基于AlexNet算法的道路能见度估测方法

本文采用AlexNet神经网络算法构建一个高速公路能见度识别的框架，通过对道路摄像头图像的采集，对图像进行标注、对AlexNet算法进行训练，提取图像能见度特征，构建能见度等级识别模型，实时接入道路摄像头图像，实现能见度值的估测。通过对安徽省高速公路42个监控摄像机进行图像的采集，抽取标注有能见度值的15万余幅样本，进行能见度识别结果分析，结果显示平均识别率达到78.02%，其中有14个站点的识别率超过90%，21个站点的识别率在80%以上。基于AlexNet算法的道路能见度估测方法能够满足道路能见度实时性和识别准确率的要求，可以作为能见度仪未安装地区的能见度辅助监测方法，同时对于光照变化、远近距离等都具有良好的鲁棒性。     

基于云计算的市县一体化气象业务平台研究

基于传统IT架构的气象业务系统需要各级气象业务单位自行建设和维护,这不仅给市县级气象部门带来了人员和资金压力,也造成了数据冗余和资源共享困难等问题。针对这种情况,研究并设计了基于云计算的市县一体化气象业务平台,分析了气象数据的分布式存储与处理流程和服务支撑系统的SOA实现方案,阐述了基于云计算业务平台的市县一体化气象业务布局。研究分析表明,基于云计算的市县一体化气象业务平台能够有效整合现有IT资源,促进气象业务的集约化和专业化发展,提高气象部门的工作效率和服务质量。     

自适应混合卷积神经网络的雾图能见度识别

为充分利用高速公路沿线视频监控,实现高速公路大雾天气能见度全程监测,提出一种自适应混合卷积神经网络（Convolutional Neural Network,CNN）算法。在CNN算法输入层使用ResNet、VGG19预训练模型进行迁移学习,防止训练结果出现过拟合现象;在算法前向与反向传播过程之间构建参数自适应调整模块,根据卷积神经网络训练周期数和训练误差增强参数系数,实现权值自适应更新,有效地提高模型训练的收敛速度和能见度识别正确率。基于高速公路视频图像样本库进行实验,对算法的收敛性、时间复杂性以及识别正确率进行评价。实验结果显示,自适应混合卷积神经网络算法能够加快模型训练,模型综合识别准确率达到0.80以上。