CN110889198A - 一种基于多因素联合学习的航位概率分布预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于多因素联合学习的航位概率分布预测方法及系统，所述方法包括：将待预测海域进行网格化表示，将海图区域映射到网格中；建立待预测海域的硬边界特征图、软边界特征图及航行状态特征图；将上述三类特征图输入预先建立的预测网络模型，输出海上目标在待预测海域的航位概率分布预测图。本发明的方法可以将影响航行的各类因素都作为输入特征兼容到模型中，采用特征图堆叠的方式实现因素特征表达，对因素扩展兼容性更强；采用卷积神经网络构建预测模型，提取特征图的深层特征信息，进行航位概率分布图预测；此外，本发明的方法将概率图预测结果与硬边界特征图相乘，确保预测位置在目标可航行区域之内，保证预测结果的合理性。

Description

一种基于多因素联合学习的航位概率分布预测方法及系统

技术领域

本发明涉及航位预测技术领域，具体涉及一种基于多因素联合学习的航位概率分布预测方法及系统。

背景技术

海上移动目标的优化搜索在海洋搜索营救、海岸缉私等方面有极大的应用需求和发展前景。移动目标位置预测是实现目标优化搜索的重要技术途径，通过目标位置预测降低目标位置的不确定性，提高目标的搜索效率。

很多学者在航迹预测方面开展了大量研究。慈元卓等针对运动规律未知的移动目标搜索问题，在采用贝叶斯规则对目标概率分布更新的基础上，提出一种基于高斯分布的目标转移概率密度函数，进行目标的分布概率预测。航位推测法在已知目标运动速度和航向的情况下，考虑速度和航向误差，建立了目标下一时刻的扇环形区域。徐一帆等分析海洋移动目标的运动特性，针对观测数据的采样时间间隔不一致的问题，提出了预测前插值的灰色预测方法，改进了航迹变更预测和潜在区域预测模型。李新其等针对目标在特定时间段运动的规律性，用插值外推法、灰色模型与自回归时序AR组合建模方法构建目标运动预测模型。洪俊等将灰色系统理论与目标运动特点相结合，预测在未来较长时期内的位置范围。Ashraf Elnagar等根据前面已知时刻目标的位置和运动方向信息，采用自回归模型(ARM)进行预测。徐婷婷等提出以预测船位差实现航迹预测的思想，并设计基于三层BP神经网络的航迹预测模型。

以上方法大多基于前几个时刻的航行位置数据，采用非线性拟合的方法实现未来时刻的预测，并未考虑影响船只航行的其他影响因素。如海图地理数据、气象水文、航行运动学约束等。此外，从应用场景上，以上方法针对特定领域展开研究，并做了部分假设，对特定问题具有适用性。

目前深度学习方法在以计算机视觉为代表的领域取得了巨大的成功和广泛的应用，显示了强大的特征学习能力，许多专家开始尝试利用深度学习解决本领域的一些问题。但是在很多非视觉领域的实际问题中，尚有较大的研究空间。将深度学习方法强大的特征表达和数据预测能力与具体问题结合，解决实际问题，具有重要价值。航迹预测可视作一个规律学习及泛化的问题，应用深度学习技术具备可行性。

发明内容

本发明的目的在于克服目前航位预测方法存在的考虑因素不足、应用场景受限的问题，综合考虑多类影响因素对航行的作用，通过空间特征图的方法进行特征描述，并开展联合预测，最终实现目标的航位概率分布图预测。

为实现上述目的，本发明提出一种基于多因素联合学习的航位概率分布预测方法，所述方法包括：

将待预测的海图区域进行网格化表示，将海图区域映射到网格中；

建立待预测的海图区域的硬边界特征图、软边界特征图及航行状态特征图；

将上述三类特征图输入预先建立的预测网络模型，输出海上目标在待预测海域的航位概率分布预测图。

作为上述方法的一种改进，所述预测网络模型包括：依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第一压平层、第一全连接层、第二全连接层、第二压平层、softmax激活函数和尺寸变换层；各卷积层用于局部关联特征的提取，各池化层用于实现特征降维，各卷积层和全连接层采用线性整流函数作为激活函数；第一压平层和第二压平层均用于将特征图进行一维化表示；softmax激活函数用于将结果转化为概率分布；尺寸变换层用于将一维特征转化为二维特征图；

所述预测网络模型的第一卷积层的输入包括：包括硬边界特征图、软边界特征图和航行状态特征图；所述硬边界特征图还输入第二压平层；所述尺寸变换层的输出为概率分布预测图。

作为上述方法的一种改进，所述方法还包括：对预测网络模型进行训练的步骤，具体包括：

获取训练数据，所述训练数据是基于观测设备获取的以经纬度表示的目标位置数据，根据观测设备的定位精度，将经纬度信息转化为概率分布，作为概率分布标签值；

将训练数据的海图区域进行网格化表示，将海图区域映射到网格中；

建立训练数据的海图区域的硬边界特征图、软边界特征图及航行状态特征图；作为预测网络模型的输入；

基于交叉熵计算预测的概率分布和真实位置的概率分布之间的距离，作为预测网络模型训练的损失函数；训练目标为使损失函数最小；

反复迭代，当满足迭代终止条件时，所述预测网络模型训练结束。

作为上述方法的一种改进，所述硬边界约束由运动学约束和地理约束确定；所述运动学约束为在特定时间内存在的运动边界，即最大活动范围；所述地理约束为目标只能在海上航行，不能上岸，且海上存在岛屿、暗礁等不可航行区域；所述硬边界特征图的尺寸为目标的潜在航行区域；在硬边界特征图中，将可航行位置的数值设置为1，其他区域设置为0。

作为上述方法的一种改进，所述目标的潜在航行区域由预测时间内的最大速率变化及最大偏向角决定；当预测时间间隔较长且先验信息不足时，将潜在航行区域设置为以当前位置为圆心，最大航距为半径的圆形，其中最大航距等于最大航速乘以预测时长。

作为上述方法的一种改进，所述软边界约束由海图及气象因素确定；

海图具有地物地标、水深和洋流属性，将不同的属性进行量化表示，标注在软边界特征图上；

气象包括可见度、风力、风向和降雨属性，将这些属性进行量化表示，映射到软边界特征图中；

作为上述方法的一种改进，所述航行状态特征图的生成步骤包括：

提取目标前若干时刻的航行位置信息；

根据目标前若干时刻的航行位置信息提取特征图，按时序堆叠，得到航行状态特征图。

作为上述方法的一种改进，所述网格化为等面积网格化。

本发明还提供了一种基于多因素联合学习的航位概率分布预测系统，所述系统包括：

预测网络模型；

网格化模块，用于将待预测的海图区域进行网格化表示，将海图区域映射到网格中；

特征图建立模块，用于建立待预测的海图区域的硬边界特征图、软边界特征图及航行状态特征图；

航位概率分布预测模块，用于将上述三类特征图输入所述预测网络模型，输出海上目标在待预测海域的航位概率分布预测图。

作为上述系统的一种改进，所述预测网络模型包括：依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第一压平层、第一全连接层、第二全连接层、第二压平层、softmax激活函数和尺寸变换层；各卷积层用于局部关联特征的提取，各池化层用于实现特征降维，各卷积层和全连接层采用线性整流函数作为激活函数；第一压平层和第二压平层均用于将特征图进行一维化表示；softmax激活函数用于将结果转化为概率分布；尺寸变换层用于将一维特征转化为二维特征图；

所述预测网络模型的第一卷积层的输入包括：包括硬边界特征图、软边界特征图和航行状态特征图；所述硬边界特征图还输入第二压平层；所述尺寸变换层的输出为概率分布预测图。

本发明的优势在于：

1、本发明的方法将手工设计特征和自动学习特征结合；

影响航行的多类要素具有多源异构的特点，有效的对特征进行数字化表达是关键，这里结合人类知识对各项跨域约束进行特征提取和数学描述；同时将跨域因素之间的未知且难以建模的耦合关系，交给计算能力强大的神经网络自主学习，提高预测精度。

2、本发明的模型框架有良好的扩展性；

影响航行的各类因素都可以作为输入因素方便的兼容到模型中，采用特征图的方式实现因素的有效特征表达，通过特征图堆叠实现多源特征的融合，对因素扩展兼容性更强。

3、本发明的方法对预测结果进行了边界约束；

将预测结果的概率图与硬边界特征图相乘，确保预测位置在满足地理条件、船舶航行区域范围之内，保证预测结果的合理性。

4、本发明的方法与应用场景结合更紧密。

本发明的研究面向卫星观测任务，成像卫星观测具有区域覆盖观测的特点，即观测范围是一个区域面，而不是一个空间点，采用区域预测的方式更好的适应应用模式；根据卫星的观测能力，选取概率之和最大的区域作为观测区域，进行卫星任务规划，能够充分保障卫星的使用效能，提高目标的搜索效率。

附图说明

图1为应用场景示意图；

图2为本发明的航位预测思路示意图；

图3为本发明的基于多因素联合学习的航位概率分布预测方法的示意图；

图4为航位概率分布预测网络模型结构图；

图5为真实位置的概率分布标签值；

图6为基于航位概率分布图的观测任务规划应用模式示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细的说明。

卫星进行目标搜索时，基于目标位置概率分布的预测结果，结合卫星的观测能力，选取观测概率之和最大的区域作为卫星观测区域，充分保障卫星观测效能。应用场景示意图如图1所示。

本发明首先提出了一种基于特征图描述的空间结构特征表达方法，实现了对运动学约束、地理约束、气象、航行状态等多源要素的数字化建模；提出了一种可兼容多影响因素的预测模型框架，预测模型充分考虑因素特点，将众多影响因素分为硬边界约束和软边界约束，并结合航迹数据作为模型输入，基于卷积神经网络模型，提取深层次特征，挖掘航行规律，实现航位预测；还提出一种基于航位概率分布图的卫星优化搜索策略，根据卫星的观测能力，选取概率之和最大的区域作为观测区域，进行卫星任务规划，提高目标的搜索效率。

海上目标航行位置受航行运动学约束、海图地理约束、气象水文等众多因素的影响，为了准确预测，要全面考虑各类复杂要素的影响，同时从历史数据中学习航行规律，联合建立航位预测模型。预测思路示意图如图2所示。为了更好的与卫星的应用模式结合，并更好的描述空间结构类特征，本发明采用概率分布图的方式对航位进行预测，基于航位概率分布图预测结果，选取概率分布之和最大的区域作为卫星的观测区域。综上，本发明面向卫星优化搜索问题，提出基于航位概率分布图的海上目标航位预测技术。

考虑地形、海图、气象等环境因素及目标的潜在航行区域均具有空间性，考虑通过图的方式描述其特征。将以上因素分为硬边界约束和软边界约束，其中硬边界约束是判断是否具备航行条件的严格边界，软边界约束是指对目标航行产生一定影响，但是仍存在航行可能的约束条件。可见，地理约束及运动学约束构成了目标航行的硬边界约束，其他因素为软边界约束。

如图3所示，预测框架综合考虑了复杂多类要素，划分为硬边界约束条件、软边界约束条件、航行状态三类，作为预测模型的输入。其中地理约束及运动学约束限定了航行的硬边界，气象水文、海图属性等因素限定了航行的软边界。将不同维度的特征图叠加在一起，构成了航行状态特征图。预测框架的核心是基于卷积神经网络的自主学习模型，提取特征图的深层特征信息，挖掘航行规律，实现预测结果。

本申请从应用上的发明目的：基于目标的位置概率分布预测结果辅助卫星对海观测任务的合理规划，为目标搜索提供引导信息，降低目标位置的不确定性和卫星搜索的盲目性，提高卫星的应用效能，尤其实现对海上非合作目标的有效观测。

根据技术方案，构建航位概率分布预测模型。下面对模型的构建过程及实验过程进行详细说明。首先为了进行空间特征的数字化表达及空间概率分布的描述，分析了空间地理图的网格化剖分方法，并对本发明采用的方法进行了说明；然后对多源影响因素进行特征图的描述方式进行说明；接下来论述了神经网络模型的结构设计及训练方式；然后对基于目标位置概率分布的卫星观测任务规划的应用模式进行了简要说明；最后进行了仿真试验，对仿真条件和数据处理方式进行了说明，并给出了实验结果。

