一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法技术

本发明专利技术公开了一种融合1D‑CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，首先构建高相干点神经网络，然后用时序SAR复数数据形成的幅度序列和干涉相干系数图序列以及高相干点标记影像构成的2套训练样本集分别训练高相干点神经网络，之后将待检测的上述类型的测试时序数据分别输入训练好的各自对应数据类型的高相干点神经网络，输出各自的高相干点提取的中间结果，并对中间结果进行交集运算，进而实现高相干点的最终提取。

A high coherence point extraction method for time series InSAR based on 1d-cnn and bilstm neural network

【技术实现步骤摘要】
一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法
本专利技术属于时序InSAR地面形变监测
，特别涉及时序InSAR高相干点提取，尤其涉及一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法。
技术介绍
以永久散射体干涉(PermanentScattererInterferometry,PS-InSAR)技术和小基线集技术(SmallBaselineSubsetInterferometry,SBASInSAR)为代表的时间序列InSAR技术因可以克服时空失相干等问题在近10多年得到迅速发展。而时间序列InSAR技术可以克服时空失相干等问题的关键在于时间序列InSAR处理的对象不再是整幅影像的所有像元，而是具有稳定散射特性的高相干点。所以，高相干点的准确提取是时间序列InSAR技术成功的关键。目前，对于高相干点提取的主要手段是阈值分割方法，通过对由时间序列SAR复数数据产生的平均相干系数、振幅离差指数或者平均幅度等设置适当的阈值完成高相干点的提取或者综合多种阈值进行高相干点的提取。基于阈值分割的高相干点提取方法需要根据经验设置阈值，但是人工难以对阈值进行精准的把握，容易造成高相干点的漏选或错选，尤其是多阈值串行的高相干点提取方法需要对多种阈值进行反复调整才能满足数据处理的要求，处理过程相当耗时。
技术实现思路
(一)专利技术目的为克服上述现有技术存在的缺陷，自动对阈值进行精准的把握，尽量避免高相干点的漏选或错选，节约数据处理的耗时，通过融合1D-CNN与BiLSTM神经网络，提取时序InSAR高相干点，从而可以自动确定时序InSAR高相干点，解决高相干点提取过程中最优阈值难以确定的问题，本申请公开了以下技术方案。(二)技术方案本专利技术公开了一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，包括：通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络；用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络；将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果；对所述中间结果进行交集运算，输出最终的高相干点提取结果。在一种可能的实施方式中，所述通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络，包括：利用1D-CNN神经网络学习输入时序数据的抽象特征，得到抽象特征矢量；利用BiLSTM神经网络对所述抽象特征矢量进行时序建模，得到长依赖关系；利用2个全连接层综合学习所述长依赖关系，得到全连接层输出；使用分类函数对所述全连接层输出进行高相干点和非相干点的逻辑分类。在一种可能的实施方式中，所述BiLSTM神经网络包括一个正向时序LSTM神经网络和一个逆向时序LSTM神经网络，每个LSTM神经网络均由N个LSTM细胞单元组成，所述细胞单元的个数等于1D-CNN输出抽象特征的时间点数；所述LSTM细胞单元包括输入单元、输出单元和门控单元，其中，所述输入单元包括上一个时间点LSTM细胞单元的输出单元和当前时间点的抽象特征矢量输入单元，所述输出单元包括LSTM的细胞状态和隐藏层状态；所述门控单元分别为输入门、忘记门和输出门，用于控制输入信息在LSTM细胞内部的去留，从而有利于建立各时间点数据之间的长时间依赖关系。在一种可能的实施方式中，每个所述门控单元由相同数量的神经元组成的全连接层构成，且所述输入门ik、忘记门fk和输出门ok的表达式分别为：ik＝σ(Wuiuk+Whihk-1+bi)fk＝σ(Wufuk+Whfhk-1+bf)ok＝σ(Wuouk+Whohk-1+bo)式中，分别为第k个时间点输入特征矢量uk和上一个时间点LSTM细胞单元隐藏层输出hk-1的权重矩阵；为相应的偏置矢量，下标q∈(i,f,o)，分别表示输入门、遗忘门和输出门；上标H表示LSTM细胞中各门控单元的神经元个数，上标F表示输入矢量特征的维度，σ表示sigmoid函数，值域为(0,1)。在一种可能的实施方式中，所述细胞状态Sk和隐藏层状态hk的表达式分别为：hk＝ok⊙tanh(Sk)式中，分别为第k个时间点输入特征矢量uk和上一个时间点LSTM细胞单元隐藏层输出hk-1的权重矩阵，为相应的偏置矢量；⊙表示矢量元素点乘；tanh表示正切函数，值域为(-1,1)。在一种可能的实施方式中，所述用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络，包括：利用时序SAR复数数据形成的平均相干系数、幅度离差值、平均幅度，设置严格阈值，提取高相干点和非相干点标记影像；利用时序SAR复数数据形成幅度影像序列和干涉相干系数图序列；分别利用上述幅度影像序列和所述干涉相干系数图序列，结合上述高相干点和非相干点标记影像，构建2套不同数据类型的网络训练样本数据集；初始化所述高相干点神经网络中各神经元的网络参数，网络参数包括各神经元的权重和偏置；先后利用构建的2套网络训练样本数据集，采用监督学习机制多轮次地迭代训练所述高相干点神经网络，获得各数据类型对应的高相干点神经网络。在一种可能的实施方式中，所述初始化所述高相干点神经网络中各神经元的网络参数，包括：将神经网络模型中各神经元的权重初始化为服从均值为0、方差为的正态分布的随机数，n为输入数据个数，所述偏置初始化为0。在一种可能的实施方式中，所述先后利用构建的2套网络训练样本数据集，采用监督学习机制多轮次地迭代训练所述高相干点神经网络，获得各数据类型对应的高相干点神经网络，包括：设定所述高相干点神经网络的训练周期，每个训练周期分整数个批次、每批次输入一定数量带标签的训练样本数据；选取交叉熵函数作为代价函数，并应用Adam优化器，设置学习率，迭代更新高相干点神经网络中所述网络参数，进而完成所述高相干点神经网络的训练。在一种可能的实施方式中，所述将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果，包括：输入幅度序列测试数据到训练好的相应数据类型的神经网络，得到第一高相干点提取中间结果；输入干涉相干系数图序列数据到训练好的相应数据类型的神经网络，得到第二高相干点提取中间结果。在一种可能的实施方式中，所述对所述中间结果进行交集运算，输出最终的高相干点提取结果，包括：对所述第一高相干点提取中间结果和所述第二高相干点提取中间结果取交集，算出最终的高相干点提取结果。(三)有益效果本专利技术公开的融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，具有如下有益效果：1、能够自动提取时序InSAR高相干点本文档来自技高网...

