[发明专利]一种基于深度学习的天气多分类识别方法

权利要求书

1.一种基于深度学习的天气多分类识别方法，其特征在于，该方法包括以下步骤：

步骤1：获取包含多个天气类别的数据集，并将数据集处理分为训练集、验证集和测试集；

步骤2：基于训练集、验证集和测试集针对结合改进通道注意力机制的卷积神经网络模型进行训练，选定参数并检验模型效果，得到训练完毕的网络模型；

步骤3：获取待识别图像，经处理后输入至训练完毕的网络模型中，并输出识别结果。

2.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的步骤1包括以下分步骤：

步骤101：获取包含多个天气类别的数据集，其中包含与所述天气类别相对应的多个图像，将各个图像作为训练数据，将对应天气类别作为训练标签，组成样本集；

步骤102：将样本集划分为训练集、验证集和测试集，并进行标准化处理。

3.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的步骤2包括以下分步骤：

步骤201：针对结合改进通道注意力机制的卷积神经网络模型调整不同的超参数，分别用训练集进行训练，用验证集进行评定，选取验证集评定结果最高的一组超参数作为卷积神经网络模型的超参数；

步骤202：用训练集对所选超参数对应的模型进行训练，用测试集来检验模型效果，训练所得的参数即为训练完毕的网络模型。

4.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的步骤2中的改进通道注意力机制具体包括：把通道模块进行分组堆叠，对各组进行全局平均池化，再用ReLU激活函数输出输出数据。

5.根据权利要求4所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的输出数据，其对应的数学描述公式为：

y_c＝F_scale(z_c,s_c)＝z_c·s_c

式中，y_c为第c个函数输出，F_scale(z_c,s_c)为第c个特征映射和标量之间的对应通道乘积，s_c为第c个注意力权重，z_c为第c个卷积输出。

6.根据权利要求5所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的注意力权重，其对应的数学描述公式为：

s＝F_ex(q,W)＝σ(g(q,W))＝σ(W₂δ(W₁q))

式中，δ为ReLU函数，W₁和W₂分别为降维层参数和升维层参数，均属于σ为sigmoid函数，C为特征映射个数，r为降维比例，q为元素值。

7.根据权利要求6所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的元素值，其对应的数学描述公式为：

式中，q_c为第c个元素值，H和W分别为Z空间维数的高度和宽度。

8.根据权利要求7所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的第c个卷积输出，其对应的数学描述公式为：

式中，v_c为第c个滤波器的参数，X为卷积输入。