文献类型：期刊文章

作　　者：胡凯[1] 严昊[2] 夏旻[1] 徐同[3] 胡伟[1] 徐春燕[1]

HU Kai;YAN Hao;XIA Min;XU Tong;HU Wei;XU Chunyan(B DAT & C MEIC & CICAEET,School of Information and Control,Nanjing University of Information Science & Technology,Nanjing 210044,China;The Army Nanjing Military Representative Bureau,Nanjing 210000,China;Shanghai Typhoon Institute of China Meteorological Administration,Shanghai 200030,China)

机构地区：[1]南京信息工程大学信息与控制学院江苏省气象能源利用与控制工程技术研究中心,江苏南京210044 [2]陆军南京军事代表局,江苏南京210024 [3]中国气象局上海台风研究所,上海200030

出　　处：《大气科学学报》

基　　金：国家自然科学基金资助项目(61503192);江苏省自然科学基金资助项目(BK20161533;BK20131002);江苏省六大人才高峰(2014-XXRJ-007);大学生实践创新训练计划项目(201610300088)

年　　份：2017

卷　　号：40

期　　号：6

起止页码：856-863

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD_E2017_2018、核心刊

摘　　要：针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。

关 键 词：云分类 迁移学习  极限学习机

分 类 号：P409[大气科学类]