G-CNN模型在浓雾天气形势识别中的应用

• 作者: 刘小明 王宏斌 陈允杰 陈文兵
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 卷积神经网络 Gabor滤波 浓雾天气形势图 识别分类
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 124-131
• 页数: 8页
• 分类号: TP39
• 字数: 5731字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1801-0012

摘要

天气形势图特征分类是实现浓雾智能在线预报的关键因素之一,为了探索高效、正确的天气形势图分类模型,一种基于方向滤波器的深度卷积神经网络(Gabor-Convolutional Neural Network,G-CNN)模型被提出,模型通过训练已建立的浓雾天气形势图-雾型关系数据集,建立形势图纹理特征与雾型之间非线性映射关系进而实现天气形势图智能化识别.G-CNN模型:利用Gabor滤波器对输入的天气形势图纹理特征进行强化;利用2个卷积-池化层及2个全连接层的CNN架构拟合天气形势图与雾型之间的映射关系.利用江苏地区2010至2016年浓雾天气形势图-雾型关系数据集,从中随机取样70%作训练集,余下30%样本作为测试集的情形下,训练、测试建立的模型,并针对3个惯用的评价指标:准确率(Probability of Detection,POD)、虚警率(False Alarm Rate,FAR)及临界成功指数(Critical Success Index,CSI)对模型进行评价.试验结果显示POD、FAR及CSI分别为0.86、0.11及0.77,指标值表明模型具有高度的有效性和正确性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈允杰	南京信息工程大学数学与统计学院	56	430	12.0	16.0
2	刘小明	南京信息工程大学数学与统计学院	1	1	1.0	1.0