CN111597751A - 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 - Google Patents
基于自扩展深度置信网络的原油油膜绝对厚度反演方法 Download PDFInfo
- Publication number
- CN111597751A CN111597751A CN202010211541.4A CN202010211541A CN111597751A CN 111597751 A CN111597751 A CN 111597751A CN 202010211541 A CN202010211541 A CN 202010211541A CN 111597751 A CN111597751 A CN 111597751A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- oil film
- self
- crude oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000010779 crude oil Substances 0.000 title claims abstract description 43
- 230000003595 spectral effect Effects 0.000 claims abstract description 81
- 239000003921 oil Substances 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000003305 oil spill Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法,对实测光谱数据进行筛选得到真实光谱特征数据;将真实光谱特征数据输入对抗生成网络,生成自扩展样本数据;利用深度置信网络对自扩展样本数据进行学习,进而实现对原油油膜绝对厚度的反演。该方法对实测光谱数据进行筛选,去除可分性不足的波段,有利于精确定量反演原油油膜厚度;利用对抗生成网络对光谱数据进行扩展,从而只需少量实测光谱数据便可基于模型生成大量仿真数据,有助于丰富模型的泛化性和鲁棒性;利用深度置信网络基于正向无监督学习与反向微调,提取光谱特征数据中的特征信息,对比油膜绝对厚度标签进行超参数调优,使模型对于油膜绝对厚度的映射效果达到最佳。
Description
技术领域
本发明涉及海洋探测领域,特别地涉及一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法。
背景技术
近年来,海上溢油事故频发,严重危害海洋生态安全、人类健康与经济发展。海面溢油量是评价海上溢油事故威胁程度和确定溢油事故等级的重要指标,也是污染赔偿追责的重要依据,同时对于现场溢油应急处置和科学决策也有重要作用。
溢油范围与油膜厚度的准确获取是评估溢油量的基础。随着高分辨率遥感技术的发展,溢油范围的确定也不再是难题,但油膜绝对厚度的遥感反演仍然是当前研究的热点与难题。目前海面油膜厚度评定采用的标准是国际海事组织认可的波恩协议,该协议给出了油膜颜色与厚度的定性对应关系,如油膜目视特征表现为彩虹色时,其对应的厚度为0.03μm。该协议应用存在的主要问题是油膜外观特征的判定依靠人工目视解译,受人为主观因素与外部环境影响明显;此外,波恩协议针对大于100μm的厚油膜没有进行精细的区分,从而导致原油溢油估算量不够精确。
高光谱遥感为定量反演海面油膜绝对厚度提供了技术基础;现阶段原油油膜绝对厚度实验数据大多在可控试验下获取且实验数据量有限,而油膜绝对厚度的反演需要大量数据的支持。
综上所述,现有技术中反演油膜绝对厚度的方法,由于获取实验数据的难度较大,从而导致油膜的绝对厚度的测量精度较低。因此,迫切需要一种能够提高油膜绝对厚度的测量精度的方法。
发明内容
有鉴于此,本发明提供一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法,以解决现有技术中测量油膜绝对厚度的方法限于实验数据量不足而导致测量精度较低的问题。
为达上述目的,本发明提供的一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法的技术方案是:
一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法,所述反演方法包括:
对实测光谱数据进行筛选得到真实光谱特征数据;
将所述真实光谱特征数据输入对抗生成网络,生成自扩展样本数据;
利用深度置信网络对所述自扩展样本数据进行学习,进而实现对原油油膜绝对厚度的反演。
优选地,所述对实测光谱数据进行筛选得到真实光谱特征数据的方法包括:
利用光谱特征筛选器按预设光谱特征区间对所述实测光谱数据进行筛选,得到所述真实光谱特征数据,其中,所述预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到。
优选地,所述预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。
