基云图的观测尚不能完全实现自动化，依然依赖于人工观测。由于地基云观测范围相对较小，所包含的纹理信息相对丰富，且对短时、小范围天气预报具有很强的实用意义。然而面临着的实际情况是地基云图云状种类繁多，按照气象观测标准，云分为10属29种，主要依赖于人工进行观测具有一定程度上的主观性，且效率较低，难免漏掉许多有用信息，容易产生错判误判。此外，在实际观测中，易出现多种云混合等现象，这也为云自动化观测提出了挑战。因此，解决云图的多类分类，并保证一定的分类精度，成为地基云图分类的一个核心问题。

目前较为常用的分类器有贝叶斯分类器、神经网络、支持向量机等。其中贝叶斯法则需要已知各类别的先验概率等因素，而在实际情况中，先验概率等条件往往难以获取；神经网络法则存在训练速度慢，当样本类别较多时分类准确率较低等缺点；支持向量机虽然成为小样本学习问题的典范，但存在一定的缺点，如对大规模训练样本难以实施，解决多分类问题存在困难等。如何克服现有技术的不足已成为现有气象观测领域亟待解决的重点难题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于改进SOM算法的地基云图识别方法，将模式识别中的SOM自组织神经网络、K-means等算法进行结合、改进，应用于地基云图的识别，从而达到较高的云图分类准确率，提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于改进SOM算法的地基云图识别方法，包括以下步骤：

步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；

步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；

步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；

步骤四、计算云图的特征；

步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器，具体步骤如下：

(501)初始化各连接权值：给定已知类别的云图特征数据样本{x₁,x₂,…,x_α,…,x_n}，n为输入层节点数，α为输入层节点序号，x_α即输入样本的第α个特征向量，使用k-means算法将云图样本进行分类，类别数为{c₁,c₂,…,c_β,…,c_δ}，δ为最大类别取值，β为类序号，c_β即第β个类，则第β个类的第α个分量的坐标C_{β_α_x}为：

$C_{\mathrm{\β}\_\mathrm{\α}\_x}=\frac{1}{\mathrm{\λ}}\underset{\mathrm{\β}=1}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{x}_{\mathrm{\α}\_\mathrm{\β}},\mathrm{\α}\∈\{\mathrm{1,2},...,n\};---\left(1\right)$

其中，x_{α_β}为属于第β个类的样本的第α个特征向量，λ为第β个聚类中的样本个数；

W_αγ＝^C _{β_α_x}+ε，α∈{1,2,…,n}；     (2)

其中，γ为竞争层节点序号，γ∈{1,2,…,m}，m为竞争层节点数，W_αγ为第α个输入层与第γ个竞争层的连接权值，ε为均衡参数，ε∈[-1,1]；

对所有从输入神经元到输出神经元的连接权值W_αγ按式(1)、(2)的确定；

(502)对网络输入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ个样本，计算网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ，

$d_{\mathrm{\γ}}=\sqrt{\underset{\mathrm{\α}=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{\α}}^{\mathrm{\θ}}-W_{\mathrm{\α\γ}})}^2},\mathrm{\γ}\∈\{\mathrm{1,2},...,m\};---\left(3\right)$

其中为第θ个样本的第α个特征向量；

(503)找出获胜神经元u，使得对于任意的γ，都有：

d_u＝min(d_γ)，γ∈{1,2,…,m}；     (4)

其中，d_u为最小距离，min(d_γ)指网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ中的最小值；

(504)确定获胜神经元u的邻域N_u(E)，

$N_u\left(E\right)=\left\{\begin{array}{cc}0.7N_0,& E>70\%(E_0-\mathrm{GOAL})\\ 0.4N_0,& E>40\%(E_0-\mathrm{GOAL})\\ 1,& E>10\%(E_0-\mathrm{GOAL})\\ 0,& E\≤10\%(E_0-\mathrm{GOAL})\end{array};\right.---\left(5\right)$

其中，N₀为初始邻域，取为样本数据的类别数，E为每组输入样本通过网络后，赢得此样本的竞争神经元权值与该组输入样本的绝对值距离之和，E₀为初始误差，GOAL为目标误差；

(505)分别调整获胜神经元u及其几何邻域N_u(t_die)内的节点所连接的权值：

$W_{\mathrm{\α\γ}}=\mathrm{\η}\left(t_{\mathrm{die}}\right)(x_{\mathrm{\α}}^{\mathrm{\λ}}-W_{\mathrm{\α\γ}}),\mathrm{\α}\∈\{\mathrm{1,2},...,n\};---\left(6\right)$

W_αγ(t_die+1)＝W_αγ(t_die)+W_αγ；     (7)

其中，η(t_die)为学习率，t_die为迭代次数；

计算获胜神经元u的学习率η(t_die)：

式中，η₀为获胜神经元初始学习率，t_die为迭代次数，T_总为总的学习次数；

计算获胜神经元的邻域神经元学习率η′(t)：

其中，η'₀为邻域初始学习率；

(506)计算网络输出：

$O_u=v\left(\left(d_{\mathrm{\γ}}\right)_{\mathrm{\γ}\∈\{\mathrm{1,2},...,m\}}^{\min }\right);---\left(10\right)$

其中，v(.)为0-1函数或非线性函数；

(507)当分类不再改变时，训练结束，将训练好的SOM分类器用于新云图样本的识别；否则迭代次数t_die逐次累加，转回(502)。

作为本发明的一种基于改进SOM算法的地基云图识别方法进一步的优化方案，所述步骤三具体如下：

(301)对步骤二获取的灰度图像进行k-means聚类，将聚类划分结果作为初始解ω，计算目标函数J_ω，

$J_{\mathrm{\ω}}=\underset{z=1}{\overset{M}{\mathrm{\Σ}}}\underset{X\∈{\mathrm{\ω}}_z}{\mathrm{\Σ}}(X,\stackrel{\‾}{X^{{\mathrm{\ω}}_z}})$

式中,X为灰度图像即样本向量，ω为聚类划分，为第z个聚类的中心，为样本到对应聚类中心距离，目标函数J_ω即为各类样本到对应聚类中心距离的总和；

(302)初始化温度T₀，令T₀＝J_ω，初始化退火系数_a和最大退火次数T_ui-max；

(303)对于某一温度T，随机扰动产生新的聚类划分ω′，即随机改变一个聚类样品的当前所属类别，计算新的目标函数值J_ω′；

(304)当新的目标函数值J_ω′为最优目标函数值，即满足|J_ω'-J_ω|＝0时，则保存聚类划分ω′，ω′为最优聚类划分；当新的目标函数值J_ω′不是最优目标函数值时，计算新的目标函数值与当前函数值的差ΔJ，ΔJ＝J_ω'-J_ω；若ΔJ<0，则接受新解J_ω′，若ΔJ≥0，则根据Metropolis准则，以概率接受新解J_ω′，K为常数，T_now为当前温度；

(305)迭代计数器b＝b+1，循环执行步骤303-304，直到b达到最大迭代次数D_ie-max或者最优目标函数值已经出现，则执行步骤(306)；

(306)如果退火次数达到最大退火次数T_ui-max，是则输出最优聚类划分；否则退火次数逐次累加，根据退火公式T(t)＝T₀·a^t对温度T进行退火，返回步骤303继续迭代；a为退火系数且是常数，t为退火次数；

(307)使用最优聚类划分，逐个将像素点归类，即可获取云图图片前景和背景。

作为本发明的一种基于改进SOM算法的地基云图识别方法进一步的优化方案，所述步骤四中云图特征采用基于图像灰度差值直方图的特征来提取图像的纹理特征，具体包括对比度C_on、角度方向二阶矩A_sm、熵E_nt、平均值M_ean，其步骤如下：

(401)对步骤三中分割出来的云区域f(i,j)进行归一化处理，

$g(i,j)=\frac{f(i,j)-\min \left(f(i,j)\right)}{\max \left(f(i,j)\right)-\min \left(f(i,j)\right)};---\left(11\right)$

其中，i和j表示图像像素点所在坐标行、列坐标位置，f(i,j)表示坐标点(i,j)的原始灰度值，max(f(i,j))表示云区域中最大的灰度值，min(f(i,j))表示云区域中最小的灰度值，g(i,j)为其归一化后的灰度值；

(402)对于归一化后的云区域上的一点g(i,j)，该点与点g(i+Δi,j+Δj)的灰度差为h＝p|g(i,j)-g(i+Δi,j+Δj)|，灰度差的所有取值有L级，计算该像素点与其领域内的8个像素之间的灰度差值，统计h取各个值的次数，得到h的直方图，根据直方图计算出h取各个值的概率p(h)；