1.区域网格化方法

计算航位的概率分布需要先将海图区域进行网格化表示，通过网格化表示将海上区域映射到网格中，从而各项因素属性都可以用网格上的数值进行特征表示。

网格表示通常有两种表示方法：(1)经纬网格剖分：缺点在于经纬网格的面积不同，高纬度和低纬度的网格面积差异较大，然而船舶固定时间内的最大航行距离并不随经纬度变换，则对应的网格数量不同，不利于挖掘固有的航行规律；(2)等面积剖分：缺点在于随着纬度变化，网格的坐标难以对应，当采用坐标进行网格提取时，会导致截取区域形变，剖分面积越大，受地球曲面影响，形变越大。

可见，如果对全球区域进行网格剖分，无论是经纬网格剖分还是等面积剖分，都存在一定的局限性。考虑本问题的特点，并不需要全球网格剖分的方式，一定时间内船舶航行的范围是有限的，采用局部剖分的方式即可满足应用。本发明采用局部区域等面积剖分的方式，以船舶当前位置为中点，以固定时间间隔内最远航行范围为半径，确定航行区域。认为在这局域内，地球近似平面，采用四边形进行等面积剖分。

2.影响因素特征图表达

影响海上目标航行的因素众多，重点考虑地理地形、海图、气象、运动学等因素，结合航行状态进行航位预测。对这些因素进行数字化特征建模是预测的基础，考虑这些因素均具有空间结构，这里以海洋区域为背景，采用特征图的方式对各种因素建模。本发明将这些输入因素分为硬边界约束、软边界约束及航行状态三类，分别表述：

(1)硬边界约束：由运动学约束和地理约束确定。

航行运动学约束：目标受运动学约束，在特定时间内存在运动边界，即最大活动范围。针对移动目标的特点，求解目标未来航行的潜在区域，即运动目标经过某时间间隔后可能出现的最大区域。不考虑地形约束，目标在宽阔水域航行时的潜在航行区域由预测时间内的最大速率变化及最大偏向角决定。当预测时间间隔较长且先验信息不足时，潜在区域的构建为圆形或中心角较大的扇环。这里进行简化分析，将其潜在区域建模为以当前位置为圆心，最大航距为半径的圆形，其中最大航距等于最大航速乘以预测时长。为了简化建模，将目标的潜在航行区域设计为特征图的尺寸，即仅考虑目标可航行范围内的特征，其他区域不考虑。

地理数据：船舶能在海上航行，不能上岸，此外海上存在岛屿、暗礁等不可航行区域。在特征图中，将可航行位置的数值设置为1，其他区域设置为0。(这里的潜在航行区域即为运动学约束确定的最大航行范围)

综上，硬边界特征图的尺寸等于运动学约束确定的最大航行范围，特征图中的数值描述了是否可航行通过，陆地、岛屿等区域特征值为0，海洋区域特征值为1。

(2)软边界约束：由海图及气象等因素确定。

航线受海图影响：海图具有地物地标、水深、洋流等属性，将不同的属性进行量化表示，标注在多维特征图上，构成特征图表示；

受气象因素影响：主要影响因素包括可见度、风力、风向、降雨等。当气象状况恶劣，如暴雨天气，船舶有被摧毁风险，无法航行，或航行概率很低；当气象状况良好，认为对航行影响不大，甚至有利于航行。将多种属性进行量化描述，映射到多层特征图中，得到软边界特征图；

(3)航行状态：提取目标前若干时刻的航行位置信息。

航行状态特征的提取借鉴了DeepMind公司开发的围棋人工智能程序Alpha Go的设计，Alpha Go根据棋子连续若干步的走子状态提取特征图，并按走子顺序进行特征图堆叠。类比围棋问题，将海上航行区域视作棋盘，将海上目标视作棋子，将目标的时序航行位置视作棋子的走子问题。据此根据海上目标若干步的位置状态提取特征图，按时序堆叠，得到航行状态特征图。

