[發(fā)明專利]一種基于深度學(xué)習(xí)的天氣多分類識別方法

在審

• 申請?zhí)枺?/td>: 202110329160.0
• 申請日: 2021-03-27
• 公開（公告）號: CN112990333A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設(shè)計）人: 張旭;林旭東;劉奧強(qiáng);王若瑾;謝朝雨;程耀天
• 申請（專利權(quán)）人: 上海工程技術(shù)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 孫永申

1.一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，該方法包括以下步驟：

步驟1：獲取包含多個天氣類別的數(shù)據(jù)集，并將數(shù)據(jù)集處理分為訓(xùn)練集、驗證集和測試集；

步驟2：基于訓(xùn)練集、驗證集和測試集針對結(jié)合改進(jìn)通道注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，選定參數(shù)并檢驗?zāi)Ｐ托Ч玫接?xùn)練完畢的網(wǎng)絡(luò)模型；

步驟3：獲取待識別圖像，經(jīng)處理后輸入至訓(xùn)練完畢的網(wǎng)絡(luò)模型中，并輸出識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的步驟1包括以下分步驟：

步驟101：獲取包含多個天氣類別的數(shù)據(jù)集，其中包含與所述天氣類別相對應(yīng)的多個圖像，將各個圖像作為訓(xùn)練數(shù)據(jù)，將對應(yīng)天氣類別作為訓(xùn)練標(biāo)簽，組成樣本集；

步驟102：將樣本集劃分為訓(xùn)練集、驗證集和測試集，并進(jìn)行標(biāo)準(zhǔn)化處理。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的步驟2包括以下分步驟：

步驟201：針對結(jié)合改進(jìn)通道注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型調(diào)整不同的超參數(shù)，分別用訓(xùn)練集進(jìn)行訓(xùn)練，用驗證集進(jìn)行評定，選取驗證集評定結(jié)果最高的一組超參數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)；

步驟202：用訓(xùn)練集對所選超參數(shù)對應(yīng)的模型進(jìn)行訓(xùn)練，用測試集來檢驗?zāi)Ｐ托Ч?xùn)練所得的參數(shù)即為訓(xùn)練完畢的網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的步驟2中的改進(jìn)通道注意力機(jī)制具體包括：把通道模塊進(jìn)行分組堆疊，對各組進(jìn)行全局平均池化，再用ReLU激活函數(shù)輸出輸出數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的輸出數(shù)據(jù)，其對應(yīng)的數(shù)學(xué)描述公式為：

y_c＝F_scale(z_c,s_c)＝z_c·s_c

式中，y_c為第c個函數(shù)輸出，F(xiàn)_scale(z_c,s_c)為第c個特征映射和標(biāo)量之間的對應(yīng)通道乘積，s_c為第c個注意力權(quán)重，z_c為第c個卷積輸出。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的注意力權(quán)重，其對應(yīng)的數(shù)學(xué)描述公式為：

s＝F_ex(q,W)＝σ(g(q,W))＝σ(W₂δ(W₁q))

式中，δ為ReLU函數(shù)，W₁和W₂分別為降維層參數(shù)和升維層參數(shù)，均屬于σ為sigmoid函數(shù)，C為特征映射個數(shù)，r為降維比例，q為元素值。

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的元素值，其對應(yīng)的數(shù)學(xué)描述公式為：

式中，q_c為第c個元素值，H和W分別為Z空間維數(shù)的高度和寬度。

8.根據(jù)權(quán)利要求7所述的一種基于深度學(xué)習(xí)的天氣多分類識別方法，其特征在于，所述的第c個卷積輸出，其對應(yīng)的數(shù)學(xué)描述公式為：

式中，v_c為第c個濾波器的參數(shù)，X為卷積輸入。