《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》
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。
图表编号 | XD0035463200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.15 |
作者 | 陈文兵、刘小明、王宏斌、陈允杰 |
绘制单位 | 南京信息工程大学数学与统计学院、中国气象局交通气象重点实验室、江苏省气象科学研究所、南京信息工程大学数学与统计学院、中国气象局交通气象重点实验室、江苏省气象科学研究所、南京信息工程大学数学与统计学院 |
更多格式 | 高清、无水印(增值服务) |