买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工商大学

摘要：本发明公开了一种基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统及预测方法，该系统包括有蓝藻水华的叶绿素a浓度等级设置单元200、去异常值处理单元300、补全连续采样时间序列图像单元400、Aconv－LSTM模型500和New－GANs模型600；本发明系统先将叶绿素a浓度等级匹配到每张遥感图像上达到统一数据标尺处理，然后利用线性插值填补缺失得到时间序列完整的叶绿素a浓度图像，然后将完整叶绿素a浓度图像输入到注意力卷积长短时记忆网络与改进的生成式对抗网络中，从而预测未来时间的叶绿素a浓度爆发的一种预测技术手段。

主权项：1.一种基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统，蓝藻水华是以叶绿素a浓度表征的，叶绿素a浓度遥感反演图像数据库100中至少存储有一张叶绿素a浓度遥感反演图像；其特征在于：该蓝藻水华预测系统包括有蓝藻水华的叶绿素a浓度等级设置单元200、去异常值处理单元300、补全连续采样时间序列图像单元400、Aconv－LSTM模型500和New－GANs模型600；蓝藻水华的叶绿素a浓度等级设置单元200第一方面从叶绿素a浓度遥感反演图像数据库100中获取MPIC＝{PIC1,PIC2,…,PICk,…,PICK}中每一张叶绿素a浓度遥感反演图像的叶绿素a浓度范围值；蓝藻水华的叶绿素a浓度等级设置单元200第二方面采用欧氏距离计算方法将Mδ＝{δ_1,δ_2,δ_3,δ_4,δ_5,δ_6,δ_7,δ_8,δ_9}匹配在每一张遥感反演图像上，形成叶绿素a浓度统一化的统一后遥感反演图像集MPIC统一，且MPIC统一＝{APIC1,APIC2,…,APICk,…,APICK}；PIC1表示第1个采样时间的叶绿素a浓度遥感反演图像；PIC2表示第2个采样时间的叶绿素a浓度遥感反演图像；PICk表示第k个采样时间的叶绿素a浓度遥感反演图像；PICK表示最后一个采样时间的叶绿素a浓度的遥感反演图像；APIC1表示图像PIC1经叶绿素a浓度统一化的图像；APIC2表示图像PIC2经叶绿素a浓度统一化的图像；APICk表示图像PICk经叶绿素a浓度统一化的图像；APICK表示图像PICK经叶绿素a浓度统一化的图像；叶绿素a浓度等级的标识号记为δ；制定的叶绿素a浓度等级为9级，即δ_1表示第1等级，δ_2表示第2等级，δ_3表示第3等级，δ_4表示第4等级，δ_5表示第5等级，δ_6表示第6等级，δ_7表示第7等级，δ_8表示第8等级，δ_9表示第9等级；去异常值处理单元300第一方面从MPIC统一＝{APIC1,APIC2,…,APICk,…,APICK}中提取出存在有云遮挡的图像，记为云遮挡－图像集MPIC云＝{BPIC1,BPIC2,…,BPICB}；然后，采用替换关系对MPIC云＝{BPIC1,BPIC2,…,BPICB}进行云遮挡区域块替换，得到第一类图像集MPIC权重-云＝{QBPIC1,QBPIC2,…,QBPICB}；下角标B表示存在有云遮挡－图像的总张数；BPIC1为第1张云遮挡－图像；BPIC2为第2张云遮挡－图像；BPICB为最后一张云遮挡－图像；QBPIC1为图像BPIC1经空间权重矩阵法处理后的图像；QBPIC2为图像BPIC2经空间权重矩阵法处理后的图像；QBPICB为图像BPICB经空间权重矩阵法处理后的图像；去异常值处理单元300第二方面从MPIC统一＝{APIC1,APIC2,…,APICk,…,APICK}中提取出存在有高强度水华或数据异常的图像，记为异常－图像集MPIC异常＝{CPIC1,CPIC2,…,CPICC}；然后，采用替换关系对MPIC异常＝{CPIC1,CPIC2,…,CPICC}进行异常区域块替换，得到第二类图像集MPIC权重-异常＝{QCPIC1,QCPIC2,…,QCPICC}；下角标C表示存在有高强度水华或数据异常图像的总张数；CPIC1为第1张高强度水华或数据异常图像；CPIC2为第2张高强度水华或数据异常图像；CPICC为最后一张高强度水华或数据异常图像；QCPIC1为图像CPIC1经空间权重矩阵法处理后的图像；QCPIC2为图像CPIC2经空间权重矩阵法处理后的图像；QCPICC为图像CPICC经空间权重矩阵法处理后的图像；去异常值处理单元300第三方面从MPIC统一＝{APIC1,APIC2,…,APICk,…,APICK}中提取出同时存在有云遮挡和高强度水华或数据异常的图像，记为异常组合－图像集MPIC组合＝{DPIC1,DPIC2,…,DPICk,…,DPICK}；然后，采用替换关系对MPIC组合＝{DPIC1,DPIC2,…,DPICD}进行区域块替换，得到第三类图像集MPIC权重-组合＝{QDPIC1,QDPIC2,…,QDPICD}；下角标D表示同时存在有云遮挡和高强度水华或数据异常图像的总张数；DPIC1为第1张同时