《表3 网络结构参数：G-CNN模型在浓雾天气形势识别中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《G-CNN模型在浓雾天气形势识别中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如图5所示，Gabor滤波后经连续多次下采样，得到28×28输出图像作为CNN输入层，对输入层利用6个5×5的卷积核进行滤波后，得到特征映射层C1，它由6个大小为24×24特征图组成，对C1层，再利用2×2的最大值下采样后得到下采样后的S1层，它由6个12×12的特征图组成；在S1层上，继续应用32个5×5的卷积核对其进行卷积，得到输出的特征图C3，它是16个大小为8×8的特征图组成的卷积层。下采样层S4是由16个4×4特征图组成。最后，将下采样层S4拉平成1×256一维向量记作C5，作为全连接层的第一层；C5连接到由84个神经元构成的隐层h1，隐层h1通过线性关系连接输出层output，这里output层由12个取值为0或1的节点构成，这就是待预估的天气形势图的分类标签。所提出的CNN参数如表3，图6所示是输入图像通过每个卷积层后得到的卷积结果。