Ground-based cloud recognition play

Ground-based cloud recognition plays an essential
role for automatic cloud observation. In particular, the
recognition of clouds is remarkably challenging because that
the shape, size, and composition of cloud is extremely variable
under different atmospheric conditions. A new method is
proposed to extract texturral feature using Bidimensional
Empirical Mode Decomposition(BEMD) and Tamura textural
analysis.. Cloud was decomposed into several IMFs by BEMD.
Radial basis function polynomial interpolation was applied to
construct the envelope. Then the number of zero-crossing,
means and standard deviation of the amplitude in each IMFs
were selected as the eigenvector for training processing. And
Tamura textural feature analysis was used to extract the
feature of directionality. Characteristics of the sample
database cloud was established by synthesizing the two
normalized eigenvector. The same method was applied to the
images to be identified, then the images were categorized
compared with the eigenvector of sample database by the
average sample method. The simulated experiments show that
the ground-based cloud can be recognized effectively by new
method.

ผลลัพธ์ (ไทย) 1:

ภาคพื้นเมฆรู้เล่นจำเป็นบทบาทในการสังเกตเมฆอัตโนมัติ โดยเฉพาะ การการรับรู้ของเมฆเป็นอย่างยิ่งความท้าทายเนื่องจากที่รูปร่าง ขนาด และองค์ประกอบของเมฆเป็นตัวแปรมากภายใต้สภาพอากาศต่าง ๆ เป็นวิธีการใหม่เสนอแยกคุณลักษณะ texturral ใช้ BidimensionalDecomposition(BEMD) โหมดและ Tamura textural ประจักษ์วิเคราะห์... เมฆถูกย่อยสลายไปในหลาย IMFs โดย BEMDแทรกแทรงพหุนามฟังก์ชันฐานรัศมีที่ถูกประยุกต์ใช้สร้างซองจดหมาย แล้วของศูนย์ข้ามวิธีการและส่วนเบี่ยงเบนมาตรฐานของคลื่นในแต่ละ IMFsถูกเลือกเป็น eigenvector สำหรับการประมวลผลการฝึกอบรม และวิเคราะห์คุณลักษณะ textural Tamura ถูกใช้เพื่อแยกการคุณลักษณะของทิศ ลักษณะของตัวอย่างฐานเมฆก่อตั้งขึ้น โดยสังเคราะห์ทั้งสองeigenvector มาตรฐาน ใช้วิธีเดียวกันกับภาพที่จะระบุ แล้วมีแบ่งภาพเมื่อเทียบกับ eigenvector ของฐานข้อมูลตัวอย่างโดยการตัวอย่างค่าเฉลี่ยวิธีการ ทดลองจำลองแสดงว่าเมฆภาคพื้นสามารถรับรู้ได้อย่างมีประสิทธิภาพโดยใหม่วิธีการ

ผลลัพธ์ (ไทย) 2:

ได้รับการยอมรับเมฆภาคพื้นดินเล่นที่สำคัญ
บทบาทสำหรับการสังเกตเมฆอัตโนมัติ โดยเฉพาะอย่างยิ่ง
การรับรู้ของเมฆเป็นสิ่งที่ท้าทายอย่างน่าทึ่งเพราะเห็นว่า
รูปร่างขนาดและองค์ประกอบของระบบคลาวด์เป็นอย่างมากตัวแปร
ภายใต้สภาพบรรยากาศที่แตกต่างกัน วิธีการใหม่ที่มีการ
เสนอให้แยกคุณลักษณะ texturral ใช้ Bidimensional
เชิงประจักษ์โหมดการสลายตัว (BEMD) และเนื้อสัมผัสทามูระ
วิเคราะห์ .. เมฆถูกย่อยสลายเป็น IMFs หลาย BEMD.
Radial ฟังก์ชั่นพื้นฐานการแก้ไขพหุนามที่ถูกนำไปใช้กับ
การสร้างซองจดหมาย แล้วจำนวนของศูนย์ข้าม
หมายถึงและส่วนเบี่ยงเบนมาตรฐานของความกว้างในแต่ละ IMFs
ได้รับเลือกเป็นวิคเตอร์สำหรับการประมวลผลการฝึกอบรม และ
การวิเคราะห์คุณลักษณะเนื้อสัมผัสทามูระถูกใช้ในการดึง
คุณสมบัติของทิศทาง ลักษณะของตัวอย่าง
เมฆฐานข้อมูลก่อตั้งขึ้นโดยการสังเคราะห์สอง
วิคเตอร์ปกติ วิธีการเดียวกันถูกนำไปใช้กับ
ภาพที่จะระบุแล้วภาพแบ่ง
เทียบกับวิคเตอร์ของฐานข้อมูลตัวอย่างโดย
วิธีตัวอย่างเฉลี่ย การทดลองจำลองแสดงให้เห็นว่า
เมฆภาคพื้นดินสามารถรับรู้ได้อย่างมีประสิทธิภาพโดยใหม่
วิธี

ผลลัพธ์ (ไทย) 3:

ตามพื้นดินยอมรับเมฆมีบทบาทสำคัญ
เพื่อสำรวจเมฆ อัตโนมัติ โดยเฉพาะอย่างยิ่ง การรับรู้ของเมฆคือความท้าทายพิเศษ

เพราะที่รูปร่าง ขนาด และองค์ประกอบของเมฆมีตัวแปรมาก
ภายใต้สภาวะอากาศที่แตกต่างกัน วิธีใหม่ คือ เสนอให้คุณลักษณะการใช้สารสกัดจาก texturral

bidimensionalโหมดการสลายตัวเชิงประจักษ์ ( bemd ) และการวิเคราะห์เนื้อ
ทามูระ . . . . . . . เมฆถูกย่อยสลายไปหลาย imfs โดย bemd .
ฟังก์ชันเรเดียลเบซิสพหุนามการประยุกต์ใช้
สร้างซองจดหมาย แล้วหมายเลขของศูนย์ข้าม
ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของค่าในแต่ละ imfs
ได้รับเลือกเป็นเวกเตอร์ลักษณะเฉพาะสำหรับการประมวลผลการฝึกอบรม และ
การวิเคราะห์ลักษณะเนื้อสำหรับใช้แยก
คุณลักษณะของทิศทาง ลักษณะของตัวอย่าง
ฐานข้อมูลเมฆก่อตั้งขึ้นโดยสังเคราะห์ 2
20 เวกเตอร์ลักษณะเฉพาะ . วิธีเดียวกันคือใช้กับ
ภาพระบุ จากนั้นภาพที่แบ่ง
เมื่อเทียบกับเวกเตอร์ลักษณะเฉพาะของฐานข้อมูลตัวอย่างโดยวิธีตัวอย่าง
เฉลี่ยจำลองการทดลองแสดงให้เห็นว่า
เมฆภาคพื้นดินสามารถรับรู้ได้อย่างมีประสิทธิภาพ โดยวิธีใหม่