CN107423670A - 基于深度置信网络的modis雾监测方法 - Google Patents
基于深度置信网络的modis雾监测方法 Download PDFInfo
- Publication number
- CN107423670A CN107423670A CN201710262475.1A CN201710262475A CN107423670A CN 107423670 A CN107423670 A CN 107423670A CN 201710262475 A CN201710262475 A CN 201710262475A CN 107423670 A CN107423670 A CN 107423670A
- Authority
- CN
- China
- Prior art keywords
- training
- modis
- data
- layer
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 239000003595 mist Substances 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 6
- 241001269238 Data Species 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度置信网络的MODIS雾监测方法，将深度置信网络与MODIS遥感数据相结合，通过在限制玻尔兹曼机逐层预训练的方法，降低了深层网络后续的训练难度，提高了训练精度。并加入了随机隐退的优化方法，增强了模型的泛化能力，从而得到了更为准确的雾监测模型，提高了监测精度。
Description
技术领域
本发明涉及图像处理及模式识别的技术领域，具体是一种基于深度置信网络的MODIS卫星数据雾监测方法。
背景技术
雾是由大量浮游在近地面空气中的微小水滴或冰晶所组成的气溶胶系统，是一种灾害性天气现象。大雾对社会生活、军事活动，特别是地面、空中和海上交通威胁很大，常常给人民的生产生活造成重大损失。因此，监测和预报大雾生消动态、消除雾害，对防止和减少因雾造成的事故和损失，保障人民生命财产安全具有重要的意义。由于雾具有发展快、影响区域广等特点，传统的地面观测设备局限于点或者局部地区，且观测时次少，故难以满足宏观、快速的监测要求，而卫星遥感作为一种大尺度观测手段越来越多的应用到了灾害监测方面。
常规的监测方法往往是通过在陆海表面布设站点进行人工或仪器自动观测，不仅耗费大量的人力物力，而且观测站点的设置密度和观测密度也难以满足监测的需要；常规预报方法如天气学方法、统计学方法和数值预报方法等，或者由于方法本身不够完善，或者由于缺乏足够、准确的地面观测资料及相关信息，因而也往往难以取得理想效果。特别是在监测和预报雾的生消动态方面，常规方法困难较大。而具有宏观、快速和直观等特点的卫星遥感监测技术在这一方面具有独特的优势。
MODIS(moderate-resolution imaging spectroradiometer)是搭载在terra和aqua卫星上的一个重要的传感器，又被称为中分辨率成像光谱仪。它有36个离散光谱波段，光谱范围宽，从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。最大空间分辨率可达250米，扫描宽度2330千米。
近年来，国内外雾的监测研究和实验均表明，单靠某一通道的遥感资料，利用雾的某一特征难以满足雾区监测和分离的整体要求。只有综合多通道的卫星资料和雾区的多种特征才能满足雾的监测需要。利用MODIS较宽的光谱范围和空间覆盖以及随时间变化的资料连续覆盖使之更适合监测大雾的生消动态，并且有着广阔的应用前景。在MODIS出现以前，国内外对雾生消动态的监测的研究主要利用NOAA/AVHRR和风云系列、GMS和GOES等卫星数据。这些卫星数据的通道一般都比较宽，而且通道数很少，对雾的监测有一定的局限性。近年来MODIS已经广泛地应用于对地球上大气、海洋、陆地和环境的综合信息的分析研究，利用MODIS数据研究雾有助于提高对雾的实时监测能力。但传统的MODIS雾监测都是依据人工经验判断阈值的方法，根据少数几个通道的光谱反射率特点来识别雾，MODIS数据36个通道的信息，没有能完全使用，精度较差。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于深度置信网络的MODIS雾监测方法，使用深度网络自动的提取出雾光谱曲线的特征，减少了人工提取特征带来的误差，实现了雾识别率的提升。
本发明基于深度置信网络的MODIS雾监测方法，包括训练阶段和识别阶段两部分，所述训练阶段包括以下步骤：
第一步，获取MODIS遥感原始数据；
第二步，对MODIS遥感原始数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正、几何校正等操作；
第三步，获取MODIS图像对应区域对应时间的地面站观测数据；
第四步，将每个观测站位置的MODIS图像像元取出，作为训练集，观测站的天气情况(无雾、有雾)作为此区域的标签数据；
第五步，将训练数据和标签数据输入深度置信网络中训练网络参数，先采用限制玻尔兹曼机逐层训练提取特征，再使用反馈的方法整体微调。同时，加入了随机隐退的操作，提高了模型的泛化能力，进一步提高了监测模型的精度。
