| Περίληψη: | Τα σύννεφα έχουν τεράστια επίδραση στο ενεργειακό ισοζύγιο της γης, το κλίμα, τον καιρό και την ακτινοβολία, αποτελώντας αναπόσπαστο κομμάτι της μετεωρολογίας. Η παρούσα διπλωματική εργασία έχει σκοπό την ταξινόμηση νεφών με την χρήση βαθιών συνελικτικών νευρωνικών δικτύων. Η μηχανική μάθηση είναι ένα πεδίο που χρησιμοποιείται πλέον ευρέως για την επίλυση προβλημάτων, χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα είναι τοπολογίες που έχουν αποδειχθεί χρήσιμες σε μια σειρά εφαρμογών, παρέχοντας αξιομνημόνευτα αποτελέσματα, ιδίως σε προβλήματα υπολογιστικής όρασης. Ένα νευρωνικό δίκτυο αποτελείται από επίπεδα, καθένα από τα οποία έχει πολλούς νευρώνες με παραμέτρους εκμάθησης που μπορούν να τροποποιηθούν για κάθε ζήτημα. Τα συνελικτικά νευρωνικά δίκτυα (ΣΝΔ) χρησιμοποιούν πολλαπλά επίπεδα συνέλιξης που είναι σχεδιασμένα έτσι ώστε να εξάγουν αποτελεσματικά πληροφορία από δεδομένα εισόδου, κυρίως σε μορφή εικόνας, και χρησιμοποιούνται ευρέως για εφαρμογές αναγνώρισης ενώ εκπαιδεύονται με επιβλεπόμενη "από-άκρου-εις-άκρον-εκμάθηση”. Σε αυτή την εργασία εκπαιδεύονται και αξιολογούνται βαθιά ΣΝΔ για την ταξινόμηση νεφών από υπερευρυγώνιες εικόνες του ουράνιου θόλου. Έτσι, μελετάται η απόδοση των μοντέλων για διάφορες τιμές του ρυθμού εκμάθησης, του μεγέθους των εικόνων και την κανονικοποίηση των εικόνων κατά τη διάρκεια της εκπαίδευσης αλλά και, το βάθος του δικτύου, με διαφορετικούς αλγορίθμους βελτιστοποίησης της απώλειας. Επίσης, αξιοποιείται η προεπεξεργασία των δεδομένων με την χρήση κυκλικής μάσκας για την αποκοπή των επιπρόσθετων πληροφοριών που εμπεριέχονται στις εικόνες που οδηγεί σε σημαντική βελτίωση των αποτελεσμάτων. Τα νευρωνικά δίκτυα εφαρμόζονται σε τρείς διαφορετικές βάσεις δεδομένων υπερευριγώνιων εικόνων με στόχο την ταξινόμηση του τύπου των νεφών που απεικονίζουν.
|
|---|