(403)利用公式计算对比度，衡量图像纹理的粗细；

(404)利用公式计算角度方向二阶矩，衡量图像纹理分布情况；

(405)利用公式计算熵，衡量图像纹理分布情况；

(406)利用公式计算平均值，衡量图像纹理的粗细。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明采用聚类算法将云目标与背景分离，然后仅对云目标进行特征提取，计算特征值用于云的识别，从而提高了识别的准确率；本发明首先对训练样本进行聚类，将SOM初始权值设置为各个类的类中心，初始权向量与输入向量越接近，权值调整范围越小，网络学习越快，权值振荡范围越小，从而提高了网络的学习速度及分类精度；本发明方法提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性，从而达到较高的云图分类准确率；本发明结构简单，利用现有的图形采集设备和普通计算机即可进行实现，提高了实用性和适用性。

附图说明

图1是本发明的总流程。

图2是基于改进的SOM云图分类。

图3是基于模拟退火改进K-means聚类的云图分割。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示是本发明的总流程，图2是基于改进的SOM云图分类。一种基于改进SOM算法的地基云图识别方法，包括以下步骤：

步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；

步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；

步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；

步骤四、计算云图的特征；

步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器，具体步骤如下：

(501)初始化各连接权值：给定已知类别的云图特征数据样本{x₁,x₂,…,x_α,…,x_n}，n为输入层节点数，α为输入层节点序号，x_α即输入样本的第α个特征向量，使用k-means算法将云图样本进行分类，类别数为{c₁,c₂,…,c_β,…,c_δ}，δ为最大类别取值，β为类序号，c_β即第β个类，则第β个类的第α个分量的坐标C_{β_α_x}为：

$C_{\mathrm{\&beta;}\_\mathrm{\&alpha;}\_x}=\frac{1}{\mathrm{\&lambda;}}\underset{\mathrm{\&beta;}=1}{\overset{\mathrm{\&lambda;}}{\mathrm{\&Sigma;}}}{x}_{\mathrm{\&alpha;}\_\mathrm{\&beta;}},\mathrm{\&alpha;}\&Element;\{\mathrm{1,2},...,n\};---\left(1\right)$

其中，x_{α_β}为属于第β个类的样本的第α个特征向量，λ为第β个聚类中的样本个数；

W_αγ＝C_{β_α_x}+ε，α∈{1,2,…,n}；     (2)

其中，γ为竞争层节点序号，γ∈{1,2,…,m}，m为竞争层节点数，W_αγ为第α个输入层与第γ个竞争层的连接权值，ε为均衡参数，ε∈[-1,1]；

对所有从输入神经元到输出神经元的连接权值W_αγ按式(1)、(2)的确定；

(502)对网络输入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ个样本，计算网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ，

$d_{\mathrm{\&gamma;}}=\sqrt{\underset{\mathrm{\&alpha;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{\&alpha;}}^{\mathrm{\&theta;}}-W_{\mathrm{\&alpha;\&gamma;}})}^2},\mathrm{\&gamma;}\&Element;\{\mathrm{1,2},...,m\};---\left(3\right)$

其中为第θ个样本的第α个特征向量；

(503)找出获胜神经元u，使得对于任意的γ，都有：

d_u＝min(d_γ)，γ∈{1,2,…,m}；     (4)

其中，d_u为最小距离，min(d_γ)指网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ中的最小值；

(504)确定获胜神经元u的邻域N_u(E)，

$N_u\left(E\right)=\left\{\begin{array}{cc}0.7N_0,& E>70\%(E_0-\mathrm{GOAL})\\ 0.4N_0,& E>40\%(E_0-\mathrm{GOAL})\\ 1,& E>10\%(E_0-\mathrm{GOAL})\\ 0,& E\&le;10\%(E_0-\mathrm{GOAL})\end{array};\right.---\left(5\right)$

其中，N₀为初始邻域，取为样本数据的类别数，E为每组输入样本通过网络后，赢得此样本的竞争神经元权值与该组输入样本的绝对值距离之和，E₀为初始误差，GOAL为目标误差；

(505)分别调整获胜神经元u及其几何邻域N_u(t_die)内的节点所连接的权值：

$W_{\mathrm{\&alpha;\&gamma;}}=\mathrm{\&eta;}\left(t_{\mathrm{die}}\right)(x_{\mathrm{\&alpha;}}^{\mathrm{\&lambda;}}-W_{\mathrm{\&alpha;\&gamma;}}),\mathrm{\&alpha;}\&Element;\{\mathrm{1,2},...,n\};---\left(6\right)$