优选地,所述对抗生成网络包括生成网络和判别网络,所述生成网络用于学习所述真实光谱特征数据的样本分布,并生成仿真光谱特征数据,所述判别网络用于判别输入的光谱特征数据的真实性,所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。
优选地,所述对抗生成网络的训练过程包括:
训练所述判别网络,以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1,以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0;
训练所述生成网络,以使得当所述生成网络的输入为随机噪声时,其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1;
按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点。
优选地,对生成的所述自扩展样本数据进行去噪处理后再输入所述深度置信网络。
优选地,采用5阶巴特沃斯低通滤波器进行所述去噪处理。
优选地,所述深度置信网络包括输入层、多个堆叠在一起的RBM层、输出层。
优选地,利用深度置信网络对所述自扩展样本数据进行学习的方法包括:
通过所述多个RBM层逐层初始化式学习所述自扩展样本数据,依次映射所述输入层数据的特征信息;
结合标签数据,采用BP算法逐层微调所述深度置信网络的权重与偏执量。
优选地,所述原油油膜为海面原油油膜。
本发明提供的基于自扩展深度置信网络的原油油膜绝对厚度反演方法的有益效果为:
1、对实测光谱数据进行筛选得到真实光谱特征数据,去除了可分性不足的波段,从而更有利于精确定量反演原油油膜厚度;
2、利用对抗生成网络对光谱数据进行扩展,从而只需少量实测光谱数据便可基于模型生成大量仿真数据,有助于丰富模型的泛化性和鲁棒性;
3、利用深度置信网络基于正向无监督学习与反向微调,提取光谱特征数据中的特征信息,对比油膜绝对厚度标签进行超参数调优,使模型对于油膜绝对厚度的映射效果达到最佳,从而提高原油油膜绝对厚度的反演精度。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明具体实施例提供的基于自扩展深度置信网络的海面原油油膜绝对厚度反演方法的流程图;
图2是本发明具体实施例提供的海面油膜绝对厚度反演方法中确定的光谱特征区间示意图;
图3是本发明具体实施例中的原始光谱特征数据示意图;
图4是本发明具体实施例的生成样本数据示意图;
图5是本发明具体实施提供的基于自扩展深度置信网络的海面原油油膜绝对厚度反演的精度实验的结果图;
图6是本发明具体实施提供的基于自扩展深度置信网络的海面原油油膜绝对厚度反演的稳定性实验的结果图;
图7是本发明具体实施提供的基于自扩展深度置信网络的海面原油油膜绝对厚度反演的模型拟合优度实验的结果图;
图8是本发明具体实施例提供的油膜绝对厚度反演的模型结构示意图;
图9是本发明具体实施例提供的RBM的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。
针对现有技术中测量油膜绝对厚度的方法限于实验数据量不足、精度较低的问题,本实施例提供了一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法,尤其是对于海面原油油膜绝对厚度反演方法,如图1所示,其包括如下步骤:
S100、对实测光谱数据进行筛选得到真实光谱特征数据;
S200、将所述真实光谱特征数据输入对抗生成网络,生成自扩展样本数据;
S300、利用深度置信网络对所述自扩展样本数据进行学习,进而实现对海面原油油膜绝对厚度的反演。
本发明提供的基于自扩展深度置信网络的海面原油油膜绝对厚度反演方法能够获得如下有益效果:
对实测光谱输进行筛选得到真实光谱特征数据,去除了可分性不足的波段,从而更有利于精确定量反演原油油膜厚度;
利用对抗生成网络对光谱数据进行扩展,从而只需少量实测光谱数据便可基于模型生成大量仿真数据,有利于丰富模型的泛化性和鲁棒性;
利用深度置信网络基于正向无监督学习与反向微调,提取光谱特征数据中的特征信息,对比油膜绝对厚度标签进行超参数调优,使模型对于油膜绝对厚度的映射效果达到最佳,从而提高原油油膜绝对厚度的反演精度。
在S100中,油膜的光谱特征数据可以是遥感卫星通过光谱仪采集到的油膜的光谱特征数据,优选为高光谱传感技术获取到的高光谱特征数据。高光谱遥感起源于20世纪70年代初的多光谱遥感,它将成像技术与光谱技术结合在一起,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖,这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比,其所获取的图像包含丰富的空间、辐射和光谱三重信息。
高光谱遥感成像技术具有如下特点:波段多,可以为每个像元提供十几、数百甚至上千个波段;光谱范围窄,波段范围一般小于10nm;波段连续,有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱;数据量大,随着波段数的增加,数据量成指数增加;信息冗余增加,由于相邻波段高度相关,冗余信息也相对增加。因而,采用高光谱特征数据,可以进一步提高油膜的绝对厚度的测量精度。
