Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server

• Position und Größe der Strukturen lassen sich schon bei Rekonstruktion aus wenigen Moden
klar erkennen.
• Große Strukturen lassen sich bei gleichem Fehler mit weniger Moden repräsentieren als
kleine Strukturen. Dies bestätigt die Betrachtungen in Abschnitt 3.1.2.
• Die Helligkeit der Strukturen und die Schwankungsbreite des aufgeprägten Rauschens haben
einen geringen Einfluß auf den Fehler durch die Datenkompression.
Die Versuchsreihe zur Erfassung der Veränderung des Quadrats und der Verschiebung mit verschiedenen
Geschwindigkeiten wurde von [Oey 1999] begonnen und im Rahmen dieser Arbeit
fortgesetzt. Es wurden dabei Verschiebungen um bis zu 8 Pixel in beide Richtungen pro Zeitschritt
betrachtet. Die Seitenlänge der Quadrate wurde um max. 2 Pixel pro Zeitschritt verändert und die
Helligkeit in Schritten von ±20 variiert. Daraus ergaben sich im Wesentlichen folgende Schlußfolgerungen:
• Durch die Vorhersage mit neuronalen Netzen läßt sich eine deutliche Verbesserung gegenüber
der Persistenz erreichen.
• Zur Unterscheidung verschiedener Geschwindigkeiten und Änderungen in der Größe des
Quadrats ist es notwendig, eine versteckte Schicht zu verwenden.
• Während der Vorhersagefehler auf der Trainingsmenge mit der Anzahl der benutzten Moden
kleiner wird, gibt es für die Testmenge (andere Startpunkte der Bewegungsfolge, andere Geschwindigkeiten)
eine optimale Anzahl von Moden im Bereich von 30 bis 40. Die Information
aus höheren Moden kann nicht von der Trainingsmenge auf die Testmenge übertragen
werden.
3.4.2 Verschiebung eines Bewölkungsbildes
Für die nächste Testreihe wurde anstelle der einfachen geometrischen Struktur ein 60x40 Pixel
großer Bildausschnitt aus einem Cloud-Index Bild mit klar erkennbarer Wolkenstruktur gewählt.
Eine Bewegung der Wolkenstruktur wurde durch Auswahl von zueinander verschobenen Bildausschnitten
realisiert (siehe Abb. 3.6) Eine genügend große Beispielmenge für das Training des
neuronalen Netzes ergibt sich, wenn Bildfolgen aus Ausschnitten mit leicht variierender Position
und verschiedenen Geschwindigkeiten zusammengestellt werden.
Bezüglich der Hauptkomponenten-Transformation sind die Resultate für Bewölkungsbilder in Abschnitt
3.6 ausgeführt. Die Vorhersageergebnisse entsprechen den Versuchen mit der einfachen
Struktur. Auch wenn die einfache geometrische Struktur durch eine reale Wolkenstruktur ersetzt
wird, ist es möglich, verschiedene Geschwindigkeiten mit einem dreischichtigen Netz zu unterscheiden.
Als Zusammenfassung der Untersuchung der Vorhersagemethode an einfachen Beispielen
ergibt sich in Bezug auf die Datenkompression durch Hauptkomponenten-Transformation, daß
die wesentlichen Informationen in den komprimierten Bildern enthalten sind und verschiedene
30