W_αγ(t_die+1)＝W_αγ(t_die)+W_αγ；     (7)

其中，η(t_die)为学习率，t_die为迭代次数；

计算获胜神经元u的学习率η(t_die)：

式中，η₀为获胜神经元初始学习率，t_die为迭代次数，T_总为总的学习次数；

计算获胜神经元的邻域神经元学习率η′(t)：

其中，η'₀为邻域初始学习率；

(506)计算网络输出：

$O_u=v\left(\left(d_{\mathrm{\&gamma;}}\right)_{\mathrm{\&gamma;}\&Element;\{\mathrm{1,2},...,m\}}^{\min }\right);---\left(10\right)$

其中，v(.)为0-1函数或非线性函数；

(507)当分类不再改变时，训练结束，将训练好的SOM分类器用于新云图样本的识别；否则迭代次数t_die逐次累加，转回(502)。

图3是基于模拟退火改进K-means聚类的云图分割。上述步骤三中，由于采集的原始云图图片一般为彩色图像，将其变换为灰度图像。由于云的形状多变，单纯使用矩形作为识别目标，容易将背景包含其中，如果直接对样本进行特征提取，必然损失了一些所提取的特征精度，从而直接影响到最终识别结果的准确性。本发明使用基于模拟退火算法改进的K-means聚类的算法将云从背景中分离出来，如图3所示，对于所有云图图片，逐个进行预处理，每张云图处理的具体步骤如下：

(301)对步骤二获取的灰度图像进行k-means聚类，将聚类划分结果作为初始解ω，计算目标函数J_ω，

$J_{\mathrm{\&omega;}}=\underset{z=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{X\&Element;{\mathrm{\&omega;}}_z}{\mathrm{\&Sigma;}}(X,\stackrel{\&OverBar;}{X^{{\mathrm{\&omega;}}_z}})$

式中,X为灰度图像即样本向量，ω为聚类划分，为第z个聚类的中心，为样本到对应聚类中心距离，目标函数J_ω即为各类样本到对应聚类中心距离的总和；

(302)初始化温度T₀，令T₀＝J_ω，初始化退火系数a和最大退火次数T_ui-max；

(303)对于某一温度T，随机扰动产生新的聚类划分ω′，即随机改变一个聚类样品的当前所属类别，计算新的目标函数值J_ω′；

(304)当新的目标函数值J_ω′为最优目标函数值，即满足|J_ω'-J_ω|＝0时，则保存聚类划分ω′，ω′为最优聚类划分；当新的目标函数值J_ω′不是最优目标函数值时，计算新的目标函数值与当前函数值的差ΔJ，ΔJ＝J_ω'-J_ω；若ΔJ<0，则接受新解J_ω′，若ΔJ≥0，则根据Metropolis准则，以概率接受新解J_ω′，K为常数，T_now为当前温度；

(305)迭代计数器b＝b+1，循环执行步骤303-304，直到b达到最大迭代次数D_ie-max或者最优目标函数值已经出现，则执行步骤(306)；

(306)本发明采用了由Kirkpatrick等人提出的设置退火系数的方法，如果退火次数达到最大退火次数T_ui-max，是则输出最优聚类划分；否则退火次数逐次累加，根据退火公式T(t)＝T₀·a^t对温度T进行退火，返回步骤303继续迭代；a为退火系数且是一个接近1的常数，t为退火次数，通过a的值控制温度下降的快慢，a设为0.9；

(307)使用最优聚类划分，逐个将像素点归类，即可获取云图图片前景和背景。

步骤四中云图特征采用基于图像灰度差值直方图的特征来提取图像的纹理特征，灰度差值直方图粗细度的大小与其局部结构的空间重复周期有关，周期大的纹理比周期小的纹理看上去要粗糙。利用灰度差值直方图能够看出纹理的粗细程度，从而可以描述图像的纹理特征。具体包括对比度C_on、角度方向二阶矩A_sm、熵E_nt、平均值M_ean，其步骤如下：

(401)对步骤三中分割出来的云区域f(i,j)进行归一化处理，

$g(i,j)=\frac{f(i,j)-\min \left(f(i,j)\right)}{\max \left(f(i,j)\right)-\min \left(f(i,j)\right)};---\left(11\right)$