由于本申请获取的高光谱数据的数据量较大,存在较大冗余性,且部分波段范围内不同厚度光谱数据的可分性较差,不利于精确定量反演原油油膜厚度,因此,在步骤S100中,对实测光谱数据进行筛选。在一个实施例中,参考图8,对实测光谱数据进行筛选得到真实光谱特征数据的方法包括:
利用光谱特征筛选器(即图中的Spectral Selector)按预设光谱特征区间对所述实测光谱数据进行筛选,得到所述真实光谱特征数据。
具体地,首先对获取的不同实验组的高光谱数据进行取平均处理,进而基于光谱特征筛选器对不同厚度油膜的可分性区间进行筛选。优选地,其中的预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到,也即光谱特征筛选器基于光谱标准差阈值的油膜特征光谱分析提取方法构建而成。具体地,若在光谱λ波段满足下述公式(1),则该波段λ为具有较好光谱可分性的波段,计算获取所有符合下述公式条件的波段形成的光谱特征区间即为所述的预设光谱特征区间。
其中,λ代表波段,μ代表比例参数,StDev(σλ,i)代表i组油膜遥感反射率的标准差,StDev(σλ,i)代表j组油膜遥感反射率的标准差,代表λ波段处第i组与第j组油膜遥感反射率的差值,若大于光谱标准差阈值,则该波段可被视作具有较好光谱可分性的波段。
本实施例中,根据筛选器的筛选结果,综合考虑不同油膜厚度间的光谱可分性以及之后模型的计算量,确定的预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。本实施例确定的光谱特征区间如图2所示,阴影部分即为确定的光谱特征区间。
在S200中,利用对抗生成网络进行样本扩展,参考图8,所述对抗生成网络(GAN)包括生成网络(即图中的G)和判别网络(即图中的D),所述生成网络用于学习所述真实光谱特征数据的样本分布,并生成仿真光谱特征数据,所述判别网络用于判别输入的光谱特征数据的真实性,所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。二者通过对抗训练使判别网络判别训练样本来源的概率最大化,同时使生成网络生成数据与真实数据的相似度最大化。
具体地,参照公式(2),对抗生成网络的训练过程包括:
训练所述判别网络,以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1,以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0;
训练所述生成网络,以使得当所述生成网络的输入为随机噪声时,其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1。
按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点,即当且仅当Pz=Pdata时,极大化极小化的双方博弈问题存在全局最优解,即达到纳什平衡点。
通过步骤S200,生成网络将随机高斯噪声伪装成高仿真的光谱信息,通过判别网络判断输入信息的真伪性,即二者构成动态的博弈,通过对抗的过程使判别网络对样本的判别能力不断上升,生成网络的样本伪造能力也随之不断上升,最终达到纳什均衡点,生成能够“以假乱真”的光谱特征数据,从而达到扩充训练样本、增强模型鲁棒性的目的。
借助对抗生成网络,本发明提供的样本扩展方法只需要少量实测光谱数据便可生成大量仿真数据,从而丰富模型泛化性;能够充分学习光谱特征区间内的高光谱信息,避免了信息量的损失,从而有助于提高油油膜绝对厚度的反演精度。
由于生成的自扩展样本数据抖动性较大,优选地,本申请中,对生成的所述自扩展样本数据进行去噪处理后再输入所述深度置信网络。进一步优选地,参照图8,可以通过5阶巴特沃斯低通滤波器(即图中的Butterworth Filter)对虚拟光谱特征数据进行平滑去噪处理。
步骤S300中,深度置信网络通过堆叠受限制向量机(Restricted BoltzmannMachine,RBM)逐层初始化式学习光谱特征数据,依次映射输入层数据的特征信息;结合标签数据,采用BP算法逐层微调整个深度置信网络的权重与偏执量,从而对特征信息的表达达到最佳,进而实现反演原油油膜的绝对厚度的功能。其中,参照图8,深度置信网络包括输入层、多个堆叠在一起的RBM(restricted Boltzmann machine)层、输出层,RBM的结构如图9所示,是一种特殊的生成式神经网络,单个RBM是由一层可见层与一层隐含层构成的双层神经网络,各层内神经元无连接,层内不存在自反馈现象,可见层神经元与隐含层神经元之间保持双向全连接。RBM层例如为3个,则具体地,包括四个全连接层,分别为第一全连接层、第二全连接层、第三全连接层、第四全连接层,第一全连接层和第二全连接层形成第一RBM层,此时,第一全连接层为第一RBM层的可见层,第二全连接层为第一RBM层的隐含层,类似地,第二全连接层和第三全连接层形成第二RBM层,此时,第二全连接层为第二RBM层的可见层,第三全连接层为第二RBM层的隐含层,第三全连接层和第四全连接层形成第三RBM层,此时,第三全连接层为第三RBM层的可见层,第四全连接层为第三RBM层的隐含层。在深度置信网络进行逐层特征提取时,RBM层可被视为自编码器,其可见层与隐含层之间能量函数如式(3)所示。