【技术保护点】
1.一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，其特征在于：/n通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络；/n用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络；/n将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果；/n对所述中间结果进行交集运算，输出最终的高相干点提取结果。/n

【技术特征摘要】
1.一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，其特征在于：
通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络；
用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络；
将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果；
对所述中间结果进行交集运算，输出最终的高相干点提取结果。


2.根据权利要求1所述的方法，其特征在于，所述通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络，包括：
利用1D-CNN神经网络学习输入时序数据的抽象特征，得到抽象特征矢量；
利用BiLSTM神经网络对所述抽象特征矢量进行时序建模，得到长依赖关系；
利用2个全连接层综合学习所述长依赖关系，得到全连接层输出；
使用分类函数对所述全连接层输出进行高相干点和非相干点的逻辑分类。


3.根据权利要求2所述的方法，其特征在于，所述BiLSTM神经网络包括一个正向时序LSTM神经网络和一个逆向时序LSTM神经网络，每个LSTM神经网络均由N个LSTM细胞单元组成，所述细胞单元的个数等于1D-CNN输出抽象特征的时间点数；
所述LSTM细胞单元包括输入单元、输出单元和门控单元，其中，所述输入单元包括上一个时间点LSTM细胞单元的输出单元和当前时间点的抽象特征矢量输入单元，所述输出单元包括LSTM的细胞状态和隐藏层状态；所述门控单元分别为输入门、忘记门和输出门，用于控制输入信息在LSTM细胞内部的去留，从而有利于建立各时间点数据之间的长时间依赖关系。


4.根据权利要求3所述的方法，其特征在于，每个所述门控单元由相同数量的神经元组成的全连接层构成，且所述输入门ik、忘记门fk和输出门ok的表达式分别为：
ik＝σ(Wuiuk+Whihk-1+bi)
fk＝σ(Wufuk+Whfhk-1+bf)
ok＝σ(Wuouk+Whohk-1+bo)
式中，分别为第k个时间点输入特征矢量uk和上一个时间点LSTM细胞单元隐藏层输出hk-1的权重矩阵；为相应的偏置矢量，下标q∈(i,f,o)，分别表示输入门、遗忘门和输出门；上标H表示LSTM细胞中各门控单元的神经元个数，上标F表示输入矢量特征的维度，σ表示sigmoid函数，值域为(0,1)。


5.根据权利要求3或4所述的方法，其特征在于，所述细胞状态Sk和隐藏层状态hk的表达式分别为：

...

【专利技术属性】
技术研发人员：张永红，魏钜杰，郭庆华，吴宏安，康永辉，
申请(专利权)人：中国测绘科学研究院，
类型：发明
国别省市：北京;11