極光靜態(tài)圖像分類與動態(tài)過程分析.pdf

1、極光是了解大氣空間物理的重要窗口,通過對極光形態(tài)及其動態(tài)過程的研究,可以得到磁層以及日地空間電磁活動的大量信息。隨著我國北極全天空數(shù)字成像系統(tǒng)的投入使用,每年采集存儲的極光圖像數(shù)以百萬,這為極光的研究提供了非常重要的數(shù)據(jù)來源。面對海量的極光圖像,如何對其進行快速有效地處理,分析極光形態(tài)和發(fā)生機制,是當今極光研究領域的一項重要課題,具有重要的研究意義和應用價值。本文分別對極光的靜態(tài)圖像分類和動態(tài)過程分析進行了深入研究。
　　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算法對極光的BOW(Bag of Words)特征數(shù)據(jù)庫和兩個高維小樣本的公共數(shù)據(jù)庫進行降維實驗,結果證明,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

3、于高維的大數(shù)據(jù)降維,不僅費時而且降維效果不佳。
　　針對極光大數(shù)據(jù)的特點,本文提出了一種基于生物啟發(fā)特征(Biological Inspired Features,BIFs)和流形學習的分類方法,進一步提高了極光靜態(tài)圖像的分類準確率。通過模擬人類視覺注意力機制,提取大腦皮層的視覺特征,并使用流形學習中的 DLA算法對高維 BIFs特征進行維數(shù)約減,最后分別使用支持向量機(Support Vector Machine,SVM)和最近

4、鄰(Nearest Neihbor,NN)分類器對降維后的BIFs特征進行分類。最終分類實驗結果表明,該方法具有分類準確率高,運算復雜度低,魯棒性強等優(yōu)點。
　　對于形態(tài)多變、運動規(guī)律復雜的極光過程,僅僅考慮其靜態(tài)特征是不夠的。因此,本文從兩個方面來實現(xiàn)極光的動態(tài)過程分析,分別是基于格子波爾茲曼(Lattice Boltzmann Method,LBM)的弧狀極光序列運動研究和基于重心的極向運動極光結構(Poleward Movi