[发明专利]一种基于改进SOM算法的地基云图识别方法

权利要求书

1.一种基于改进SOM算法的地基云图识别方法，其特征在于，包括以下步骤：

步骤一、使用成像设备采集云图图片，用于SOM分类器训练以及云图的识别；

步骤二、对采集到的云图图片逐个进行预处理，获取对应云图灰度图像；

步骤三、利用聚类分析，将预处理后的云图图片前景与背景进行分离；

步骤四、计算云图的特征；

步骤五、使用已知类别的云图特征数据样本，根据步骤四得到的云图的特征，采用k-means和SOM相结合的学习算法来训练分类器，具体步骤如下：

(501)初始化各连接权值：给定已知类别的云图特征数据样本{x₁,x₂,…,x_α,…,x_n}，n为输入层节点数，α为输入层节点序号，x_α即输入样本的第α个特征向量，使用k-means算法将云图样本进行分类，类别数为{c₁,c₂,…,c_β,…,c_δ}，δ为最大类别取值，β为类序号，c_β即第β个类，则第β个类的第α个分量的坐标C_{β_α_x}为：

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

其中，x_{α_β}为属于第β个类的样本的第α个特征向量，λ为第β个聚类中的样本个数；

W_αγ＝C_{β_α_x}+ε，α∈{1,2,…,n}；     (2)

其中，γ为竞争层节点序号，γ∈{1,2,…,m}，m为竞争层节点数，W_αγ为第α个输入层与第γ个竞争层的连接权值，ε为均衡参数，ε∈[-1,1]；

对所有从输入神经元到输出神经元的连接权值W_αγ按式(1)、(2)的确定；

(502)对网络输入模式x^θ＝(x₁,x₂,..,x_n)，θ表示第θ个样本，计算网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ，

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

其中为第θ个样本的第α个特征向量；

(503)找出获胜神经元u，使得对于任意的γ，都有：

d_u＝min(d_γ)，γ∈{1,2,…,m}；     (4)

其中，d_u为最小距离，min(d_γ)指网络输入模式x^θ与全部输出节点所连接权向量W_γ的距离d_γ中的最小值；

(504)确定获胜神经元u的邻域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为初始邻域，取为样本数据的类别数，E为每组输入样本通过网络后，赢得此样本的竞争神经元权值与该组输入样本的绝对值距离之和，E₀为初始误差，GOAL为目标误差；

(505)分别调整获胜神经元u及其几何邻域N_u(t_die)内的节点所连接的权值：

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)为学习率，t_die为迭代次数；

计算获胜神经元u的学习率η(t_die)：

式中，η₀为获胜神经元初始学习率，t_die为迭代次数，T_总为总的学习次数；

计算获胜神经元的邻域神经元学习率η′(t)：

其中，η'₀为邻域初始学习率；

(506)计算网络输出：

Ou=v((dγ)γ∈{1,2,...,m}min);---(10)]]>

其中，v(.)为0-1函数或非线性函数；

(507)当分类不再改变时，训练结束，将训练好的SOM分类器用于新云图样本的识别；否则迭代次数t_die逐次累加，转回(502)。