目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1 研究背景 1
2 国内外研究现状 2
3 存在的问题 3
4 本文主要研究内容 4
第二章 材料与方法 5
1 试验材料 5
2 能见度等级分类 6
3 能见度检测模型构建 6
3.1 EfficientNet迁移 8
3.2 SoftMax回归模型训练 10
3.3集成学习 12
3.4基于权重空间的集成方法 14
第三章 结果与讨论 15
1实验数据 15
2评价指标 16
3实验分析 16
3.1收敛性分析 16
3.2模型复杂度分析 17
3.3准确率分析 18
第四章 结论与展望 20
1全文总结 20
2研究展望 20
参考文献 21
致 谢 23
基于EfficientNet和随机加权平均集成学习法的大气能见度分级方法
摘 要
由于大气污染形成的团雾，在雾天行驶存在隐患，为实现高速公路团雾能见度实时监测，从而提出一种基于深度神经网络EfficientNet与随机加权平均的集成学习方法的大气能见度等级检测。本文先迁移已有的深度神经网络，提取图像的特征，通过特征集训练SotfMax回归模型进行分类，并根据随机加权分均的方法，调整权值，然后进行集成，得到能见度检测模型。基于采集到的高速道路图像样本库，进行实验，然后对于模型复杂程度、以及识别正确率进行综合评价，并与多种传统神经网络等传统方法作对比评价，实验结果显示，本文方法能加快模型训练、综合识别准确率达到91.79%，基本满足高速公路实时监测需求。未来，本文方法可以广泛地用于交通团雾勘测、小型气象运动预测等等方面，可以为规避极端天气对人类生活活动产生的影响发挥作用。

原文链接：http://www.jxszl.com/dzxx/dzdq/609009.html