申请/专利权人：北京工商大学

申请日：2021-04-27

公开（公告）日：2024-03-29

公开（公告）号：CN113011397B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/44;G06V10/82;G06V10/764;G06N3/0464;G06N3/084;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.07.09#实质审查的生效;2021.06.22#公开

摘要：本发明公开了一种基于遥感图像4D‑FractalNet的多因素蓝藻水华预测方法，属于水质监测技术领域，具体包括：首先，在传统CNN的基础上加入时间维度与水华发生的相关因素，进行改进得到4D‑CNN‑SVM模型，对卷积层进行递归扩展，形成4D‑FractalNet模型；然后，利用细菌觅食算法对4D‑FractalNet模型中的卷积核数量和尺寸进行优化；利用优化后的4D‑FractalNet模型对各输入的遥感图像进行特征提取，并对水体富营养化等级预测；最后，在BP神经网络上增加承接层作为Elman神经网络；结合采样站点采集的历史时刻的叶绿素浓度测量值，藻类生长机理模型计算的当前时刻叶绿素浓度值，以及遥感图像的提取特征共同输入Elman神经网络，对下一时刻的叶绿素浓度值进行预测；本发明能实现蓝藻水华爆发的全面预测。

主权项：1.一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，具体为：首先，在传统CNN的基础上，加入时间维度与影响水华发生的相关因素，通过堆叠多个连续的帧组成一个立方体，在立方体中运用4D卷积核，构建四维卷积神经网络4D-CNN；其建模过程分为前馈过程，计算成本和反向传播三个部分；然后，使用支持向量机模型SVM替换Softmax分类器，对网络的分类层进行改进，成为卷积神经网络的最后一层，在全连接层汇集所有特征之后，将多因素、多尺度的时空特征向量输入至支持向量机模型中，经过再次训练，并与四维卷积神经网络组成4D-CNN-SVM模型；对4D-CNN-SVM的卷积层进行递归扩展，形成4D-FractalNet模型；所述递归扩展的计算公式如下： 其中fC·表示分形网络的卷积操作，C表示分形网络的扩展次数，代表级联操作，表示组合方式，4dconv·代表四维卷积操作；所述4D-CNN-SVM模型通过对激活函数和分类器进行改进得到：通过改进的激活函数得到改进的卷积层，具体为：激活函数f·具体如下： α·是为可调整参数；改进的四维卷积层计算公式为： 其中是第i行第j列第l层神经元在h,w,n,t位置的输出，h、w、n、t为分量，与其对应的H为图像的总长度，W为图像的总宽度，N代表表征水华的三个影响因素，T表示时间的变化情况；L是覆盖所有特征映射的层数，P是卷积核的长度，Q是卷积核的宽度，R是卷积核的高度，G是卷积核深度，是第i行第j列神经元第l层神经元的权重，bij是第i行第j列神经元特征映射的偏差；改进的分类层是指：4D-CNN的全连接层之后连接支持向量机模型替换常规的Softmax分类器成为卷积神经网络的最后一层，组成4D-CNN-SVM模型；然后，利用细菌觅食算法对4D-FractalNet模型中的卷积核数量和尺寸进行优化，优化后对输入的各遥感图像分别进行特征提取；最后，在BP神经网络上增加承接层作为Elman神经网络；将各遥感图像的提取特征，结合历史时刻采样的叶绿素浓度测量值，以及利用藻类生长机理模型计算的当前时刻叶绿素浓度值，共同输入Elman神经网络，对下一时刻的叶绿素浓度值进行预测。

全文数据：

权利要求：

百度查询： 北京工商大学 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD