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