[發明專利]一種基于改進SOM算法的地基云圖識別方法

在審

• 申請號: 201410198927.0
• 申請日: 2014-05-12
• 公開（公告）號: CN104008402A
• 公開（公告）日: 2014-08-27
• 發明（設計）人: 李濤;李娟;邱忠陽;周歡樂;范文波
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.一種基于改進SOM算法的地基云圖識別方法，其特征在于，包括以下步驟：

步驟一、使用成像設備采集云圖圖片，用于SOM分類器訓練以及云圖的識別；

步驟二、對采集到的云圖圖片逐個進行預處理，獲取對應云圖灰度圖像；

步驟三、利用聚類分析，將預處理后的云圖圖片前景與背景進行分離；

步驟四、計算云圖的特征；

步驟五、使用已知類別的云圖特征數據樣本，根據步驟四得到的云圖的特征，采用k-means和SOM相結合的學習算法來訓練分類器，具體步驟如下：

(501)初始化各連接權值：給定已知類別的云圖特征數據樣本{x₁,x₂,…,x_α,…,x_n}，n為輸入層節點數，α為輸入層節點序號，x_α即輸入樣本的第α個特征向量，使用k-means算法將云圖樣本進行分類，類別數為{c₁,c₂,…,c_β,…,c_δ}，δ為最大類別取值，β為類序號，c_β即第β個類，則第β個類的第α個分量的坐標C_{β_α_x}為：

Cβ_α_x=1λΣβ=1λxα_β,α∈{1,2,...,n};---(1)]]>

其中，x_{α_β}為屬于第β個類的樣本的第α個特征向量，λ為第β個聚類中的樣本個數；

W_αγ＝C_{β_α_x}+ε，α∈{1,2,…,n}；?????(2)

其中，γ為競爭層節點序號，γ∈{1,2,…,m}，m為競爭層節點數，W_αγ為第α個輸入層與第γ個競爭層的連接權值，ε為均衡參數，ε∈[-1,1]；

對所有從輸入神經元到輸出神經元的連接權值W_αγ按式(1)、(2)的確定；

(502)對網絡輸入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ個樣本，計算網絡輸入模式x^θ與全部輸出節點所連接權向量W_γ的距離d_γ，

dγ=Σα=1n(xαθ-Wαγ)2,γ∈{1,2,...,m};---(3)]]>

其中為第θ個樣本的第α個特征向量；

(503)找出獲勝神經元u，使得對于任意的γ，都有：

d_u＝min(d_γ)，γ∈{1,2,…,m}；?????(4)

其中，d_u為最小距離，min(d_γ)指網絡輸入模式x^θ與全部輸出節點所連接權向量W_γ的距離d_γ中的最小值；

(504)確定獲勝神經元u的鄰域N_u(E)，

Nu(E)=0.7N0,E>70%(E0-GOAL)0.4N0,E>40%(E0-GOAL)1,E>10%(E0-GOAL)0,E≤10%(E0-GOAL);---(5)]]>

其中，N₀為初始鄰域，取為樣本數據的類別數，E為每組輸入樣本通過網絡后，贏得此樣本的競爭神經元權值與該組輸入樣本的絕對值距離之和，E₀為初始誤差，GOAL為目標誤差；

(505)分別調整獲勝神經元u及其幾何鄰域N_u(t_die)內的節點所連接的權值：

Wαγ=η(tdie)(xαλ-Wαγ),α∈{1,2,...,n};---(6)]]>

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

其中，η(t_die)為學習率，t_die為迭代次數；

計算獲勝神經元u的學習率η(t_die)：

式中，η₀為獲勝神經元初始學習率，t_die為迭代次數，T_總為總的學習次數；

計算獲勝神經元的鄰域神經元學習率η′(t)：

其中，η'₀為鄰域初始學習率；

(506)計算網絡輸出：

Ou=v((dγ)γ∈{1,2,...,m}min);---(10)]]>

其中，v(.)為0-1函數或非線性函數；

(507)當分類不再改變時，訓練結束，將訓練好的SOM分類器用于新云圖樣本的識別；否則迭代次數t_die逐次累加，轉回(502)。