论文部分内容阅读
极光是从太阳风暴中逃逸的部分高能带电粒子受到地球磁场作用,沉降到地球表面时与高空中的大气分子和原子相碰撞,进而产生的一种自然发光现象。对极光现象的研究有助于人们认识太阳风与地球磁场之间相互作用的信息、预防自然灾害,甚至有可能实现利用极光的巨大能量,造福人类。不同形态的极光代表不同的物理发生机制,因此对不同形态的极光进行分类是极光研究中的重要分支。本文针对极光问题主要做了两个方面的研究:一是基于改进卷积神经网络的极光静态图像分类;二是基于卷积神经网络联合双向长短期记忆网络的极光序列分类。1、提出了基于改进卷积神经网络的极光图像分类算法。该方法通过引入深度学习模型VGG-16解决了以往传统方法研究中设计特征难且分类准确率不高的问题。首先将在Image Net上训练过的网络权重迁移到本文网络上面,再对原始的VGG-16网络做了改进,即针对VGG-16的每一个卷积块,本文将其当前层之前的所有层的输入都融合起来,然后将融合后的输出特征图输入到当前网络层中。这种方法能保证信息的最大化流通,充分提高信息利用率,并能提高网络性能、加速网络训练。同时为了适应极光单通道的特性,本文在VGG-16模型前面多添加了一个卷积块。最后通过在中国北极黄河站拍摄的两个极光图像数据集上进行了实验,进一步证明了该方法的可靠性。2、提出了基于CNN联合多层双向长短期记忆网络的极光序列分类算法。该方法是针对极光序列分类的研究,也是采用深度学习方式来提取特征。以往的研究中多采用隐马尔可夫等方式进行序列研究,但该方式不能利用较长序列中的信息。本文提出了一种采用CNN联合多层双向长短期记忆网络的方式对极光序列进行动态建模并实现分类,该方式能进一步提高序列信息利用程度,比传统方式的特征信息更加丰富。其中Bi-LSTM只能模仿高层特征变化,不能模仿某些必要的底层特征。因此本文先用CNN来获取极光图像底层静态特征,然后构建多层Bi-LSTM进行序列动态建模,捕捉极光序列的时序信息,这种方式大大提高了极光序列的分类准确率。最后本文使用极光序列数据集进行了实验,进一步证明了该方法的可靠性。