1.一种地基云图识别方法，其特征是，包括：

采集待识别地基云图；

对待识别地基云图进行预处理；

将预处理后的地基云图作为预先训练的地基云图识别模型的输入，进行云图识别；

将地基云图识别模型输出的云图类别结果作为待识别地基云图的云图类别；

所述对待识别地基云图进行预处理包括：

利用非线性插值方法将待识别地基云图的大小调整到预设像素大小；所述预设像素大小与地基云图识别模型训练样本的图像像素相同；

其中，所述地基云图识别模型的训练方法包括：

建立包括多种云类别的地基云图样本库；

搭建卷积神经网络AlexNet；所述卷积神经网络AlexNet包括5个卷积层和3个全连接层，最后一个全连接层对应地基云图样本库中的云类别数量设有相同数量的输出节点；

利用ImageNet图像样本库对AlexNet网络进行预训练，得到预训练的地基云图识别模型；

从地基云图样本库中选择训练集样本，对预训练的地基云图识别模型进行倒推分层微调，保存倒推分层微调过程中对应不同微调阶段的多个优化后地基云图识别模型；

从地基云图样本库中选择验证集样本，对所述多个优化后地基云图识别模型进行准确率验证，将其中准确率最高的作为最终地基云图识别模型；

其中，所述建立云图样本库包括：

对应多种云类别分别获取多个地基云图图像；

对获取到的地基云图图像进行归一化处理，得到像素大小一致的地基云图图像；

利用水平翻转、调整亮度和/或随机裁剪方法，对归一化处理后的地基云图图像进行处理，将处理后的图像作为新的地基云图图像样本，使得云图样本库的样本数量增加至原数量的N倍；

所述对预训练的地基云图识别模型进行倒推分层微调为：从最后一层开始选择为当前训练层进行第一轮微调训练，后续每轮依次向前递加一层作为当前训练层进行微调训练；

每一轮微调训练冻结当前训练层之外的其它所有层的网络参数；对于当前训练层进行训练的参数设置包括：epoch数量，epoch中批处理的大小，最大迭代步数；微调训练过程采用Adam优化器，通过小批量梯度下降法L2正则化反向传播更新网络权值参数；对于网络中的前两个全连接层采用随机失活进行正则化；

每轮微调训练中，批处理大小为32，最大迭代步数为2000步，训练在180个epoch处停止；使用Adam优化器进行随机优化时，当前训练层的学习率为0.0001，学习率衰减为0.99，冻结层的学习率为0；L2正则化系数设置为0.001，随机失活比例设置为0.5；

每轮对当前训练层进行微调训练过程中，将网络收敛时的地基云图识别模型作为相应微调阶段的优化后地基云图识别模型；

每轮对当前训练层进行微调训练的过程中，每迭代5步保存一次网络参数。

2.根据权利要求1所述的方法，其特征是，所述地基云图识别模型的训练方法还包括：将地基云图样本库中的地基云图样本划分为训练集、验证集和测试集，训练集、验证集、测试集的样本数量比值为8:1:1。

3.根据权利要求1所述的方法，其特征是，云图样本库中包括10种云类别的云图像样本，卷积神经网络AlexNet的最后一个全连接层包括10个输出节点。