申请/专利权人：中国科学院国家空间科学中心

申请日：2020-01-13

公开（公告）日：2024-03-08

公开（公告）号：CN113111688B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2021.07.30#实质审查的生效;2021.07.13#公开

摘要：本发明公开了一种全天空喉区极光识别方法及系统，所述方法包括：获取原始极光观测数据，进行预处理后得到去除噪声的图像数据；将去除噪声的图像数据输入预先训练好的喉区极光分类器，得到图像是否包括喉区极光的分类结果。本发明的方法收集并标注了领域专家认可的喉区极光数据集，通过深度有监督学习的方法训练出基于DenseNet121的喉区极光分类器，基于深度学习的方法能有效地从图像中学到更具有代表性的高维特征，从而得到优于传统分类器的分类结果；该喉区极光分类器对喉区极光的识别准确率0.96，召回率0.88，f1值0.92，在新的年份数据上也能达到同样的准确率，泛化性能良好，能有效应用于喉区极光领域的研究。

主权项：1.一种全天空喉区极光识别方法，所述方法包括：获取原始极光观测数据，进行预处理后得到去除噪声的图像数据；将去除噪声的图像数据输入预先训练好的喉区极光分类器，得到图像是否包括喉区极光的分类结果；所述喉区极光分类器为分类模型Densenet121，该模型由1个7*7卷积层，池化层、58个增加了特征复用支路的密集连接模块、3个过渡层和全连接层组成；每一个卷积层都是对图像的局部区域做一次前馈计算，不同的卷积核提取不同的特征，随着层数的加深，得到更高维度的抽象特征，第l层的第j个特征图表示为： 其中，Mj表示选择输入上一层特征图组合，是卷积核的权重，是偏置，f是用于非线性映射的激活函数；密集连接模块由若干个卷积层组成，其中每一层的输入都是前面每一层的输出在通道维度的连接；过渡层由1*1卷积层和平均池化层组成，用于特征降维；全连接层为一个2分类的全连接层，实现正负样本的二分类；基于监督学习对喉区极光分类器进行训练的步骤，具体包括：建立喉区极光数据集；对分类模型Densenet121采用Xavier初始化方法随机初始化权重后，先在大数据集ImageNet数据集的1000类的图像样本上进行预训练，收敛后得到模型除全连接层前每一层的预训练权重；在预训练权重的基础上，在喉区极光数据集上对喉区极光分类器进行进一步训练，得到训练好的喉区极光分类器；所述建立喉区极光数据集，具体包括：从极地中心获取喉区极光时间可能发生时间段的原始全天空极光数据；将原始全天空极光数据转换成图像格式，并进行去噪裁剪预处理；根据领域专家对喉区极光形态的定义，对于预处理后的图像，以含有喉区极光结构为正样本，不含喉区极光结构为负样本进行标注，得到领域专家认可的有标签可用数据集，该数据集为喉区极光数据集；所述在预训练权重的基础上，在喉区极光数据集上进行进一步训练，得到训练好的喉区极光分类器，具体包括：参数更新采取SGDM随机梯度下降法，同时用动量M保留之前的更新方向；参数更新公式如下： ωi是当前参数，ωi+1是更新后的参数，ε是动量，η是学习率，增加权重衰减，则η不是固定的值，而是随着训练迭代次数的增加而动态的调整，学习率的动态调整也有利于模型更好的收敛；是第i个batch中的误差对偏导的平均值；损失函数L是交叉熵损失函数： 其中，yi是分类器对第i个样本的输出标签，ti是该样本的真实标签；交叉熵损失函数反映了预测分布与样本真实分布之间的距离，通过最小化训练数据的经验误差来降低模型的泛化误差；训练至模型收敛后得到训练好的喉区极光分类器。

全文数据：

权利要求：

百度查询： 中国科学院国家空间科学中心 一种全天空喉区极光识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD