基于加权密集连接卷积网络的深度强化学习方法

针对深度强化学习中卷积神经网络(CNN)层数过深导致的梯度消失问题,提出一种将密集连接卷积网络应用于强化学习的方法。首先,利用密集连接卷积网络中的跨层连接结构进行图像特征的有效提取;然后,在密集连接卷积网络中加入权重系数,加权密集连接卷积网络中的每一层都接收到前面几层产生的所有特征图,且之前所有层在跨层连接中被赋予不同的初始权重;最后,在训练中动态调整每层的权重,从而更加有效地提取特征。与常规深度强化学习方法相比,在GridWorld仿真实验中,在相同训练步数内的平均奖励值提升了85.67%;在FlappyBird仿真中,平均奖励值提升了55.05%。实验结果表明所提方法能在不同难度的游戏仿真实验中获得更好的性能。

多维加权密集连接卷积网络的卫星云图云检测

云检测是多光谱卫星云图分析的前提。传统云检测方法不能很好地对多光谱卫星云图进行特征表示,导致了云检测不是很准确。卷积神经网络虽然能有效地提取特征,但训练时会产生梯度扩散,训练效率低,优化困难等问题。针对这些问题,提出多维加权密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。跨层连接能够实现网络中所有层之间的信息流,从而减少训练过程中的梯度消失导致收敛困难的问题。特征图之间连接的权值不同使得网络能够更高效地利用特征信息。通过实验结果对比,该模型可以很好地提取云图特征,提高多光谱云图检测的准确率,具有更好的泛化性能和优化效率。

基于多维多粒度级联森林的高原地区云雪分类

针对传统算法如支持向量机(SVM)、随机森林不能充分利用卫星图像的纹理特征和光学参数的问题,提出一种基于多维多粒度级联森林(M-gc Forest)的方法进行准确又快速的云雪识别。首先,根据单光谱和多光谱图像之间的差异性,选择SVM、随机森林、卷积神经网络(CNN)、多粒度级联森林(gc Forest)在单光谱卫星图像上进行云雪识别;然后,通过定量分析各算法在单光谱图像上的性能,选择CNN和M-gc Forest进行多光谱云雪识别;最后,利用改进的M-gc Forest对HJ-1A/1B多光谱卫星图像进行预测。实验结果表明,与CNN相比,M-gc Forest在多光谱数据集上的测试准确率提升了0.32%,训练耗时减少了91.2%,测试耗时减少了53.7%。因此,该算法在实时而准确的雪灾监测任务中具有实用性。

关于卫星气象云图准确检测的仿真研究

利用卫星云图进行气象应用研究,首先要对卫星云图解译,而云图检测分类是气象卫星云图解译的核心。对气象云图准确检测的准确率高低直接影响到后续的大气科学研究和气象预测应用,而传统的浅层学习分类算法用于卫星气象云图检测分类时,不能很好的对卫星光学参数和卫星云图进行特征表示,容易造成处理规模过大、分析过程复杂以及陷入局部极小值等问题,导致了云图检测不准确,云类别的误检率很高。而深度神经网络对学习样本数量要求较高,并且检测速度慢,在分类速度和分类精度上无法满足气象研究和应用需求。针对这些问题,利用优化过的多粒度级联森林对卫星云图进行检测,能充分的对云图进行特征表示,并且具有很好的泛化性能。在对中国HJ-1A/B卫星云图的实验结果表明,采用基于多粒度级联森林方法对卫星云图进行检测,可以很好的提取云图特征,并且能够进行较好的小样本学习。而且多粒度级联森林方法检测速度快,云图分类时厚云和薄云之间的过渡区域清晰,而且相比传统阈值法、卷积神经网络模型及深度极限学习机模型的云图识别准确率更高。

对称式密集连接网络的地基云图分割方法

为了提高地基云图分割的精度,提出一种对称式密集连接卷积神经网络的云图分割方法进行地基云图分割研究。提出的新的网络结构通过普通卷积层提取地基云图特征,通过连续的密集连接块和上采样模块对特征图进一步处理,通过并联方式融合网络浅层和网络深层的特征图从而实现对地基云图精确的分割。其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得云图特征得到复用,同时一定程度上减轻了训练过程中的梯度消失问题,通过并联浅层网络和深层网络的特征图实现了对地基云图的进一步精确分割。实验结果表明,该方法与其他用于地基云图分割的机器学习方法相比,能够提高地基云图的分割准确率,具有良好的泛化效果。