其中,E(v,h,w,a,b)代表RBM能量,wi,j是连接可见层神经元i和隐含层神经元j的权值,a和b分别是可视层神经元v和隐含层神经元h的偏置量,神经元之间的联合概率分布P(v,h,w,a,b)定义如式(4)所示。
式(4)中A的表达式如式(5)所示。
假设深度置信网络的可见层的输入信息为X,隐含层输出值为H,则连接隐含层神经元与输出层神经元权重与偏置量更新公式如式(6)所示。
式中,w代表网络权重,ek代表模型实际输出值与输入值真实类别间的差值,ε代表网络的学习率。
具体地,利用深度置信网络对所述自扩展样本数据进行学习的方法包括:
通过所述多个RBM层逐层初始化式学习所述自扩展样本数据,依次映射所述输入层数据的特征信息;
结合标签数据,采用BP算法逐层微调所述深度置信网络的权重与偏执量。
如此,通过无监督预训练和反向调优相结合,能够充分学习光谱特征区间内的高光谱信息,避免了信息量的损失,从而提高原油油膜绝对厚度的反演精度。
下面对本申请提供的反演方法进行总体介绍,如图8所示,油膜绝对厚度反演的模型(下称OG-DBN模型)包括样本扩展模块和厚度反演模块,其中,样本扩展模块包括光谱特征筛选器(即图中的Spectral Selector)、目标生成对抗网络(GAN)和滤波器(即图中的Butterworth Filter),其中,目标生成对抗网络包括生成网络(即图中的G)和对抗网络(即图中的D),厚度反演模块包括深度置信网络。首先通过光谱特征筛选器筛选光谱特征区间,然后利用目标生成对抗网络对光谱特征数据进行样本扩充,最后利用滤波器例如5阶巴特沃斯低通滤波器对生成的训练样本进行去噪。将去噪后的训练样本作为深度置信网络的输入,充分学习训练样本的高光谱信息,构建油膜的绝对厚度与油膜的光谱特征数据之间的映射关系,从而实现对海面原油油膜绝对厚度的反演。
图3示出了真实光谱特征信息,图4则示出了仿真光谱特征数据,通过对比可知,本实施例生成的仿真光谱特征数据与真实光谱特征数据之间的相似度极高。
为了验证本发明提供的反演方法的精度,选用平均相对误差作为OG-DBN模型损失函数与反演结果的评价指标,选用平均差作为OG-DBN模型稳定性的评价指标,选用R2作为模型拟合优度的评价指标。采用本申请提供的方法进行样本数据扩展,分别生成0-1000条光谱特征数据,原始光谱特征数据如图3所示,生成的样本数据如图4所示。当训练样本的数量扩展到0-1000条时,分别对OG-DBN模型输出的反演结果进行了验证,如表1所示。
表1 OG-DBN模型的反演精度
如图5所示,在一定范围内,OG-DBN模型的反演精度随着自扩展样本数量的增加整体呈现上升趋势,当自扩展样本数量为600时,反演精度达到峰值96.71%,后呈现下降趋势;相比于样本自扩展前,反演精度提高了1.74%,表现出较为优秀的反演能力;如图6所示,随着样本数量的增加,OG-DBN模型的整体稳定性会受到一定影响,在样本数量达到1000时,反演结果的平均差仅为±0.05%,模型表现出较为理想的稳定性;此外,如图7所示,当样本数量为600时,OG-DBN模型的R2达到0.971,表现出较好的模型拟合优度。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述反演方法包括:
对实测光谱数据进行筛选得到真实光谱特征数据;
将所述真实光谱特征数据输入对抗生成网络,生成自扩展样本数据;
利用深度置信网络对所述自扩展样本数据进行学习,进而实现对原油油膜绝对厚度的反演。
2.根据权利要求1所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述对实测光谱数据进行筛选得到真实光谱特征数据的方法包括:
利用光谱特征筛选器按预设光谱特征区间对所述实测光谱数据进行筛选,得到所述真实光谱特征数据,其中,所述预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到。
3.根据权利要求2所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。
4.根据权利要求1所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述对抗生成网络包括生成网络和判别网络,所述生成网络用于学习所述真实光谱特征数据的样本分布,并生成仿真光谱特征数据,所述判别网络用于判别输入的光谱特征数据的真实性,所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。
5.根据权利要求4所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述对抗生成网络的训练过程包括:
训练所述判别网络,以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1,以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0;
训练所述生成网络,以使得当所述生成网络的输入为随机噪声时,其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1;
按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点。
6.根据权利要求1所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,对生成的所述自扩展样本数据进行去噪处理后再输入所述深度置信网络。
7.根据权利要求5所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,采用5阶巴特沃斯低通滤波器进行所述去噪处理。
8.根据权利要求1所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述深度置信网络包括输入层、多个堆叠在一起的RBM层、输出层。
9.根据权利要求8所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,利用深度置信网络对所述自扩展样本数据进行学习的方法包括:
通过所述多个RBM层逐层初始化式学习所述自扩展样本数据,依次映射所述输入层数据的特征信息;
结合标签数据,采用BP算法逐层微调所述深度置信网络的权重与偏执量。
10.根据权利要求1至9任一项所述的基于自扩展深度置信网络的原油油膜绝对厚度反演方法,其特征在于,所述原油油膜为海面原油油膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211541.4A CN111597751B (zh) | 2020-03-24 | 2020-03-24 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211541.4A CN111597751B (zh) | 2020-03-24 | 2020-03-24 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597751A true CN111597751A (zh) | 2020-08-28 |
CN111597751B CN111597751B (zh) | 2023-10-24 |
Family
ID=72181782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211541.4A Active CN111597751B (zh) | 2020-03-24 | 2020-03-24 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597751B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112284268A (zh) * | 2020-10-16 | 2021-01-29 | 桂林电子科技大学 | 一种路面积水厚度测量方法及测量系统 |
CN113358042A (zh) * | 2021-06-30 | 2021-09-07 | 长江存储科技有限责任公司 | 一种测量膜厚的方法 |
CN114264672A (zh) * | 2021-12-22 | 2022-04-01 | 南京晓庄学院 | 一种基于微波遥感的深层土壤湿度反演方法 |
CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
CN104122233A (zh) * | 2014-07-29 | 2014-10-29 | 大连海事大学 | 一种海面不同厚度原油油膜高光谱探测通道选择方法 |
CN105526874A (zh) * | 2015-12-03 | 2016-04-27 | 重庆三峡学院 | 一种基于光谱特征参数的油膜厚度识别方法 |
CN106767454A (zh) * | 2016-12-02 | 2017-05-31 | 大连海事大学 | 一种基于光谱反射率特征的水面油膜厚度测量系统及方法 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109508647A (zh) * | 2018-10-22 | 2019-03-22 | 北京理工大学 | 一种基于生成对抗网络的光谱数据库扩展方法 |
CN109949278A (zh) * | 2019-03-06 | 2019-06-28 | 西安电子科技大学 | 基于对抗自编码网络的高光谱异常检测方法 |
-
2020
- 2020-03-24 CN CN202010211541.4A patent/CN111597751B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
CN104122233A (zh) * | 2014-07-29 | 2014-10-29 | 大连海事大学 | 一种海面不同厚度原油油膜高光谱探测通道选择方法 |
CN105526874A (zh) * | 2015-12-03 | 2016-04-27 | 重庆三峡学院 | 一种基于光谱特征参数的油膜厚度识别方法 |
CN106767454A (zh) * | 2016-12-02 | 2017-05-31 | 大连海事大学 | 一种基于光谱反射率特征的水面油膜厚度测量系统及方法 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109508647A (zh) * | 2018-10-22 | 2019-03-22 | 北京理工大学 | 一种基于生成对抗网络的光谱数据库扩展方法 |
