極光靜態(tài)圖像分類與動(dòng)態(tài)過(guò)程分析.pdf

1、極光是了解大氣空間物理的重要窗口,通過(guò)對(duì)極光形態(tài)及其動(dòng)態(tài)過(guò)程的研究,可以得到磁層以及日地空間電磁活動(dòng)的大量信息。隨著我國(guó)北極全天空數(shù)字成像系統(tǒng)的投入使用,每年采集存儲(chǔ)的極光圖像數(shù)以百萬(wàn),這為極光的研究提供了非常重要的數(shù)據(jù)來(lái)源。面對(duì)海量的極光圖像,如何對(duì)其進(jìn)行快速有效地處理,分析極光形態(tài)和發(fā)生機(jī)制,是當(dāng)今極光研究領(lǐng)域的一項(xiàng)重要課題,具有重要的研究意義和應(yīng)用價(jià)值。本文分別對(duì)極光的靜態(tài)圖像分類和動(dòng)態(tài)過(guò)程分析進(jìn)行了深入研究。
　　在極光靜

2、態(tài)圖像分類的研究中,涉及到高維數(shù)據(jù)的特征降維。本文提出了一種基于DLA-GPLVM(Discriminative Locality Alignment with Gaussian Process Latent Variable Model)的極光特征降維算法。使用DLA-GPLVM算法對(duì)極光的BOW(Bag of Words)特征數(shù)據(jù)庫(kù)和兩個(gè)高維小樣本的公共數(shù)據(jù)庫(kù)進(jìn)行降維實(shí)驗(yàn),結(jié)果證明,該算法非常適合處理高維小樣本數(shù)據(jù)的特征降維,然而對(duì)

3、于高維的大數(shù)據(jù)降維,不僅費(fèi)時(shí)而且降維效果不佳。
　　針對(duì)極光大數(shù)據(jù)的特點(diǎn),本文提出了一種基于生物啟發(fā)特征(Biological Inspired Features,BIFs)和流形學(xué)習(xí)的分類方法,進(jìn)一步提高了極光靜態(tài)圖像的分類準(zhǔn)確率。通過(guò)模擬人類視覺(jué)注意力機(jī)制,提取大腦皮層的視覺(jué)特征,并使用流形學(xué)習(xí)中的 DLA算法對(duì)高維 BIFs特征進(jìn)行維數(shù)約減,最后分別使用支持向量機(jī)(Support Vector Machine,SVM)和最近

4、鄰(Nearest Neihbor,NN)分類器對(duì)降維后的BIFs特征進(jìn)行分類。最終分類實(shí)驗(yàn)結(jié)果表明,該方法具有分類準(zhǔn)確率高,運(yùn)算復(fù)雜度低,魯棒性強(qiáng)等優(yōu)點(diǎn)。
　　對(duì)于形態(tài)多變、運(yùn)動(dòng)規(guī)律復(fù)雜的極光過(guò)程,僅僅考慮其靜態(tài)特征是不夠的。因此,本文從兩個(gè)方面來(lái)實(shí)現(xiàn)極光的動(dòng)態(tài)過(guò)程分析,分別是基于格子波爾茲曼(Lattice Boltzmann Method,LBM)的弧狀極光序列運(yùn)動(dòng)研究和基于重心的極向運(yùn)動(dòng)極光結(jié)構(gòu)(Poleward Movi