第六步，将第五步训练好的网络参数保存，作为我们的识别模型。
所述识别阶段包括以下步骤：
第一步，获取要进行识别的MODIS遥感原始数据；
第二步，对数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正、几何校正等操作；
第三步，将预处理好的MODIS数据输入上述识别模型，得到识别结果。
所述第五步中深度置信网络的架构具体是：
一个引入了特征学习的深层网络。结构上，由多个限制玻尔兹曼机以及一层反向传播网络组成。深度置信网络的训练分为两个阶段，第一个阶段是“预训练”阶段，在预训练阶段结束之后才进行接下来的“微调”阶段。预训练阶段，采用逐层训练的方式，对各层RBM进行训练，低一层的RBM输出层(隐含层)作为高一层的RBM输入层(可见层)。在预训练结束后，对最后一层BP网络进行有监督方法的训练，把实际输出与真值之间的误差逐层向后传播，对整个DBN网络的权值进行微调。本发明还加入了随机隐退的算法思想进行优化，在微调过程的正向过程，随机使某些节点的输出值变为0，反向过程也不对这个节点的权值进行调整，相当于这个节点在这次迭代中不作为网络的一部分。具体的过程就是设定一个隐退比例α，训练的每次迭代过程中为每个节点产生一个[0,1]的随机数r，当r＜α将此节点作隐退操作。在测试阶段，所有节点都发挥作用，但每个节点的输出值都要乘以(1-α)。随机隐退其实就相当于同时训练很多模型，最后将这些模型的结果加权平均进行融合，增强了模型的泛化能力，提高了雾监测模型的监测精确度。
与现有技术相比本发明具有以下优点：
第一，将最新的深度学习的方法与传统的气象行业相结合，一般的雾监测算法是针对MODIS数据36个通道中少数几个通道反射强度的特点，人工提取需要的特征建立雾模型，再不断的调整修正，得到最终结果。而机器学习尤其是深度学习，通过限制玻尔兹曼机等结构，可以将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示，从而更有利于监测和分类。同时，MODIS数据相对于只有几通道的传统的遥感数据，数据量十分庞大，人工建模的方法不仅十分繁琐而且结果往往不尽人意。在机器性能飞速发展的今天，使用深度学习来提取特征建立雾监测模型，可以进一步提高雾监测精度。
第二，加入了随机隐退操作，一次训练相当于同时训练个模型，最后取加权平均。进一步提高了模型的泛化能力，解决了传统的神经网络容易产生过拟合的问题。
附图说明
图1是本发明的流程图。
图2是本发明深度置信网络的网络总体结构图。
图3是限制玻尔兹曼机结构图。
图4是随机隐退优化示意图，其中a为原始网络，b为dropout网络(α＝0.5)。
图5是本发明对2016年1月10日MODIS数据监测结果示意图。
具体实施方式
以下结合附图和实验样例对本发明的作详细说明：
第一步，获取MODIS卫星数据，包括36个通道的反射强度数据，目标区域的经纬度坐标，太阳高度角卫星姿势等拍摄参数；
第二步，对数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正、几何校正等操作；
其中，不同时间不同维度获取的图像还需要对太阳高度角进行修正，如式(1)。
其中，I是修正之后的反射强度，I0是原始反射强度，h是图像拍摄时的太阳高度角。
第三步，获取MODIS图像对应区域对应时间的地面站观测数据(从气象部门获取)；
第四步，将每个观测站位置的MODIS图像像元取出，作为训练集，观测站的天气情况(无雾、有雾)作为此区域的标签数据；
第五步，将训练数据和标签数据输入深度置信网络中训练网络参数，网络结构如图2所示。
深度置信网络是一个引入了特征学习的深层网络，结构上，由多个限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)层以及一层反向传播网络(Back-propagation,BP)组成。
如图3所示，限制玻尔兹曼机包含两层，其中一层为可见层(Visible layer)，表示当前已知的数据，另一层为隐含层(Hidden layer)，表示未知的特征。其中，v和h分别表示可见层和隐含层，W表示它们之间的连接权值。各层的内部是两两独立的，而相邻层之间是两两双向互通的。
设可见层节点数目为I，第i个节点状态为vi。同样，隐含层节点数目为J，第j个节点的状态为hj。假设每个节点均为二值变量，对于一组状态(v,h)，RBM的能量定义为
其中，θ＝(ai,bj,wij)是模型的参数，ai为vi的偏置量，bj为hj的偏置量,wij为vi和hj之间的连接权重。根据上面的能量函数可以得到(v,h)的联合概率分布为
其中，为归一化项。在实际应用中，更关心p(v,hθ)的边缘分布，即p(v|θ)。
由于RBM每层节点相互独立，有
其中，σ(x)＝1/(1+e-x)为Sigmoid函数。因为两层之间两两双向相连，用隐藏层的状态也可以推出可见层的状态
RBM采用迭代的方式训练，训练的目的在于得到模型参数θ＝(ai,bj,wij)，以用于拟合给定的训练数据。参数θ可以通过求得训练集上的极大对数似然函数得到。
使用对比散度算法(Contrastive Divergence,CD)来更新RBM的参数，更新规则如下：
Δwij＝ε(<vihi>data-<vihi>recon) (6)
Δai＝ε(<vi>data-<vi>recon) (7)