CN109949278A (zh) * | 2019-03-06 | 2019-06-28 | 西安电子科技大学 | 基于对抗自编码网络的高光谱异常检测方法 |
Non-Patent Citations (6)
Title |
---|
任广波;过杰;马毅;罗旭东;: "海面溢油无人机高光谱遥感检测与厚度估算方法", 海洋学报, no. 05 * |
姜宗辰: "基于深度置信网络(DBN)的赤潮高光谱遥感提取研究", vol. 3, no. 2, pages 1 - 7 * |
孙鹏;宋梅萍;安居白;: "基于光谱曲线响应特性的油膜厚度估计模型分析", no. 07 * |
李新国;黄晓晴;: "一种基于DBN的高光谱遥感图像分类方法", no. 07 * |
李铁;孙劲光;张新君;王星;: "高光谱遥感图像空谱联合分类方法研究", no. 06 * |
罗仙仙;曾蔚;陈小瑜;张东水;庄世芳;: "深度学习方法用于遥感图像处理的研究进展", no. 06 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112284268A (zh) * | 2020-10-16 | 2021-01-29 | 桂林电子科技大学 | 一种路面积水厚度测量方法及测量系统 |
CN113358042A (zh) * | 2021-06-30 | 2021-09-07 | 长江存储科技有限责任公司 | 一种测量膜厚的方法 |
CN113358042B (zh) * | 2021-06-30 | 2023-02-14 | 长江存储科技有限责任公司 | 一种测量膜厚的方法 |
CN114264672A (zh) * | 2021-12-22 | 2022-04-01 | 南京晓庄学院 | 一种基于微波遥感的深层土壤湿度反演方法 |
CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
CN114460013B (zh) * | 2022-01-28 | 2023-10-17 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111597751B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597751B (zh) | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 | |
CN107563355B (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN105243367B (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN114139444B (zh) | 一种基于机器学习的近海海表温度反演方法 | |
CN109191418B (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN103837889A (zh) | 一种地震属性多源信息融合方法 | |
CN112132012B (zh) | 基于生成对抗网络的高分辨率sar船舶图像生成方法 | |
CN106447688A (zh) | 一种高光谱溢油图像的有效分割方法 | |
CN107610118B (zh) | 一种基于dM的图像分割质量评价方法 | |
CN114254767A (zh) | 基于Stacking集成学习的气象水文特征预测方法及系统 | |
CN111595247B (zh) | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 | |
CN111783884A (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
CN117634325B (zh) | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统 | |
Gichu et al. | Segmentation of dust storm areas on Mars images using principal component analysis and neural network | |
CN110132246A (zh) | 基于残差分区的水深遥感探测方法 | |
CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN116740125A (zh) | 基于光线折射和深度学习实现透明流体可视化的检测方法 | |
CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
CN116434074A (zh) | 基于邻支互补显著性和多先验稀疏表征的目标识别方法 | |
CN109784209A (zh) | 利用高分辨率遥感影像的高寒山区积雪提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |