CN116091779A - 一种基于水文数据进行预测的方法及系统 - Google Patents
一种基于水文数据进行预测的方法及系统 Download PDFInfo
- Publication number
- CN116091779A CN116091779A CN202310363886.5A CN202310363886A CN116091779A CN 116091779 A CN116091779 A CN 116091779A CN 202310363886 A CN202310363886 A CN 202310363886A CN 116091779 A CN116091779 A CN 116091779A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- hidden
- convlstm
- representing
- 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 36
- 239000013598 vector Substances 0.000 claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000003911 water pollution Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种基于水文数据进行预测的方法及系统,其中一种基于水文数据进行预测的方法包括以下步骤:对图像进行区域化,获得区域图像;基于区域图像获得像素位向量;基于区域图像的像素位向量生成像素位矢量序列;将像素位矢量序列输入GMM‑HMM模型;基于区域图像的像素位矢量序列对应的隐状态生成区域图像的隐状态矩阵;将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型;将每个水域区域对应的第一分类器的输出和第二分类器的输出输入预测模型;本发明通过GMM‑HMM模型结合ConvLSTM模型来综合考虑污染信息在时间和空间上的流动性,通过ConvLSTM模型的输出结果结合预测模型对未来的水域污染状态进行准确的预测。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,它涉及一种基于水文数据进行预测的方法及系统。
背景技术
传统的基于高光谱图像来对水域污染进行预测的方式是通过主成分分析和波段选择来对高维的高光谱图像数据进行降维,然后提取水体污染特征来对水体污染进行识别;这种方式虽然考虑了高光谱图像的空间和波谱信息,但是没有考虑到污染信息在空间和时间上的流动性;对于预测未来时间水域的污染状态误差较大。
发明内容
本发明提供一种基于水文数据进行预测的方法及系统,解决相关技术中对于水文高光谱图像处理没有考虑到污染信息在空间和时间上的流动性;对于预测未来时间水域的污染状态误差较大的技术问题。
本发明提供了一种基于水文数据进行预测的方法,包括以下步骤:
步骤201,对图像进行区域化,获得区域图像;
步骤202,基于区域图像获得像素位向量,一个像素位向量表示为,其中表示第n个波段的区域图像的像素值,一个像素位向量的所有维度对应于同一个像素位置的像素值;
步骤203,基于区域图像的像素位向量生成像素位矢量序列,像素位矢量序列表示为,其中表示当前像素位的第k个时间节点的像素位向量;
步骤204,将像素位矢量序列输入GMM-HMM模型,GMM-HMM模型输出隐状态序列为,表示当前像素位的第n个时间节点的隐状态,隐状态表示无污染状态和有污染状态,分别以0和1的隐状态值来表示;
步骤205,基于区域图像的像素位矢量序列对应的隐状态生成区域图像的隐状态矩阵,隐状态矩阵对应于一个时间节点的区域图像的所有像素位矢量序列对应的隐状态值;
步骤206,将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型;ConvLSTM模型包括N层隐藏层,每层隐藏层包括M个ConvLSTM单元,第i层隐藏层的第j个ConvLSTM单元的输入表示如下:
,
其中,表示卷积,表示反卷积,表示第i层隐藏层的第j-1个ConvLSTM单元的输出矩阵,表示第i层隐藏层的第j-1个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元的输出矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i层隐藏层的第j个ConvLSTM单元输入的区域图像,、、、、均为卷积权重参数;定义:;
将第N层隐藏层的ConvLSTM单元的输出输入到第一分类器和第二分类器,第一分类器的输出的分类集合为,分别污染类型,第二分类器的输出的分类集合为,分别对应存在污染源头和不存在污染源头;
步骤207,将每个水域区域对应的第一分类器的输出和第二分类器的输出输入预测模型,通过预测模型预测下一时间的各个水域区域的主要污染类型。
进一步地,对图像进行区域化,获得区域图像的方法包括以下步骤:
步骤101,对图像中的水域图像进行提取;
步骤102,生成上界线和下界线,上界线与下界线平行,然后生成与上界线和下界线垂直的像素框,像素框包含一列像素,定义像素框的方向为上下方向;
步骤103,通过像素框对水域图像进行扫描,记录像素框内扫描到的最多的像素数量B;
步骤104,将下界线移动到水域图像的A端的最下方的一个像素上,然后移动上界线直至上界线与下界线之间的像素框内的像素的数量等于B;
步骤105,从水域图像的一列像素最多的位置开始逐列向后扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
从水域图像的一列像素最多的位置开始逐列向前扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
步骤106,通过大小为A*B的图像框对上界线和下界线之间的区域进行扫描,每次扫描提取图像框内的像素生成一个区域图像,其中A为图像框的长度,B为图像框的宽度,图像框的宽度与上界线与下界线之间的像素框内的像素的数量相等;扫描移动的步长为L,L≥1。
进一步地,扫描是从上界线与下界线之间的水域图像的左端或右端开始的,扫描的步长表示两次相邻扫描的位置之间的像素列的数量。
进一步地,GMM-HMM模型的参数为,其中为初始状态矩阵,A为状态转移概率矩阵,C为混合权重矩阵,u为均值矢量,U为协方差矩阵。
进一步地,GMM-HMM模型的观测序列由输入的像素位矢量序列生成,观测序列的一个观测状态由像素位矢量的一个像素位向量生成。
进一步地,第N层隐藏层的第j个ConvLSTM单元的输出输入第一分类器后输出的分类表示第j个扫描区域映射的水域区域的主要污染类型;第N层隐藏层的第j个ConvLSTM单元的输出输入第二分类器后输出的分类表示第j个扫描区域映射的水域区域是否存在该水域区域的主要污染的源头。
进一步地,第一分类器的计算表示为:
,其中表示乘法,表示第一分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类。
进一步地,第二分类器的计算表示为:
,其中表示乘法,表示第二分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类。
进一步地,预测模型为LSTM(长短期记忆网络)模型,LSTM模型的隐藏节点的数量等于水域区域的数量,每个隐藏节点的输出输入到第三分类器,第三分类器的输出的分类集合为,其中的分类标签对应污染类型,表征水域区域的主要污染类型。
本发明提供了一种基于水文数据进行预测的系统,其用于执行上述的一种基于水文数据进行预测的方法,该一种基于水文数据进行预测的系统包括:
区域划分模块,其用于对图像进行区域化,获得区域图像;
区域图像处理模块,其基于区域图像获得像素位向量;
像素位向量处理模块,其基于区域图像的像素位向量生成像素位矢量序列;
隐状态矩阵生成模块,其用于将像素位矢量序列输入GMM-HMM模型,获得区域图像的隐状态矩阵;
污染情况判断模块,其用于将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型,获得每个扫描区的水域区域的主要污染类型以及是否存在对应主要污染的污染源头;
污染预测模块,其用于将ConvLSTM模型的输出结果输入到预测模型预测未来的水域区域的主要污染类型。
本发明的有益效果在于:
本发明通过GMM-HMM模型结合ConvLSTM模型来综合考虑污染信息在时间和空间上的流动性,通过ConvLSTM模型的输出结果结合预测模型对未来的水域污染状态进行准确的预测。
附图说明
图1是本发明的一种基于水文数据进行预测的方法的流程图;
图2是本发明的对图像进行区域化获得区域图像的方法的流程图;
图3是本发明的一种基于水文数据进行预测的系统的模块示意图。
图中:区域划分模块301,区域图像处理模块302,像素位向量处理模块303,隐状态矩阵生成模块304,污染情况判断模块305,污染预测模块306。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
实施例一
如图1和图2所示,一种基于水文数据进行预测的方法,包括以下步骤:
步骤201,对图像进行区域化,获得区域图像;
对图像进行区域化,获得区域图像的方法包括以下步骤:
步骤101,对图像中的水域图像进行提取;
步骤102,生成上界线和下界线,上界线与下界线平行,然后生成与上界线和下界线垂直的像素框,像素框包含一列像素,定义像素框的方向为上下方向;
步骤103,通过像素框对水域图像进行扫描,记录像素框内扫描到的最多的像素数量B;
步骤104,将下界线移动到水域图像的A端的最下方的一个像素上,然后移动上界线直至上界线与下界线之间的像素框内的像素的数量等于B;
步骤105,从水域图像的一列像素最多的位置开始逐列向后扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
从水域图像的一列像素最多的位置开始逐列向前扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
步骤106,通过大小为A*B的图像框对上界线和下界线之间的区域进行扫描,每次扫描提取图像框内的像素生成一个区域图像,其中A为图像框的长度,B为图像框的宽度,图像框的宽度与上界线与下界线之间的像素框内的像素的数量相等;扫描移动的步长为L,L≥1;
扫描是从上界线与下界线之间的水域图像的左端或右端开始的,扫描的步长表示两次相邻扫描的位置之间的像素列的数量。
将采集图像的时间进行离散化,将离散化后的时间定义为。
步骤202,基于区域图像获得像素位向量,一个像素位向量表示为,其中表示第n个波段的区域图像的像素值,一个像素位向量的所有维度对应于同一个像素位置的像素值;
步骤203,基于区域图像的像素位向量生成像素位矢量序列,像素位矢量序列表示为,其中表示当前像素位的第k个时间节点的像素位向量;
步骤204,将像素位矢量序列输入GMM-HMM模型(高斯混合-隐马尔可夫模型),GMM-HMM模型输出隐状态序列为,表示当前像素位的第n个时间节点的隐状态,隐状态表示无污染状态和有污染状态,分别以0和1的隐状态值来表示;
GMM-HMM模型的参数为,其中为初始状态矩阵,A为状态转移概率矩阵,C为混合权重矩阵,u为均值矢量,U为协方差矩阵;
模型的观测序列由输入的像素位矢量序列生成,观测序列的一个观测状态由像素位矢量的一个像素位向量生成;
GMM-HMM模型的参数训练为常规技术手段,在此不作赘述。
例如一个可能的隐状态序列为,简写为;
步骤205,基于区域图像的像素位矢量序列对应的隐状态生成区域图像的隐状态矩阵,隐状态矩阵对应于一个时间节点的区域图像的所有像素位矢量序列对应的隐状态值;
必要的,隐状态矩阵的元素保留了区域图像像素位的空间关系。
步骤206,将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM(卷积长短期记忆网络)模型;
ConvLSTM模型包括N层隐藏层,每层隐藏层包括M个ConvLSTM单元,第i层隐藏层的第j个ConvLSTM单元的输入表示如下:
,
其中,表示卷积,表示反卷积,表示第i层隐藏层的第j-1个ConvLSTM单元的输出矩阵,表示第i层隐藏层的第j-1个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元的输出矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i层隐藏层的第j个ConvLSTM单元输入的区域图像(区域图像集合中的第i个扫描区域的第j个时间节点的区域图像),、、、、均为卷积权重参数;
定义:;
将第N层隐藏层的ConvLSTM单元的输出输入到第一分类器和第二分类器,第N层隐藏层的第j个ConvLSTM单元的输出输入第一分类器后输出的分类表示第j个扫描区域映射的水域区域的主要污染类型;第N层隐藏层的第j个ConvLSTM单元的输出输入第二分类器后输出的分类表示第j个扫描区域映射的水域区域是否存在该水域区域的主要污染的源头。
第一分类器的输出的分类集合为,可以分别对应无污染、化学污染、固体垃圾污染等污染类型,第二分类器的输出的分类集合为,分别对应存在污染源头和不存在污染源头;
第一分类器的计算可以表示为:
,其中表示乘法,表示第一分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类;
第二分类器的计算可以表示为:
,其中表示乘法,表示第二分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类;
步骤207,将每个水域区域对应的第一分类器的输出和第二分类器的输出输入预测模型,通过预测模型预测下一时间的各个水域区域的主要污染类型;
在本发明的一个实施例中,预测模型为LSTM(长短期记忆网络)模型,LSTM模型的隐藏节点的数量等于水域区域的数量,每个隐藏节点的输出输入到第三分类器,第三分类器的输出的分类集合为,其中的分类标签对应污染类型,表征水域区域的主要污染类型。
如图3所示,本发明提供一种基于水文数据进行预测的系统,其用于执行上述的一种基于水文数据进行预测的方法,该一种基于水文数据进行预测的系统包括:
区域划分模块301,其用于对图像进行区域化,获得区域图像;
区域图像处理模块302,其基于区域图像获得像素位向量;
像素位向量处理模块303,其基于区域图像的像素位向量生成像素位矢量序列;
隐状态矩阵生成模块304,其用于将像素位矢量序列输入GMM-HMM模型,获得区域图像的隐状态矩阵;
污染情况判断模块305,其用于将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型,获得每个扫描区的水域区域的主要污染类型以及是否存在对应主要污染的污染源头。
污染预测模块306,其用于将ConvLSTM模型的输出结果输入到预测模型预测未来的水域区域的主要污染类型。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种基于水文数据进行预测的方法,其特征在于,包括以下步骤:
步骤201,对图像进行区域化,获得区域图像;
步骤202,基于区域图像获得像素位向量,一个像素位向量表示为,其中表示第n个波段的区域图像的像素值,一个像素位向量的所有维度对应于同一个像素位置的像素值;
步骤203,基于区域图像的像素位向量生成像素位矢量序列,像素位矢量序列表示为,其中表示当前像素位的第k个时间节点的像素位向量;
步骤204,将像素位矢量序列输入GMM-HMM模型,GMM-HMM模型输出隐状态序列为,表示当前像素位的第n个时间节点的隐状态,隐状态表示无污染状态和有污染状态,分别以0和1的隐状态值来表示;
步骤205,基于区域图像的像素位矢量序列对应的隐状态生成区域图像的隐状态矩阵,隐状态矩阵对应于一个时间节点的区域图像的所有像素位矢量序列对应的隐状态值;
步骤206,将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型;ConvLSTM模型包括N层隐藏层,每层隐藏层包括M个ConvLSTM单元,第i层隐藏层的第j个ConvLSTM单元的输入表示如下:
,
其中,表示卷积,表示反卷积,表示第i层隐藏层的第j-1个ConvLSTM单元的输出矩阵,表示第i层隐藏层的第j-1个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元的输出矩阵,表示第i-1层隐藏层的第j个ConvLSTM单元输入的区域图像对应的隐状态矩阵,表示第i层隐藏层的第j个ConvLSTM单元输入的区域图像,、、、、均为卷积权重参数;定义:;
将第N层隐藏层的ConvLSTM单元的输出输入到第一分类器和第二分类器,第一分类器的输出的分类集合为,分别污染类型,第二分类器的输出的分类集合为,分别对应存在污染源头和不存在污染源头;
步骤207,将每个水域区域对应的第一分类器的输出和第二分类器的输出输入预测模型,通过预测模型预测下一时间的各个水域区域的主要污染类型。
2.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,对图像进行区域化,获得区域图像的方法包括以下步骤:
步骤101,对图像中的水域图像进行提取;
步骤102,生成上界线和下界线,上界线与下界线平行,然后生成与上界线和下界线垂直的像素框,像素框包含一列像素,定义像素框的方向为上下方向;
步骤103,通过像素框对水域图像进行扫描,记录像素框内扫描到的最多的像素数量B;
步骤104,将下界线移动到水域图像的A端的最下方的一个像素上,然后移动上界线直至上界线与下界线之间的像素框内的像素的数量等于B;
步骤105,从水域图像的一列像素最多的位置开始逐列向后扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
从水域图像的一列像素最多的位置开始逐列向前扫描,并对像素框内的像素进行上下移位;使当前像素框内的最上方的像素与上界线对齐;
步骤106,通过大小为A*B的图像框对上界线和下界线之间的区域进行扫描,每次扫描提取图像框内的像素生成一个区域图像,其中A为图像框的长度,B为图像框的宽度,图像框的宽度与上界线与下界线之间的像素框内的像素的数量相等;扫描移动的步长为L,L≥1。
3.根据权利要求2所述的一种基于水文数据进行预测的方法,其特征在于,扫描是从上界线与下界线之间的水域图像的左端或右端开始的,扫描的步长表示两次相邻扫描的位置之间的像素列的数量。
4.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,GMM-HMM模型的参数为,其中为初始状态矩阵,A为状态转移概率矩阵,C为混合权重矩阵,u为均值矢量,U为协方差矩阵。
5.根据权利要求4所述的一种基于水文数据进行预测的方法,其特征在于,GMM-HMM模型的观测序列由输入的像素位矢量序列生成,观测序列的一个观测状态由像素位矢量的一个像素位向量生成。
6.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,第N层隐藏层的第j个ConvLSTM单元的输出输入第一分类器后输出的分类表示第j个扫描区域映射的水域区域的主要污染类型;第N层隐藏层的第j个ConvLSTM单元的输出输入第二分类器后输出的分类表示第j个扫描区域映射的水域区域是否存在该水域区域的主要污染的源头。
7.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,第一分类器的计算表示为:
,其中表示乘法,表示第一分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类。
8.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,第二分类器的计算表示为:
,其中表示乘法,表示第二分类器的权重矩阵,表示第N层隐藏层的第j个ConvLSTM单元的输出向量化的向量的逆,表示第N层隐藏层的第j个ConvLSTM单元的输出映射的分类集合的分类。
9.根据权利要求1所述的一种基于水文数据进行预测的方法,其特征在于,预测模型为LSTM长短期记忆网络模型,LSTM模型的隐藏节点的数量等于水域区域的数量,每个隐藏节点的输出输入到第三分类器,第三分类器的输出的分类集合为,其中的分类标签对应污染类型,表征水域区域的主要污染类型。
10.一种基于水文数据进行预测的系统,其特征在于,其用于执行如权利要求1-9任一所述的一种基于水文数据进行预测的方法,该一种基于水文数据进行预测的系统包括:
区域划分模块,其用于对图像进行区域化,获得区域图像;
区域图像处理模块,其基于区域图像获得像素位向量;
像素位向量处理模块,其基于区域图像的像素位向量生成像素位矢量序列;
隐状态矩阵生成模块,其用于将像素位矢量序列输入GMM-HMM模型,获得区域图像的隐状态矩阵;
污染情况判断模块,其用于将区域图像和区域图像对应的隐状态矩阵输入ConvLSTM模型,获得每个扫描区的水域区域的主要污染类型以及是否存在对应主要污染的污染源头;
污染预测模块,其用于将ConvLSTM模型的输出结果输入到预测模型预测未来的水域区域的主要污染类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310363886.5A CN116091779B (zh) | 2023-04-07 | 2023-04-07 | 一种基于水文数据进行预测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310363886.5A CN116091779B (zh) | 2023-04-07 | 2023-04-07 | 一种基于水文数据进行预测的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091779A true CN116091779A (zh) | 2023-05-09 |
CN116091779B CN116091779B (zh) | 2023-06-27 |
Family
ID=86204828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310363886.5A Active CN116091779B (zh) | 2023-04-07 | 2023-04-07 | 一种基于水文数据进行预测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091779B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
CN106778838A (zh) * | 2016-11-29 | 2017-05-31 | 北京科技大学 | 一种预测空气质量的方法 |
WO2021013334A1 (en) * | 2019-07-22 | 2021-01-28 | Toyota Motor Europe | Depth maps prediction system and training method for such a system |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
CN114239934A (zh) * | 2021-12-02 | 2022-03-25 | 南京南瑞信息通信科技有限公司 | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 |
CN115359310A (zh) * | 2022-07-08 | 2022-11-18 | 中国人民解放军国防科技大学 | 一种基于ConvLSTM和条件随机场的SIC预测方法及系统 |
CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
-
2023
- 2023-04-07 CN CN202310363886.5A patent/CN116091779B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
CN106778838A (zh) * | 2016-11-29 | 2017-05-31 | 北京科技大学 | 一种预测空气质量的方法 |
WO2021013334A1 (en) * | 2019-07-22 | 2021-01-28 | Toyota Motor Europe | Depth maps prediction system and training method for such a system |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
CN114239934A (zh) * | 2021-12-02 | 2022-03-25 | 南京南瑞信息通信科技有限公司 | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 |
CN115359310A (zh) * | 2022-07-08 | 2022-11-18 | 中国人民解放军国防科技大学 | 一种基于ConvLSTM和条件随机场的SIC预测方法及系统 |
CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
Non-Patent Citations (2)
Title |
---|
FANG LIU等: "Intrusion identification using GMM-HMM for perimeter monitoring based on ultra-weak FBG arrays", vol. 30, no. 10, pages 17307 - 17320 * |
潘信亮;张震;江涛;隋百凯;孙玉超;: "基于卷积长短期记忆网络的NDVI预测方法研究", 地理信息世界, no. 02, pages 67 - 74 * |
Also Published As
Publication number | Publication date |
---|---|
CN116091779B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7311341B2 (ja) | ニューラルネットワークを使用するエンドツーエンド手書きテキスト認識のためのシステムおよび方法 | |
JP6584477B2 (ja) | スキップアーキテクチャ・ニューラルネットワーク装置及び改良されたセマンティックセグメンテーションのための方法 | |
CN111325660B (zh) | 一种基于文本数据的遥感图像风格转换方法 | |
CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN109635714B (zh) | 文档扫描图像的矫正方法及装置 | |
CN113421318B (zh) | 一种基于多任务生成对抗网络的字体风格迁移方法和系统 | |
CN112862774A (zh) | 一种遥感影像建筑物精确分割方法 | |
CN111881743A (zh) | 一种基于语义分割的人脸特征点定位方法 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN115953582B (zh) | 一种图像语义分割方法及系统 | |
Zhang et al. | Pqa-cnn: Towards perceptual quality assured single-image super-resolution in remote sensing | |
CN116645592A (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN116091908A (zh) | 水下声呐小目标检测的多尺度特征增强与训练方法和装置 | |
CN115423796A (zh) | 一种基于TensorRT加速推理的芯片缺陷检测方法及系统 | |
CN116091779B (zh) | 一种基于水文数据进行预测的方法及系统 | |
CN117197632A (zh) | 一种基于Transformer的电镜花粉图像目标检测方法 | |
CN115909077A (zh) | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 | |
Liu et al. | A transformer-based medical visual question answering model | |
CN113361662A (zh) | 一种城市轨道交通遥感图像数据的处理系统及方法 | |
Toosizadeh et al. | Design and implementation of a new Persian digits OCR algorithm on FPGA chips | |
CN111899161A (zh) | 一种超分辨率重建方法 | |
CN113657214B (zh) | 一种基于Mask RCNN的建筑损伤评估方法 | |
Nandal et al. | A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics | |
US20240135489A1 (en) | Method, device, and computer program product for image processing | |
US20240177456A1 (en) | Object detection method for detecting one or more objects using a plurality of deep convolution neural network layers and object detection apparatus using the same method and non-transitory storage medium thereof |
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 |