基于非平衡與在線學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究與應(yīng)用.pdf

1、眾所周知，對(duì)氣象衛(wèi)星云圖的研究分析，是獲得天氣預(yù)報(bào)、檢測(cè)全球氣候變化的主要方法。其中，云圖的檢測(cè)分類(lèi)以及云量的計(jì)算對(duì)氣象預(yù)報(bào)有著重要的影響。因此，對(duì)于氣象衛(wèi)星云圖的檢測(cè)分類(lèi)方法一直是國(guó)內(nèi)外學(xué)者研究的重點(diǎn)。衛(wèi)星云圖檢測(cè)分類(lèi)的主要目的是提取出不同氣象衛(wèi)星云圖的主要特征，良好的特征提取對(duì)于后期云量計(jì)算的準(zhǔn)確率具有很大的影響。然而，目前國(guó)內(nèi)外的研究方法對(duì)于衛(wèi)星云圖特征的提取率相對(duì)比較低，從而導(dǎo)致了后期云量計(jì)算的結(jié)果也有很大的偏差。本篇文章在參考

2、了國(guó)內(nèi)外學(xué)者的相關(guān)研究后，提出了一種基于非平衡與在線學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法，并運(yùn)用于衛(wèi)星云圖檢測(cè)分類(lèi)中。
　　自2006年以來(lái)，機(jī)器學(xué)習(xí)領(lǐng)域，取得了突破性的進(jìn)展，特別是極限學(xué)習(xí)機(jī)的提出在很多領(lǐng)域得到了廣泛的應(yīng)用。極限學(xué)習(xí)機(jī)相比較于傳統(tǒng)的算法模型具有訓(xùn)練速度快，泛化性能好等優(yōu)點(diǎn)。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法在對(duì)衛(wèi)星云圖分類(lèi)的過(guò)程中并沒(méi)有考慮非平衡數(shù)據(jù)以及數(shù)據(jù)更新對(duì)分類(lèi)性能的影響。因此，本文采用了一種改進(jìn)后的極限學(xué)習(xí)機(jī)算法對(duì)衛(wèi)星云圖非平衡樣本進(jìn)