Δbj＝ε(<hj>data-<h>jrecon) (8)
其中，ε为与训练过程中权值更新的速度，即学习率。一个大的学习率可以提高模型训练的速度，但会在训练过程中产生震荡。<·>data为训练数据集所表示的分布的数学期望，<·>recon为重构后的模型所定义的分布上的数学期望值。RBM的更新就是根据上述式子进行的。
深度置信网络的训练分为两个阶段，第一个阶段是“预训练(Pre-training)”阶段，也就上文所描述的RBM权值参数寻优阶段。预训练阶段，采用逐层训练的方式，对各层RBM进行训练，低一层的RBM输出层(隐含层)作为高一层的RBM输入层(可见层)。在预训练阶段结束之后才进行接下来的“微调(Fine-tuning)”阶段，其包含正向传播和反向传播两个步骤。
①正向传播
输入数据从输入层开始，经过权值加成和激活函数之后，传向下一层。如此一层一层的向下传递，传递过程每层的神经元只会对相邻的下一层神经元产生影响。直到最后到达输出层。当数据传递到输出层的时候，将输出层的当前输出结果与期望值(即标签值)进行比较，如果两者存在差异，则开始进行误差的反向传播。
②反向传播
正向输出结果与标签的误差形成了误差信号，误差信号沿着之前传播过来的路径重新反向传递回去，传递过程中对沿途的神经元权值进行调整，使得下一次的误差信号减小。
深度置信网络其实就是一个利用预训练事先得到各层网络权值初值的BP神经网络，在预训练结束后，后面的训练步骤与传统BP网络一致。
预训练过程的加入，使得深层BP神经网络的权值初始化过程更为合理，克服了传统网络因为随机初值而造成的训练困难和局部最优的问题。原始的DBN方法就是在深层BP网络的前方加入预训练过程。这样的网络，在对于小样本低维度的数据进行训练时，常常会出现过拟合的问题，即训练集结果达到非常高的逼近精度，但将模型运用到测试集时，效果却不理想。针对这个问题本发明加入了随机隐退的算法思想进行优化，如图4所示，随机隐退的思想就是在微调过程的正向过程，随机使某些节点的输出值变为0，反向过程也不对这个节点的权值进行调整，相当于这个节点在这次迭代中不作为网络的一部分。具体的过程就是设定一个隐退比例α，训练的每次迭代过程中为每个节点产生一个[0,1]的随机数r，当r＜α将此节点作隐退操作。在测试阶段，所有节点都发挥作用，但每个节点的输出值都要乘以(1-α)。随机隐退其实就相当于同时训练很多模型，最后将这些模型的结果加权平均进行融合，增强了模型的泛化能力，提高了雾监测模型的监测精确度。
第六步，保存网络参数得到雾监测模型。
不同方法雾识别性能对比：
在2016年1月中国地区的MODIS数据上进行多通道阈值法、支持向量机和本发明算法(基于深度置信网络MODIS监测)的雾监测对比实验。
多通道阈值法ρth1、ρth2、ρth3、ρth4、ρth5及Tth1的阈值设为0.11、0.4、1.1、0.35、0.45和270K。支持向量机采用径向基函数作为核函数，参数g和惩罚因子C采用五折交叉验证的方法进行寻优得到。深度置信网络采用36-20-20-10-2的网络结构，学习率设为0.001，迭代次数1000，每层预训练次数50。
评价指标采用识别率和虚警率。
结果如表1所示。
表1不同雾监测方法对比试验结果
其中，10日的各方法监测效果图见图5。
可以看出，本发明不论在识别率上还是虚警率上，都优于其他算法。多通道阈值法是人工以单幅图或者几幅图为参考，依据经验选取的阈值来进行区分，算法的鲁棒性和泛化性受到限制，在场景变更之后往往得不到理想的结果，与机器学习的算法相比，有着最低的识别率和最高的虚警率。但是算法复杂度低，检测速度快是它的一大优点。SVM是一类很经典的机器学习算法，它通过空间超平面将各个类别区分，很适合小样本的测试数据。但依然对输入的特征有一定的要求，像光谱曲线这一类区分度不是很明显的特征，SVM也无法做到很好的区分。而本发明算法通过限制玻尔兹曼机预训练的方法，先自动提取出了复杂光谱的深层特征，再在这些特征(初始权值)的基础上对整个网络进行微调，避免了陷入局部最优解的情况发生。
综上所述，本发明在雾监测的表现优异，能够在不错的检测率的基础上，进一步降低虚警率，减少误检的发生。
Claims (4)
1.一种基于深度置信网络的MODIS雾监测方法，其特征在于，包括训练阶段和识别阶段，具体步骤步骤如下：
训练阶段：
第一步，获取MODIS卫星数据；
第二步，对该MODIS卫星数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正或几何校正；
第三步，获取MODIS图像对应区域对应时间的地面站观测数据；
第四步，将每个观测站位置的MODIS图像像元取出，作为训练集，观测站的天气情况：无雾或有雾作为此区域的标签数据；
第五步，将训练数据和标签数据输入深度置信网络中训练网络参数；
第六步，将第五步训练好的网络参数保存，作为识别模型，即雾监测模型；
识别阶段：
第一步，获取要进行识别的MODIS遥感原始数据；
第二步，对MODIS遥感原始数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正或几何校正；
第三步，将预处理好的MODIS数据输入所述的雾监测模型，得到识别结果。
2.根据权利要求1所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述第五步将训练数据和标签数据输入深度置信网络中训练网络参数具体是：
①采用对比散度算法的逐层训练的方式，对各层RBM进行训练，低一层的RBM输出层(隐含层)作为高一层的RBM输入层(可见层)；
②对最后一层BP网络进行有监督方法的训练，把实际输出与真值之间的误差逐层向后传播，对整个DBN网络的权值进行微调。
3.根据权利要求2所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述步骤②在微调过程的正向过程，随机使某些节点的输出值变为0，反向过程也不对这个节点的权值进行调整，具体是：
设定一个隐退比例α，训练的每次迭代过程中为每个节点产生一个[0,1]的随机数r，当r＜α将此节点作隐退操作；
在测试阶段，所有节点都发挥作用，但每个节点的输出值都要乘以(1-α)；随机隐退其实就相当于同时训练很多模型，最后将这些模型的结果加权平均进行融合，增强了模型的泛化能力，提高了雾监测模型的监测精确度。
4.根据权利要求1所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述的MODIS卫星数据包括36个通道的反射强度数据，包括目标区域的经纬度坐标或太阳高度角卫星姿势拍摄参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262475.1A CN107423670A (zh) | 2017-04-20 | 2017-04-20 | 基于深度置信网络的modis雾监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262475.1A CN107423670A (zh) | 2017-04-20 | 2017-04-20 | 基于深度置信网络的modis雾监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107423670A true CN107423670A (zh) | 2017-12-01 |
Family
ID=60423935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710262475.1A Pending CN107423670A (zh) | 2017-04-20 | 2017-04-20 | 基于深度置信网络的modis雾监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423670A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
| CN108764326A (zh) * | 2018-05-23 | 2018-11-06 | 北京工业大学 | 基于深度置信网络的城市不透水层提取方法 |
| CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| CN109407177A (zh) * | 2018-10-16 | 2019-03-01 | 象谱信息产业有限公司 | 基于机器学习与常规气象观测的大雾识别系统和应用方法 |
| CN111537468A (zh) * | 2020-06-02 | 2020-08-14 | 江南大学 | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
| CN106226212A (zh) * | 2016-08-30 | 2016-12-14 | 上海交通大学 | 基于深度残差网络的高光谱霾监测方法 |
| CN106408009A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工业大学 | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 |
-
2017
- 2017-04-20 CN CN201710262475.1A patent/CN107423670A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
| CN106226212A (zh) * | 2016-08-30 | 2016-12-14 | 上海交通大学 | 基于深度残差网络的高光谱霾监测方法 |
| CN106408009A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工业大学 | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| QIN ZOU，LIHAO NI，TONG ZHANG，QIAN WANG: ""Deep Learning Based Feature Selection for"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| YUSHI CHEN ，XING ZHAO ， XIUPING JIA: ""Spectral–Spatial Classification of Hyperspectral Data Based on Deep Belief Network"", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| ZHAO YOU，XIAORUI WANG，BO XU: "《Investigation of deep Boltzmann machines for phone recognition》", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