存在有云遮挡和高强度水华或数据异常图像；DPIC2为第2张同时存在有云遮挡和高强度水华或数据异常图像；DPICD为最后一张同时存在有云遮挡和高强度水华或数据异常图像；QDPIC1为图像DPIC1经空间权重矩阵法处理后的图像；QDPIC2为图像DPIC2经空间权重矩阵法处理后的图像；QDPICC为图像DPICD经空间权重矩阵法处理后的图像；去异常值处理单元300第四方面，从MPIC统一＝{APIC1,APIC2,…,APICk,…,APICK}中选取出完整图像，记为完整图像集MPIC完整＝{EPIC1,EPIC2,…,EPICE}；所述完整图像是指除MPIC云、MPIC异常和MPIC组合以外的图像；下角标E表示不是异常值图像的总张数；EPIC1为第1张完整图像；EPIC2为第2张完整图像；EPICE为最后一张完整图像；去异常值处理单元300第五方面，分别将MPIC完整和MPIC权重输出给补全连续采样时间序列图像单元400和注意力卷积长短时网络模型500；补全连续采样时间序列图像单元400第一方面接收去异常值处理单元300输出的MPIC完整和MPIC权重；补全连续采样时间序列图像单元400第二方面，对MPIC完整和MPIC权重按照采样时间先后进行排序，得到排序后的图像集MPIC排序＝{APIC1,APIC2,…,APICk,…,APICK}；补全连续采样时间序列图像单元400第三方面，对所述MPIC排序＝{APIC1,APIC2,…,APICk,…,APICK}中出现空缺采样时间的图像进行线性插值法补充图像处理，得到采样时间连续的时间序列图像集MPIC插值，且MPIC插值＝{FPIC1,FPIC2,…,FPICη}；补全连续采样时间序列图像单元400第四方面，将MPIC插值输出给注意力卷积长短时网络模型500中进行模型构建；FPIC1表示第1张采样时间连续的时间序列图像；FPIC2表示第2张采样时间连续的时间序列图像；FPICγ表示第γ张采样时间连续的时间序列图像；构建注意力卷积长短时网络模型500第一方面采用基于注意力卷积长短时网络方法对MPIC完整、MPIC权重和MPIC插值进行网络构建，得到ACONV－LSTM网络模型及ACONV－LSTM数据库；第二方面输出段前图像数据DD前给U型的生成器600A作为测试数据；第三方面输出段后图像数据DD后给马尔科夫判别器600B作为测试数据；NEW—GANs模型600由一个U型的生成器600A以及一个马尔科夫判别器600B组成；U型的生成器600A由下采样网络和上采样网络组成；每一个下采样层由一个conv2d模块和一个res_net模块构成；所述conv2d模块的计算为yout＝fBNHt*ω1+ξ1；*代表卷积运算符；yout表示经过conv2d模块后的输出；f代表激活函数，为LeakyReLu函数；Ht表示当前采样时间的短期记忆输出；ω1为卷积核的第一权重；ξ1为卷积核的第一偏置数值；BNHt*ω1+ξ1代表对Ht*ω1+ξ1批标准化过程；res_net模块有第一个conv2d模块、第二个conv2d模块和一个连接层构成，在res_net模块中，第二个conv2d模块卷积核个数为第一个conv2d模块的二倍，卷积核大小分别是1×1和3×3，步长为一，使用same方式进行填充，保证在经过conv2d模块后网络出输出大小与输入大小相同，经过两个conv2d模块后将所得到的输出与res_net的输入做叠加，将最终输出传入到下一个下采样层res_net模块，res_net模块公式如下：y1＝fByout*ω2+ξ2；y2＝fBy1*ω3+ξ3；rout＝yout+y2；*代表卷积运算符；y1为第一个conv2d模块的输出；y2为第二个conv2d模块的输出；rout为res_net模块输出；yout表示经过conv2d模块后的输出；ω2为卷积核的第二权重；ω3为卷积核的第三权重；ξ2为卷积核的第二偏置数值；ξ3为卷积核的第三偏置数值；fByout*ω2+ξ2表示对yout*ω2+ξ2的激活函数；fBy1*ω3+ξ3表示对y1*ω3+ξ3的激活函数；NEW—GANs模型600中的马尔科夫判别器使用二值交叉熵函数；因此，NEW—GANs模型区别是mseloss值和二值交叉熵函数，mseloss值和优化目标为：LmseG＝Ex,y,z[||y-Gx,z||2]； G代表生成器标志；D代表判别器标志；GF表示最终输出的优化函数；LmseG表示生成器的mesloss损失值；x代表输入到生成器中的特征序列；比如Ht；y代表从ACONV－LSTM数据库中选取的样本遥感图像；z代表在U型的生成器中添加噪音，本发明使用dropout层来添加；Ex,y,z代表y-Gx,z期望值；Ex,y代表logDx,y期望值；Ex,z代表log1-Dx,Gx,z的期望值；Gx,z代表U型的生成器的输出；Dx,y代表马尔科夫判别器的输出；η为正整数，取值为100。

全文数据：

权利要求：

百度查询： 北京工商大学 基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统及预测方法