Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Originalbild 90 Moden 20 Moden<br />
Abbildung 3.3: Beispiel eines Hauptkomponenten-transformierten Cloud-Index Bildauschnitts<br />
vom 1.6.1997, 14:00 Uhr, von links nach rechts: Originalbild, aus 90 Moden rekonstruiertes Bild,<br />
aus 20 Moden rekonstruiertes Bild.<br />
3.2.3 Klassifizierung der Cloud-Index Bilder<br />
Eine durch Hauptkomponenten-Analyse festgelegte Basis ist für eine bestimmte Menge von Bildern<br />
optimal. Je ähnlicher sich diese Bilder sind, desto weniger Moden reichen aus, um die Bilder<br />
bei gleichem mittleren Fehler zu beschreiben. Das legt nahe, die Bewölkungsbilder in verschiedene<br />
Klassen einzuteilen, innerhalb derer sich die Bilder weniger unterscheiden, und für jede Klasse<br />
eine eigene Basis zu suchen. Die Klassen müssen dabei so allgemein bleiben, daß sich auch die<br />
bei der Vorhersage auftretenden neuen Strukturen einordnen lassen.<br />
Auch für die Beschreibung der Bewölkungsentwicklung mit neuronalen Netzen kann es vorteilhaft<br />
sein, wenn ähnliche Ausgangssituationen zusammen gefaßt werden. Voraussetzung dabei ist<br />
es, daß in jeder Klasse genügend Trainings-Beispiele zur Verfügung stehen, so daß das neuronale<br />
Netz nicht an spezielle Situationen überangepaßt wird. Es ergaben sich gute Ergebnisse für die Unterteilung<br />
in vier Klassen (siehe Abschnitt 3.6). Für jede Klasse wurde eine eigene Basis ermittelt<br />
und ein eigenes Netz trainiert. Die Kriterien für die Klassifikation sind in Abschnitt 3.6 dargestellt.<br />
3.2.4 Vorhersagealgorithmus unter Verwendung von neuronalen Netzen<br />
und Hauptkomponenten-Transformation<br />
Der Algorithmus zur Vorhersage von Cloud-Index Bildern setzt sich aus verschiedenen, aufeinander<br />
folgenden Teilen zusammen. Ein Überblick, wie die Vorhersagefunktion berechnet und der<br />
Vorhersagealgorithmus auf die Bewölkungsbilder angewendet wird, ist in Abbildung 3.4 gegeben.<br />
Im oberen Teil der Graphik ist dargestellt, wie die verschiedenen Verfahrensschritte aneinandergefügt<br />
werden, um zunächst die Vorhersagefunktion zu bestimmen. Dabei wird davon ausgegangen,<br />
daß die Parameter bezüglich der Klassifizierung und der Netzarchitektur bereits festgelegt<br />
sind. Im ersten Schritt wird die zugrunde liegende Menge von Bildausschnitten nach Bewölkungssituation<br />
in vier Klassen unterteilt. Für jede der Klassen wird mit Hauptkomponenten-Analyse<br />
25