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：青岛图达互联信息科技有限公司

摘要：本发明公开一种基于深度学习的海冰密集度的预测方法，涉及海冰监测技术领域，包括以下步骤：S1：构建基于深度学习的海冰密集度预测模型；S11：构建基于GAN的海冰密集度预测模型；S12：构建基于ConvLSTM的海冰密集度预测模型；S2：对基于深度学习的海冰密集度预测模型进行实验分析，确定最优模型—Huber‑ConvLSTM模型；S3：构建基于时序海冰密集度特性的改进预测模型—CBAM‑ConvLSTM模型；S31：将CBAM模块添加到ConvLSTM单元内部，增强时空特征的表达和更新，使其充分提取时空特征的同时，关注到序列中的重点细节，提升模型预测的稳定性和长效性。

主权项：1.一种基于深度学习的海冰密集度的预测方法，其特征在于，包括以下步骤：S1：构建基于深度学习的海冰密集度预测模型；S11：构建基于GAN的海冰密集度预测模型；S12：构建基于ConvLSTM的海冰密集度预测模型；S2：对基于深度学习的海冰密集度预测模型进行实验分析，确定最优模型—Huber-ConvLSTM模型；S3：构建基于时序海冰密集度特性的改进预测模型—CBAM-ConvLSTM模型；S31：将CBAM模块添加到ConvLSTM单元内部，增强时空特征的表达和更新，使其充分提取时空特征的同时，关注到序列中的重点细节，提升模型预测的稳定性和长效性；S32：针对海冰密集度的局部变化差异，设计新的损失函数组合，在Huber损失函数的基础上，引入体现海冰密集度区域变化规律的图像梯度差异损失，提升模型的整体预测精度；S4：对Huber-ConvLSTM模型及CBAM-ConvLSTM模型进行实验分析；所述S11的具体步骤为：S111：海冰密集度训练集制作；S112:模型结构与参数设置；前4天的输入样本序列为X，未来4天的真实结果为Y，生成器以X作为输入；首先进入卷积层，通过卷积运算进行图像特征提取，在卷积过程中对输入矩阵进行边缘填充，使其输出的特征图保持卷积操作之前的尺寸；通过多层卷积来逐步增大感受野，提取不同层级的变化特征；经过最后一层卷积处理后，接入Tanh激活函数层，起到激活作用的同时，对生成结果进行归一化处理，生成器图像生成过程完毕，生成的预测结果为GX；判别器将输入序列与生成器预测结果的组合X,GX和与真实结果的组合X,Y作为输入，通过卷积层进行有效特征获取，并通过连续的全连接层进行局部特征融合转换，在此过程中判别器会逐步识别出输入组合的真假类别，最终输出判别数值；S113：损失函数；在对抗损失的基础上加入L1损失，共同作用于生成器，L1损失辅助模型学习图像底层信息，对抗损失主导模型对高频信息建模，促使生成更真实的预测结果，L1损失和生成器损失函数如下所示： （1） （2）其中：X表示前4天的输入序列，Y为未来4天的真实结果； 和为对抗损失和L1损失的权重系数；所述S12的具体步骤为：S121：海冰密集度训练集制作；选取7165个样本序列作为训练集；S122：模型结构与参数设置；ConvLSTM可作为编码器-解码器架构的基本组成单元，在此基础上设计构建外部框架为编码器-预测器的预测模型，并称之为ConvLSTM模型；利用ConvLSTM模型进行海冰密集度预测时，在编码器中，输入序列首先通过一个卷积层进行特征提取和维度扩充，而后进行三次ConvLSTM层的循环操作提取时空特征，中间配合下采样层处理，对特征数据进行压缩，并将每次循环得到的隐藏状态和记忆细胞依次存储；在预测器中，首先通过三次ConvLSTM层的循环操作，中间配合上采样层处理，进行解码重构，然后经过卷积层进行格式转换，输出未来4天的预测序列；S123：损失函数；基于ConvLSTM模型结构和参数设置，分别将损失、损失和Huber损失三种函数作为ConvLSTM模型训练的损失函数，进行对照实验，以确定表现较优的损失函数； （3） （4） （5）其中：代表真实结果； 代表预测结果； 为Huber损失中的超参数；所述S31的具体步骤为：S311：时间步t的输入与上一时间步的隐藏状态分别进行卷积操作后按通道维度拼接，初步提取时空特征；S312：输出的特征再经过CBAM模块进行处理，先由通道注意力模块对输入的特征进行权重分配，得到适合空间注意力模块处理形式的特征数据，再由空间注意力模块对其进行运算处理，输出经过自适应优化的时空特征；S313：将CBAM模块输出的特征分别通过遗忘门、输入门、输出门和候选记忆细胞，保持信息的有效流通，得到时间步t的记忆细胞和隐藏状态；所述S32的具体步骤为：S321：对损失函数进行改进，引入体现海冰变化规律的图像梯度差异损失，考虑相邻像素点间的差异，加入空间梯度的计算，其数学表达式如下所示： （6）其中：代表真实结果； 代表预测结果； 为等于1的整数； 代表绝对值函数；S322：设计联合损失函数，除了比较单个像素点对的差异外，还考虑相邻像素点间的梯度变化，以此约束CBAM-ConvLSTM模型的训练和参数更新，具体数学表达式如下所示： （7）其中：代表Huber损失； 代表图像梯度差异损失； 为Huber损失的权重系数； 为图像梯度差异损失的权重系数。

全文数据：

权利要求：

百度查询： 青岛图达互联信息科技有限公司 一种基于深度学习的海冰密集度的预测方法