3.神经网络模型设计

基于附图3所示的预测方案框架图，设计预测网络模型结构，如附图4所示。

网络模型的输入特征包括考虑运动学约束和地理约束确定的硬边界特征图、气象水文等环境要素构成的软边界特征图和航迹特征构成的航行状态特征图。将硬边界特征图、软边界特征图、航行状态特征图进行堆叠，不同特征图的尺寸一致，描述了同一空间区域的不同因素特征。类比图像问题，堆叠的特征图可视作多维特征通道。网络模型结构主体采用卷积神经网络(CNN)结构，实现连续空间上的特征局部关联和不同通道的特征融合，更有效的提取深层次的抽象特征。

如附图4所示，堆叠的特征图首先经过若干卷积层和池化层，激活函数为线性整流函数(relu函数)，实现深层特征提取；其中卷积层用于局部关联特征的提取，卷积核尺寸越大，则特征提取的感受野越大，则参数更多，计算量更大。在达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小，本发明主要采用3×3的卷积核，步长为1，卷积核个数为32或64，实现跨通道的信息交互和信息整合。池化层用于实现特征降维，压缩参数的数量，减小过拟合，同时提高模型的容错性。本发明采用2×2最大池化策略，步长为2。由于目标航行距离远，覆盖海面区域广，生成特征图尺寸大，采用池化层可以降低特征维度，进而减小计算量。最后两层卷积层不再施加池化层，是为了在计算量允许的情况下避免进一步压缩特征图，降低特征分辨率。然后将得到的特征图进行“压平”，即将特征图一维化表示，实现卷积层到全连接层的过渡；然后经过两层全连接层，其中第二层全连接层的尺寸N等于硬边界特征图的宽和高之积，即等于潜在航行区域的面积尺寸，目的是将网络学习到的特征映射到样本标记空间；将全连接层输出结果与“压平”后的硬边界特征图相乘，去除非合理值；然后经过softmax激活函数处理，将输出结果转化为概率分布；最后经过尺寸变换，将一维特征转化为二维特征图，得到概率分布预测图。

4.网络模型的训练

基于交叉熵计算预测的概率分布和真实位置的概率分布之间的距离，作为网络模型训练的损失函数。训练目标为使损失函数最小。

已知的数据是基于观测设备获取的以经纬度表示的目标位置数据，经纬度信息与概率分布信息不匹配，无法直接作为模型监督训练的标签信息，故需要将经纬度信息转化为概率分布，作为概率分布标签值。考虑观测设备本身具有一定的观测误差，借助观测设备的定位精度求解目标真实位置的概率分布。

假设观测误差满足高斯分布，以圆概率误差为3km为例，计算可得测量数据服从真实位置为圆心，标准差为4.4km的高斯分布。通过计算各网格到真实位置所在网格的距离，并查阅标准正态分布表，确定各网格的概率分布。假设四边形边长为6km，则概率分布的标签值标注示意图如附图5所示。附图5中的网格中心位置为实际观测位置，概率值最大，向四周呈高斯分布递减，图中未标注区域的概率值为0(说明：图5的大小不等于实际标签值的尺寸大小，图中未标注区域及图中未显示区域的概率值均为0)。

5.预测结果应用模式

基于目标位置概率分布图的预测结果，可以结合卫星的观测能力，选取分布概率之和最大的区域进行观测，充分保障卫星观测效能。目标位置概率分布图辅助卫星任务规划的应用模式如附图6所示。

如附图6所示，整张图是预测的概率分布图，图中每个网格都代表了一个概率值，整张图的概率之和为1；黑色矩形区域是根据卫星的幅宽及带宽等观测性能确定的观测覆盖区域，将覆盖区域以步长为1的方式划过概率分布图，计算区域所覆盖的所有网格的概率之和。取概率和最大的区域为卫星的观测区域，取概率和最大的区域的中心点位置作为目标的最可能位置。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于多因素联合学习的航位概率分布预测方法，所述方法包括：