| 刘大伟，韩玲，韩晓勇: "《基于深度学习的高分辨率遥感影像分类研究》", 《光学学报》 * |
| 戴羊羊，李成范，周时强，赵俊娟，尹京苑: ""基于遥感的上海地区雾霾监测研究"", 《测绘工程》 * |
| 李卫: ""深度学习在图像识别中的研究及应用"", 《CNKI中国知网》 * |
| 赵兴: "《基于深度置信网集成的高光谱数据分类方法研究》", 《CNKI中国知网》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
| CN108764326A (zh) * | 2018-05-23 | 2018-11-06 | 北京工业大学 | 基于深度置信网络的城市不透水层提取方法 |
| CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| CN109063247B (zh) * | 2018-06-26 | 2023-04-18 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| CN109407177A (zh) * | 2018-10-16 | 2019-03-01 | 象谱信息产业有限公司 | 基于机器学习与常规气象观测的大雾识别系统和应用方法 |
| CN109407177B (zh) * | 2018-10-16 | 2020-12-18 | 象谱信息产业有限公司 | 基于机器学习与常规气象观测的大雾识别系统和应用方法 |
| CN111537468A (zh) * | 2020-06-02 | 2020-08-14 | 江南大学 | 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
| CN114283345B (zh) | 基于元学习和注意力的小样本城市遥感影像信息提取方法 | |
| CN109190491B (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
| CN107423670A (zh) | 基于深度置信网络的modis雾监测方法 | |
| CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
| CN106598917A (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
| CN109948716A (zh) | 一种基于区域残差和lstm网络的机场延误预测方法 | |
| CN105787501A (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
| Liu et al. | Short-term daily prediction of sea ice concentration based on deep learning of gradient loss function | |
| CN110555461A (zh) | 基于多结构卷积神经网络特征融合的场景分类方法及系统 | |
| US20230274148A1 (en) | Atmospheric visibility prediction method based on dbn | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
| CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
| CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及系统 | |
| Yang et al. | Improved tropical deep convective cloud detection using MODIS observations with an active sensor trained machine learning algorithm | |
| CN110826526A (zh) | 一种测云雷达识别云类的方法 | |
| CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
| CN114386489A (zh) | 基于深度卷积神经网络的海雾实时反演模型的构建方法 | |
| CN112434590A (zh) | 一种基于小波变换的sar影像风条纹识别方法 | |
| Gunawan et al. | Long Short-Term Memory Approach for Predicting Air Temperature In Indonesia | |
| CN118337576A (zh) | 基于多通道融合的轻量级自动调制识别方法 | |
| CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171201 |