导读:本文包含了极光分类论文开题报告文献综述及选题提纲参考文献，主要关键词:极光图像分类,极光序列表征,多通道融合,动态图像网络
极光分类论文文献综述
刘彬[1]（2018）在《基于卷积神经网络的极光图像及极光序列分类研究》一文中研究指出极光是来自太阳和地球磁层的高能带电粒子流撞击大气层原子和分子而呈现的自然现象,极光图像及序列的研究能获取更多太阳和地球磁场的相互作用的细节及信息,有助于加强了解太阳对地球的影响规律和地球磁层的物理机制。本文针对极光序列以及静态图像进行了研究,主要做了两个方面的工作:一是基于多通道融合和卷积神经网络的极光静态图像的分类;另一个是基于动态池化图像网络的极光序列的分类。在极光静态的图像分类阶段,本文提出了一种基于多通道融合特征和卷积神经网络的分类方法。该方法针对传统特征提取只提取能表述极光图像的某种特定特征,如纹理特征、运动特征、局部特征、全局特征等,导致或多或少丢失极光图像的某些重要表征信息,造成研究效果不够好。本文方法集多种高效表征极光静态图像特征与一体,融合传统特征和深度学习自动学习特征,充分表征极光图像,实现良好的极光图像四分类。在极光图像序列分类阶段,本文提出了一种基于动态图像网络的极光序列分类方法。极光形态随时间推移会进行不断变化,极光图像序列是极光动态信息的载体,内含极光许多丰富信息。本文使用动态图像网络来对极光图像序列进行表述。该方法首先通过动态排名池化函数进行极光图像序列表征,得到极光动态图像;然后,用卷积神经网络进行动态图像特征训练提取特征;最后进行特征分类。以上所提两种方法均在中国北极黄河站的极光观测数据上进行实验,实验结果证明了上述两种方法的可靠性和有效性。(本文来源于《南京邮电大学》期刊2018-11-14）
陈昌红,刘彬,张浩[2]（2018）在《基于多通道和卷积神经网络的极光分类》一文中研究指出目前,极光图像分类领域多采用传统特征来进行分类。但传统特征提取图像的某种特定特征,比如纹理特征、局部特征、全局特征等,导致或多或少丢失极光图像的某些重要分类信息,造成分类效果不够好。对此,提出一种基于多通道融合和卷积神经网络的极光图像分类方法。采用多通道融合技术将原图信息和指定有效传统特征信息加以融合形成融合图像,利用预训练卷积神经网络自动提取融合图像的有效特征信息,实现多通道特征与深度学习相结合,得到高效表征极光图像的特征。在2003年北极黄河站越冬观测的4种日侧极光图像数据库上进行实验。在8 001幅典型极光图像数据库上,与人工标记对比分类准确率高达95. 2%,高于其他同类方法。实验结果表明该方法能有效用于极光图像分类。(本文来源于《计算机技术与发展》期刊2018年12期）
王菲,杨秋菊[3]（2018）在《基于卷积神经网络的极光图像分类》一文中研究指出极光是由带电粒子经磁层—电离层碰撞大气而产生的。面对形态各异、演变过程复杂的极光图像,对其合理分类为进一步探究日地电磁活动和能量耦合等空间物理问题奠定了基础。针对该问题,引入深度学习的方法,通过卷积神经网络模型自主表征极光特征并实现极光图像分类。该方法对2003年北极黄河站越冬观测的38 044幅和8 001幅典型极光图像分类正确率达93.17%和91.5%;自动识别2004—2009年观测数据的极光形态,4类极光时间分布规律与叁波段激发谱能量分布基本一致。实验结果表明,基于卷积神经网络的极光表征方法,能有效实现极光图像的自动分类。(本文来源于《极地研究》期刊2018年02期）
严月[4]（2018）在《日侧极光分类方法及物理特征研究》一文中研究指出极光是由来自太阳风的高能带电粒子与地球的大气层相碰撞而产生,它的形态受复杂的空间物理环境影响,对极光形态的研究有助于我们了解太阳风—磁层耦合。由于不同的极光形态对应着不同的空间物理过程,因此对极光形态分类有助于我们了解不同形态极光的发生机制。同时,极光在发生过程中,除了形态的变化,也会有一些特殊的极光事件发生,这些特殊事件也会反映出特殊的物理过程。基于此,本文针对极光的形态分类以及相关的物理特征展开详细的分析与研究。针对极光图像分类及极光形态与空间环境存在的关系问题,提出了基于GMM-HMM模型的极光图像分类方法。首先,提取不同形态极光图像的静态特征,将提取到的特征输入到GMM-HMM模型中,实现对极光图像的分类。接着,将极光图像的静态特征和对应的物理参数作为极光形态的表征量,输入到GMM-HMM模型中,最后根据分类结果分析不同物理参数对极光形态的影响。该方法不仅有效的实现了极光图像的分类,同时也对不同的空间环境参数对极光形态的影响进行了分析。极光是一个动态的且连续发生的过程,对极光形态的分类仅仅考虑极光的静态特征是不够的,基于此,本文提出了一种基于粘性流体粒子运动模型的极光视频序列的分类方法。该方法将极光粒子看成是流体粒子,用流体运动方程去描述极光粒子的运动,通过解方程得到极光粒子的运动场,最后通过提取极光粒子的静态特征,将静态特征和动态特征结合起来对极光视频序列进行分类。实验结果表明,粘性流体运动模型能够有效的描述极光粒子的运动,从而获得了较高的分类准确率。极光螺旋运动作为一种特殊的极光事件,尤其是极光螺旋运动事件中的涡旋事件,反应了特殊的物理过程。本文通过提取极光序列的动态特征对极光螺旋运动事件进行检测,并将检测的结果分成极光弧涡旋、射线簇涡旋、大扭曲的极光弧和大扭曲的极光射线簇,最后结合OMNI卫星、Cluster卫星及THEMIS卫星数据对这四类结构的物理特征进行分析。实验结果表明,本文提出的方法能够较准确的检测出极光的螺旋运动事件,并且通过分析卫星数据可以得出,OMNI、Cluster和THEMIS卫星所反应的空间环境在极光螺旋运动事件发生时皆会有响应。(本文来源于《西安电子科技大学》期刊2018-06-01）
褚福跃[5]（2018）在《基于深度学习的极光影像分类方法研究》一文中研究指出当太阳风充分扰动地球磁层时,来自地球磁层和太阳风中的高能带电粒子与上层大气层中的原子以及分子发生相互碰撞,释放出各种可见光,这些可见光就构成了绚丽多彩的极光。不同的极光形态对应着不同的空间物理现象,因此极光影像分类有着重要的研究意义。深度学习技术近年来得到迅速发展,并成功应用于计算机视觉和模式识别等领域。基于此,本论文开展了基于深度学习的极光影像分类方法研究。为了实现极光图像分类,本文提出了基于多尺度卷积核卷积神经网络的极光图像分类方法。首先,在专家眼动数据的引导下进行图像块的提取和优选。然后,利用自编码器从提取到的图像块中学习特征,并用学到的特征对卷积神经网络首个卷积层的卷积核进行初始化。最后,设计了多尺度卷积核卷积神经网络,通过改变首个卷积层上卷积核的大小,在不同尺度进行特征学习,并实现对极光图像的分类。实验结果表明,该方法能够有效地从极光图像中学习特征,并且在极光图像分类数据库上获得了较高的分类准确率。虽然专家眼动注视图能够辅助我们进行极光数据分析,但是眼动数据的获取较为耗时耗力,因此需要根据现有眼动数据学习专家在观察极光图像时的认知过程,对极光专家眼动注视图进行预测。为此,本文提出了基于全卷积神经网络的极光专家眼动注视图预测方法。首先,为了解决训练数据不足的情况下网络预训练困难的问题,利用量化输入进行全卷积网络的预训练。然后提出了分级注视图的概念,并使用分级注视图训练全卷积网络,得到叁种注视图预测结果。最后使用条件随机场对叁种注视图预测结果进行融合,得到最终极光专家眼动注视图预测结果。极光是一个连续发生的过程,仅从静态极光图像的角度来对其进行分析是不充分的。还要从极光序列的角度出发,发掘序列中的时间域信息,进行极光序列的分类。为了实现极光序列的分类,本文提出了基于空时域深度神经网络的极光序列分类方法。一方面,通过模拟人类视觉认知过程,结合自上而下和自下而上两种视觉注意力机制提取极光图像在空域上的视觉注意力特征,并以此作为空域网络的输入,在空域上对极光序列进行分类;另一方面,使用长短时记忆网络提取极光序列的时间域信息,利用时域信息对极光序列进行分类。最后对空时域分类结果进行融合,实现对极光序列的分类。实验结果表明,该方法能充分利用极光序列的空时域信息,在分类准确率上较现有极光序列分类方法有着一定的提升。(本文来源于《西安电子科技大学》期刊2018-06-01）
张浩,陈昌红[6]（2018）在《基于深度学习的极光序列自动分类方法》一文中研究指出提出一种基于深度学习的极光序列分类方法,有效结合卷积神经网络(CNN)特征丰富的空间域信息和长短时记忆(LSTM)网络捕捉序列信息的优势,并利用极光的属性对CNN添加反馈约束调节使特征更契合极光图像。在中国北极黄河站的全天空成像仪(ASI)极光图像数据库上进行有监督的极光序列分类研究和无监督的极光事件检测,实验结果表明本文方法能有效用于极光序列的表征,为海量极光序列的自动分类提供了可能性。(本文来源于《激光与光电子学进展》期刊2018年11期）
王宇航[7]（2018）在《面向极光形态分类的数据管理与数据服务研究》一文中研究指出在日地空间物理的研究中,极光是唯一可以通过肉眼观察到的地球物理现象。合理的极光形态分类对研究各类极光现象与地球磁层动力学过程之间的关系十分重要。随着我国极区高空大气物理观测系统的不断进步和发展,我国已经实现了对极光持续且系统的观测,为极光分类研究者开展极光形态分类研究积累了海量的高质量数据。面向极光形态分类研究,提供有效的极光数据管理和高效的数据服务,对于促进我国极地科学考察具有重要的应用价值与意义。本文针对极光形态分类研究过程中的数据管理与数据服务问题进行研究,主要贡献包括:(1)对基于机器学习和基于深度学习的极光形态分类过程进行了深入分析,将极光分类过程中产生的数据划分为叁类:极光相关数据、算法相关数据和极光分类过程相关数据,并对这些数据进行了概念建模和逻辑建模。此外,为了支持极光原位分析,设计实现了基于内存数据库的快速访问原始极光数据的服务。(2)基于机器学习和深度学习生命周期管理,抽象了极光形态分类过程的步骤,建立了基于滑动窗口的重抽样算法,设计实现了基于蒙特卡洛交叉验证机制的极光形态分类过程自动迭代的数据服务。(3)为了支持极光分类研究者查询和浏览数据,设计了基于极光元数据的查询服务以及多分辨率的极光可视化浏览服务;使用感知哈希算法设计了基于内容的极光图像查询服务;设计了针对大量实验过程中产生的“训练数据-算法-模型性能”数据链的多种查询服务。(4)集成开源的大数据处理与分析框架,基于MapReduce并行计算框架实现了原始极光数据预处理的并行化;基于Spark并行计算框架实现了基于内容的极光图像查询、极光图像特征提取和基于机器学习技术的极光分类的并行化;集成深度学习框架Keras,提供深度学习模型训练和测试。(5)基于分布式PC集群的基础架构,设计实现了面向极光形态分类的数据管理与数据服务原型系统。(本文来源于《华东师范大学》期刊2018-05-10）
黄睿[8]（2018）在《基于多特征潜在狄利克雷分布的极光图像分类》一文中研究指出极光是发生在地球南北极高空的一种大规模放电现象,蕴含着丰富的物理意义,研究极光的产生机制有助于深入探讨地球磁层的变化规律和日地空间的电磁活动。随着各种观测手段的不断发展,获取到的极光图像数量大幅增加,如何根据形态对它们进行分类成为了一个重要的研究方向。早期的极光图像分类主要依靠目视判别和手动标记,计算机技术的成熟为实现快速自动化分类提供了可能。虽然学者们已经提出了一些基于计算机视觉的极光图像分类方法,例如傅立叶变换、局部Gabor特征、形态学分析、特征编码、主题模型等,然而这些方法大多只针对极光的单一特征,很难对极光图像做出全面准确的描述。为了解决传统方法中存在的特征维度过高、分类精度较低、普适性较弱等问题,本文提出了一种基于多特征潜在狄利克雷分布的极光图像分类方法,主要的研究内容和创新之处包括:(1)系统地概括了当前用于极光图像分类的主流方法,阐述了概率主题模型的基本理论、发展历程和应用现状,介绍了常用的图像特征提取方法和分类器。(2)提出基于多特征潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)模型的极光图像分类方法。选择灰度、结构、纹理等多种特征对极光图像进行描述,并在特征融合前将它们统一转化成一维直方图的表达形式,增强了模型的普适性。在LDA模型的基础上进行改进,使用相同的狄利克雷先验分布为不同特征分别生成主题空间,减小了因特征分布不同而带来的影响。在分类的过程中引入生成区分混合策略,提升了分类效果。(3)根据中国极地研究中心的分类标准,自主构建极光图像数据集,并在该数据集上开展实验。实验结果证明和传统方法相比,基于多特征LDA模型的极光图像分类方法可以取得更高的分类精度,同时保持较低的特征维度,在处理复杂的极光形态时具有更大优势。实验还表明不同的特征组合会对分类结果产生显着的影响,相关的参数敏感度分析显示该模型在主题个数变化的情况下,能够保持较好的稳定性。在对未知样本进行类别标记时,基于多特征LDA模型的极光图像分类方法仍然有效,进一步反映了模型的普遍适用性。本文探索了一种更加准确高效的极光图像分类方法,能更充分地挖掘极光图像的潜在信息,对于极地大气空间物理研究具有一定的参考价值。(本文来源于《武汉大学》期刊2018-05-01）
李娇[9]（2018）在《谱聚类算法的研究及其在极光分类中的应用》一文中研究指出聚类分析不但在机器学习领域占有着一个重要的分支的位置,而且它也在人们理解和探索事物之间的内在联系中起着非常有用的作用,同时其也是主要的方法之一。其过程有下面五个方面的内容:特征的选择、相似性度量、聚类的准则、聚类算法以及结果的验证。将聚类算法应用到数据挖掘和机器学习领域时,其应用前景也是非常的广泛的。对于聚类分析来说,相当重要的分支之一就是谱聚类算法,该算法在模式识别领域、机器学习领域和数据挖掘领域等也同样是重要的研究对象。由于当谱聚类算法在计算样本点对之间的局部相似性时和基于谱图理论挖掘样本空间之间的全局结构时,不需要利用样本空间概率分布作为前提假设,且其适用性相比较于其他聚类算法更为广泛。因此,它一直受到了学者们的广泛关注。该算法是包含两个最主要的步骤的:第一个是建立关系图,该算法建立关系图主要是利用数据样本点之间的相似性度量;第二个是正确的构建聚类算法,利用所构建的算法对图进行分割。本次论文是以谱聚类算法的以上两个最主要的步骤作为切入点,针对传统的谱聚类算法经常利用基于欧氏距离作为相似度的度量,其只能对具有局部一致性特征的聚类结构做出反映,而对具有全局一致性特征的聚类结构不能够做出反映,且当其在遇到类似于真实世界的问题时,所需要处理的大多数的数据都是具有多重尺度的特点,传统的谱聚类算法是不适合解决这些多尺度的聚类的问题的,并且在传统的算法中,学者们在最后一步骤中经常使用的是K-means算法,但是由于K-means是随机性的设置初始聚类中心,从而会生成一些很不稳定的聚类结果。因此本文研究了一种能够解决全局一致性特征问题的相似性度量方法和一种对初始聚类中心进行优化的方法。将本文所提出的算法相比较于其他的一些聚类算法,并在人工数据集以及UCI真实数据集上进行所获得的结果的对比,最终的实验结果表明,本文所提出的聚类算法在解决全局一致性特征和非凸形状的数据集上都得到了相对比较好的聚类效果。在经过上面两个数据集所获到的结果验证之后,本论文为了再一次的验证所提出的算法是否可以继续取得比较好的效果,于是又把该聚类算法用在实际的数据中。极光是一种非常美丽的发光现象,同时也是一种绚烂多彩的自然现象,它的产生是由位于高层的大气分子、原子电离或激发而生成的。极光图像的分类一直以来是一个比较复杂的过程,极光图像形态演变的研究最重要的前提之一就是极光图像的分类,其也是科学界和相关科研领域高度重视与关注的一个问题。因此,在本文中,选取了极光图片,对极光图片进行聚类,结果验证了本文所提出的聚类算法在极光图片的聚类中也是具有比较好的应用的。(本文来源于《陕西师范大学》期刊2018-05-01）
王菲[10]（2018）在《基于卷积神经网络的极光图像分类》一文中研究指出极光是粒子撞击大气时激发出的一种自然现象。对形态不一的极光图像有效分类在空间物理研究、航天探测等多方面都有应用价值。极光图像分类的发展历程从最初的人工分类到如今的计算机自动识别。在传统的自动分类机制中,极光图像形态信息通常借助人工构造的特征描述子表示。本文提出了一种将卷积神经网络(Convolutional Neural Network,CNN)运用到极光数据上的分类机制,让特征表征和分类器训练两个过程互相促进与优化,获得最优分类精度。通过对极光观测图像数据的分析对比验证了本文算法的普适性和有效性。本文的主要成果如下:(1)将卷积神经网络应用到极光图像数据上,用卷积神经网络模型Alexnet迁移学习目标样本。验证了基于CNN极光图像分类算法的有效性并通过两个数据集讨论了不同样本数量对分类正确率的影响。实验结果表明:本文基于CNN的极光图像分类模型对两个数据集的最优分类精度分别为93.2%和91.5%。(2)在上述分类机制的基础上,使用卷积神经网络Alexnet有监督训练模型,获得极光观测图像数据相应的权重参数,对2004-2009年未标注的冬季极光图像数据进行分类预测。实验中分别使用两个数据集训练模型,预测结果中四种类型的极光在全天固定时段发生率对应叁个波段的谱能量分布结果。(3)传统特征提取方式对极光图像样本特征学习有一定的局限性,基于这一问题,本文在卷积神经网络中使用了一种大裕量Softmax损失函数(Large Margin Softmax,L-Softmax)。这种方法加大了极光图像特征学习的难度,让网络充分学习到类内紧凑,类间间距大的极光图像特征。实验结果表明:相对传统特征提取方式,L-Softmax Loss对不同类别极光图像特征提取的效果明显;能够指导网络更好地识别出极光图像同类样本的相似特征;异类样本的差异性特征。(本文来源于《陕西师范大学》期刊2018-05-01）
极光分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目前,极光图像分类领域多采用传统特征来进行分类。但传统特征提取图像的某种特定特征,比如纹理特征、局部特征、全局特征等,导致或多或少丢失极光图像的某些重要分类信息,造成分类效果不够好。对此,提出一种基于多通道融合和卷积神经网络的极光图像分类方法。采用多通道融合技术将原图信息和指定有效传统特征信息加以融合形成融合图像,利用预训练卷积神经网络自动提取融合图像的有效特征信息,实现多通道特征与深度学习相结合,得到高效表征极光图像的特征。在2003年北极黄河站越冬观测的4种日侧极光图像数据库上进行实验。在8 001幅典型极光图像数据库上,与人工标记对比分类准确率高达95. 2%,高于其他同类方法。实验结果表明该方法能有效用于极光图像分类。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
极光分类论文参考文献
[1].刘彬.基于卷积神经网络的极光图像及极光序列分类研究[D].南京邮电大学.2018
[2].陈昌红,刘彬,张浩.基于多通道和卷积神经网络的极光分类[J].计算机技术与发展.2018
[3].王菲,杨秋菊.基于卷积神经网络的极光图像分类[J].极地研究.2018
[4].严月.日侧极光分类方法及物理特征研究[D].西安电子科技大学.2018
[5].褚福跃.基于深度学习的极光影像分类方法研究[D].西安电子科技大学.2018
[6].张浩,陈昌红.基于深度学习的极光序列自动分类方法[J].激光与光电子学进展.2018
[7].王宇航.面向极光形态分类的数据管理与数据服务研究[D].华东师范大学.2018
[8].黄睿.基于多特征潜在狄利克雷分布的极光图像分类[D].武汉大学.2018
[9].李娇.谱聚类算法的研究及其在极光分类中的应用[D].陕西师范大学.2018
[10].王菲.基于卷积神经网络的极光图像分类[D].陕西师范大学.2018