其中，i和j表示图像像素点所在坐标行、列坐标位置，f(i,j)表示坐标点(i,j)的原始灰度值，max(f(i,j))表示云区域中最大的灰度值，min(f(i,j))表示云区域中最小的灰度值，g(i,j)为其归一化后的灰度值；

(402)对于归一化后的云区域上的一点g(i,j)，该点与点g(i+Δi,j+Δj)的灰度差为h＝p|g(i,j)-g(i+Δi,j+Δj)|，灰度差的所有取值有L级，计算该像素点与其领域内的8个像素之间的灰度差值，统计h取各个值的次数，得到h的直方图，根据直方图计算出h取各个值的概率p(h)；

(403)利用公式计算对比度，衡量图像纹理的粗细；

(404)利用公式计算角度方向二阶矩，衡量图像纹理分布情况；

(405)利用公式计算熵，衡量图像纹理分布情况；

(406)利用公式计算平均值，衡量图像纹理的粗细。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (3)

1.一种基于改进SOM算法的地基云图识别方法，其特征在于，包括以下步骤：

步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；

步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；

步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；

步骤四、计算云图的特征；

步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器，具体步骤如下：

(501)初始化各连接权值：给定已知类别的云图特征数据样本{x₁,x₂,…,x_α,…,x_n}，n为输入层节点数，α为输入层节点序号，x_α即输入样本的第α个特征向量，使用k-means算法将云图样本进行分类，类别数为{c₁,c₂,…,c_β,…,c_δ}，δ为最大类别取值，β为类序号，c_β即第β个类，则第β个类的第α个分量的坐标C_{β_α_x}为：

$C_{\mathrm{\&beta;}\_\mathrm{\&alpha;}\_x}=\frac{1}{\mathrm{\&lambda;}}\underset{\mathrm{\&beta;}=1}{\overset{\mathrm{\&lambda;}}{\mathrm{\&Sigma;}}}{x}_{\mathrm{\&alpha;}\_\mathrm{\&beta;}},\mathrm{\&alpha;}\&Element;\{\mathrm{1,2},...,n\};---\left(1\right)$

其中，x_{α_β}为属于第β个类的样本的第α个特征向量，λ为第β个聚类中的样本个数；

W_αγ＝C_{β_α_x}+ε，α∈{1,2,…,n}；     (2)

其中，γ为竞争层节点序号，γ∈{1,2,…,m}，m为竞争层节点数，W_αγ为第α个输入层与第γ个竞争层的连接权值，ε为均衡参数，ε∈[-1,1]；

对所有从输入神经元到输出神经元的连接权值W_αγ按式(1)、(2)的确定；

(502)对网络输入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ个样本，计算网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ，

$d_{\mathrm{\&gamma;}}=\sqrt{\underset{\mathrm{\&alpha;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{\&alpha;}}^{\mathrm{\&theta;}}-W_{\mathrm{\&alpha;\&gamma;}})}^2},\mathrm{\&gamma;}\&Element;\{\mathrm{1,2},...,m\};---\left(3\right)$

其中为第θ个样本的第α个特征向量；

(503)找出获胜神经元u，使得对于任意的γ，都有：

d_u＝min(d_γ)，γ∈{1,2,…,m}；     (4)

其中，d_u为最小距离，min(d_γ)指网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ中的最小值；

(504)确定获胜神经元u的邻域N_u(E)，

$N_u\left(E\right)=\left\{\begin{array}{cc}0.7N_0,& E>70\%(E_0-\mathrm{GOAL})\\ 0.4N_0,& E>40\%(E_0-\mathrm{GOAL})\\ 1,& E>10\%(E_0-\mathrm{GOAL})\\ 0,& E\&le;10\%(E_0-\mathrm{GOAL})\end{array};\right.---\left(5\right)$

其中，N₀为初始邻域，取为样本数据的类别数，E为每组输入样本通过网络后，赢得此样本的竞争神经元权值与该组输入样本的绝对值距离之和，E₀为初始误差，GOAL为目标误差；

(505)分别调整获胜神经元u及其几何邻域N_u(t_die)内的节点所连接的权值：

$W_{\mathrm{\&alpha;\&gamma;}}=\mathrm{\&eta;}\left(t_{\mathrm{die}}\right)(x_{\mathrm{\&alpha;}}^{\mathrm{\&lambda;}}-W_{\mathrm{\&alpha;\&gamma;}}),\mathrm{\&alpha;}\&Element;\{\mathrm{1,2},...,n\};---\left(6\right)$

W_αγ(t_die+1)＝W_αγ(t_die)+W_αγ；     (7)

其中，η(t_die)为学习率，t_die为迭代次数；

计算获胜神经元u的学习率η(t_die)：

式中，η₀为获胜神经元初始学习率，t_die为迭代次数，T_总为总的学习次数；

计算获胜神经元的邻域神经元学习率η′(t)：

其中，η'₀为邻域初始学习率；

(506)计算网络输出：

$O_u=v\left(\left(d_{\mathrm{\&gamma;}}\right)_{\mathrm{\&gamma;}\&Element;\{\mathrm{1,2},...,m\}}^{\min }\right);---\left(10\right)$

其中，v(.)为0-1函数或非线性函数；

(507)当分类不再改变时，训练结束，将训练好的SOM分类器用于新云图样本的识别；否则迭代次数t_die逐次累加，转回(502)。

2.根据权利要求1所述的一种基于改进SOM算法的地基云图识别方法，其特征在于：所述步骤三具体如下：

(301)对步骤二获取的灰度图像进行k-means聚类，将聚类划分结果作为初始解ω，计算目标函数J_ω，

$J_{\mathrm{\&omega;}}=\underset{z=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{X\&Element;{\mathrm{\&omega;}}_z}{\mathrm{\&Sigma;}}(X,\stackrel{\&OverBar;}{X^{{\mathrm{\&omega;}}_z}})$

式中,X为灰度图像即样本向量，ω为聚类划分，为第z个聚类的中心，为样本到对应聚类中心距离，目标函数J_ω即为各类样本到对应聚类中心距离的总和；

(302)初始化温度T₀，令T₀＝J_ω，初始化退火系数a和最大退火次数T_ui-max；

(303)对于某一温度T，随机扰动产生新的聚类划分ω′，即随机改变一个聚类样品的当前所属类别，计算新的目标函数值J_ω′；

(304)当新的目标函数值J_ω′为最优目标函数值，即满足|J_ω'-J_ω|＝0时，则保存聚类划分ω′，ω′为最优聚类划分；当新的目标函数值J_ω′不是最优目标函数值时，计算新的目标函数值与当前函数值的差ΔJ，ΔJ＝J_ω'-J_ω；若ΔJ<0，则接受新解J_ω′，若ΔJ≥0，则根据Metropolis准则，以概率接受新解J_ω′，K为常数，T_now为当前温度；

(305)迭代计数器b＝b+1，循环执行步骤303-304，直到b达到最大迭代次数D_ie-max或者最优目标函数值已经出现，则执行步骤(306)；

(306)如果退火次数达到最大退火次数T_ui-max，是则输出最优聚类划分；否则退火次数逐次累加_，根据退火公式T(t)＝T₀·a^t对温度T进行退火，返回步骤303继续迭代；a为退火系数且是常数，t为退火次数；

(307)使用最优聚类划分，逐个将像素点归类，即可获取云图图片前景和背景。

3.如权利要求1所述的一种基于改进SOM算法的地基云图识别方法，其特征在于：所述步骤四中云图特征采用基于图像灰度差值直方图的特征来提取图像的纹理特征，具体包括对比度C_on、角度方向二阶矩A_sm、熵E_nt、平均值M_ean，其步骤如下：

(401)对步骤三中分割出来的云区域f(i,j)进行归一化处理，

$g(i,j)=\frac{f(i,j)-\min \left(f(i,j)\right)}{\max \left(f(i,j)\right)-\min \left(f(i,j)\right)};---\left(11\right)$

其中，i和j表示图像像素点所在坐标行、列坐标位置，f(i,j)表示坐标点(i,j)的原始灰度值，max(f(i,j))表示云区域中最大的灰度值，min(f(i,j))表示云区域中最小的灰度值，g(i,j)为其归一化后的灰度值；

(402)对于归一化后的云区域上的一点g(i,j)，该点与点g(i+Δi,j+Δj)的灰度差为h＝p|g(i,j)-g(i+Δi,j+Δj)|，灰度差的所有取值有L级，计算该像素点与其领域内的8个像素之间的灰度差值，统计h取各个值的次数，得到h的直方图，根据直方图计算出h取各个值的概率p(h)；

(403)利用公式计算对比度，衡量图像纹理的粗细；

(404)利用公式计算角度方向二阶矩，衡量图像纹理分布情况；

(405)利用公式计算熵，衡量图像纹理分布情况；

(406)利用公式计算平均值，衡量图像纹理的粗细。