将待预测的海图区域进行网格化表示，将海图区域映射到网格中；

建立待预测的海图区域的硬边界特征图、软边界特征图及航行状态特征图；

将上述三类特征图输入预先建立的预测网络模型，输出海上目标在待预测海域的航位概率分布预测图。

2.根据权利要求1所述的方法，其特征在于，所述预测网络模型包括：依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第一压平层、第一全连接层、第二全连接层、第二压平层、softmax激活函数和尺寸变换层；各卷积层用于局部关联特征的提取，各池化层用于实现特征降维，各卷积层和全连接层采用线性整流函数作为激活函数；第一压平层和第二压平层均用于将特征图进行一维化表示；softmax激活函数用于将结果转化为概率分布；尺寸变换层用于将一维特征转化为二维特征图；

所述预测网络模型的第一卷积层的输入包括：包括硬边界特征图、软边界特征图和航行状态特征图；所述硬边界特征图还输入第二压平层；所述尺寸变换层的输出为概率分布预测图。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对预测网络模型进行训练的步骤，具体包括：

获取训练数据，所述训练数据是基于观测设备获取的以经纬度表示的目标位置数据，根据观测设备的定位精度，将经纬度信息转化为概率分布，作为概率分布标签值；

将训练数据的海图区域进行网格化表示，将海图区域映射到网格中；

建立训练数据的海图区域的硬边界特征图、软边界特征图及航行状态特征图；作为预测网络模型的输入；

基于交叉熵计算预测的概率分布和真实位置的概率分布之间的距离，作为预测网络模型训练的损失函数；训练目标为使损失函数最小；

反复迭代，当满足迭代终止条件时，所述预测网络模型训练结束。

4.根据权利要求1或3所述的方法，其特征在于，所述硬边界约束由运动学约束和地理约束确定；所述运动学约束为在特定时间内存在的运动边界，即最大活动范围；所述地理约束为目标只能在海上航行，不能上岸，且海上存在岛屿、暗礁等不可航行区域；所述硬边界特征图的尺寸为目标的潜在航行区域；在硬边界特征图中，将可航行位置的数值设置为1，其他区域设置为0。

5.根据权利要求4所述的方法，其特征在于，所述目标的潜在航行区域由预测时间内的最大速率变化及最大偏向角决定；当预测时间间隔较长且先验信息不足时，将潜在航行区域设置为以当前位置为圆心，最大航距为半径的圆形，其中最大航距等于最大航速乘以预测时长。

6.根据权利要求5所述的方法，其特征在于，所述软边界约束由海图及气象因素确定；

海图具有地物地标、水深和洋流属性，将不同的属性进行量化表示，标注在软边界特征图上；

气象包括可见度、风力、风向和降雨属性，将这些属性进行量化表示，映射到软边界特征图中。

7.根据权利要求1所述的方法，其特征在于，所述航行状态特征图的生成步骤包括：

提取目标前若干时刻的航行位置信息；

根据目标前若干时刻的航行位置信息提取特征图，按时序堆叠，得到航行状态特征图。

8.根据权利要求1所述的方法，其特征在于，所述网格化为等面积网格化。

9.一种基于多因素联合学习的航位概率分布预测系统，其特征在于，所述系统包括：

预测网络模型；

网格化模块，用于将待预测的海图区域进行网格化表示，将海图区域映射到网格中；

特征图建立模块，用于建立待预测的海图区域的硬边界特征图、软边界特征图及航行状态特征图；

航位概率分布预测模块，用于将上述三类特征图输入所述预测网络模型，输出海上目标在待预测海域的航位概率分布预测图。

10.根据权利要求9所述的系统，其特征在于，所述预测网络模型包括：依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第一压平层、第一全连接层、第二全连接层、第二压平层、softmax激活函数和尺寸变换层；各卷积层用于局部关联特征的提取，各池化层用于实现特征降维，各卷积层和全连接层采用线性整流函数作为激活函数；第一压平层和第二压平层均用于将特征图进行一维化表示；softmax激活函数用于将结果转化为概率分布；尺寸变换层用于将一维特征转化为二维特征图；

所述预测网络模型的第一卷积层的输入包括：包括硬边界特征图、软边界特征图和航行状态特征图；所述硬边界特征图还输入第二压平层；所述尺寸变换层的输出为概率分布预测图。

Images