基于长短期记忆与生成对抗网络的卫星云图预测的方法技术

基于长短期记忆与生成对抗网络的卫星云图预测的方法，本发明专利技术使用风云4号卫星云图数据作为云图预测的数据源。首先获取通过特定方法采集数据集，并按拍摄时间进行排序存储。读取图像时，将图像转换到合适的空间，喂入长短期记忆网络中，将降维后的数据喂入生成对抗网络的生成器中，得到预测图像。通过将长短期记忆网络与生成对抗网络相结合，可以提升预测图像的时间相关性，具有较好的预测效果。

【技术实现步骤摘要】
基于长短期记忆与生成对抗网络的卫星云图预测的方法
本专利技术涉及深度学习与图像处理领域，特别是涉及到基于长短期记忆与生成对抗网络的卫星云图预测的方法。
技术介绍
6月23日，中国使用长征三号乙运载火箭，将北斗三号的最后一颗即第55颗全球组网卫星送入太空。如今北斗三号全球卫星导航系统全面建成，中国得以通过北斗系统向全球提供导航、定位以及其他服务。风云四号卫星（FY－4）卫星是由中国航天科技集团公司第八研究院（上海航天技术研究院）抓总研制的第二代地球静止轨道（GEO）定量遥感气象卫星，采用三轴稳定控制方案，将接替自旋稳定的风云二号（FY－2）卫星，其连续、稳定运行将大幅提升我国静止轨道气象卫星探测水平。随着深度学习技术的不断迭代，具有不同功能的网络结构相继被提出。本专利技术使用的长短期记忆网络可以提取图像序列的潜在变化信息，而生成对抗网络则在生成图像上具有较高性能，结合这两种网络结构可以实现卫星云图的预测任务。
技术实现思路
为了解决上述存在问题。本专利技术提出基于长短期记忆与生成对抗网络的卫星云图预测的方法，可以对未来时间的卫星云图进行预测。为达此目的：本专利技术提供基于长短期记忆与生成对抗网络的卫星云图预测的方法，具体步骤如下：步骤1：采集数据集，并把图像转换到RGB图像空间；步骤2：图像预处理过程，将图像尺寸调整为8000X5000，将每个像素值除以127.5并减去1；步骤3：将随机数经过批量标准化和非线性激活函数处理后，使用随机数训练生成对抗网络的生成器，使用已经预处理的真实卫星云图和生成器的预测云图喂入判别器，并不断优化生成器与判别器的权值，经过迭代，得到最优权值；步骤4：停止生成对抗网络的训练，将真实的已经预处理的真实卫星云图喂入长短期记忆网络中，将生成器结果与真实结果对比，不断优化长短期记忆网络，使用判别器评估整个模型的预测效果，通过多轮迭代获取最优模型；步骤5：使用最优模型，将特定时间段卫星云图喂入模型，得到预测图像。作为本专利技术进一步改进，所述步骤2中图像预处理公式为：其中，分别是RGB图像色彩空间的三个色彩通道。作为本专利技术进一步改进，所述步骤3中将随机数经过批量标准化，对每一层的输入进行计算，再通过BatchNormalization进行批量标准化，把每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，BatchNormalization激活函数的公式为：输入：最小批量x的取值为={x1,...,xm};需要学习的参数为γ,β输出：{yi=BNγ，β(xi)}；其中代表最小批量的均值,代表最小批量的方差，代表标准化，代表缩放和移位。作为本专利技术进一步改进，所述步骤3中非线性激活函数处理，对每一层的输入进行计算，再通过LeakyRelu进行非线性处理，LeakyRelu激活函数的公式为：公式中，x表示图像的某一个像素值；a表示系数。本专利技术提供基于长短期记忆与生成对抗网络的卫星云图预测的方法，有益效果在于：1.本专利技术利用连续时间序列卫星云图，预测未来时间卫星云图更加准确；2.本专利技术利用长短期记忆网络提取时间序列卫星云图特征；3.本专利技术利用生成对抗网络生成图像，在图像效果上有较好的表现；4.采用两步训练方法，对比合并训练法，在最终结果上有更好的表现；5.本专利技术有较高应用前景。附图说明图1是生成对抗网络训练图；图2是长短期网络训练图；图3是长短期记忆网络与生成对抗网络结合的预测流程图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术提出基于长短期记忆与生成对抗网络的卫星云图预测的方法，可以对未来时间的卫星云图进行预测。下面结合附图与具体实施方式对本专利技术作进一步详细描述：其中图1是生成对抗网络训练图，图2是长短期网络训练图，图3是长短期记忆网络与生成对抗网络结合的预测流程图，具体步骤如下。首先，采集数据集，并把图像转换到RGB图像空间。对图像进行预处理，将图像尺寸调整为8000X5000，将每个像素值除以127.5并减去1，图像像素预处理公式为：其中，分别是RGB图像色彩空间的三个色彩通道。接着，使用随机数训练生成对抗网络的生成器，使用真实卫星云图（已预处理）和生成器的预测云图喂入判别器，并不断优化生成器与判别器的权值，经过迭代，得到最优权值。对每一层的输入进行计算时，通过BatchNormalization进行批量标准化，把每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，BatchNormalization激活函数的公式为：输入：最小批量x的取值为={x1,...,xm};需要学习的参数为γ,β输出：{yi=BNγ，β(xi)}其中代表最小批量的均值,代表最小批量的方差，代表标准化，代表缩放和移位。将随机数通过BatchNormalization批量标准化处理后，通过LeakyRelu进行非线性处理，LeakyRelu激活函数的公式为：公式中，x表示图像的某一个像素值；a表示系数。然后，停止生成对抗网络的训练，将真实的卫星云图（已预处理）喂入长短期记忆网络中，将生成器结果与真实结果对比，不断优化长短期记忆网络，使用判别器评估整个模型的预测效果，通过多轮迭代获取最优模型。最后，使用最优模型，将特定时间段卫星云图喂入模型，得到预测图像。以上所述，仅是本专利技术的较佳实施例而已，并非是对本专利技术作任何其他形式的限制，而依据本专利技术的技术实质所作的任何修改或等同变化，仍属于本专利技术所要求保护的范围。本文档来自技高网...

【技术保护点】
1.基于长短期记忆与生成对抗网络的卫星云图预测的方法，具体步骤如下：/n步骤1：采集数据集，并把图像转换到RGB图像空间；/n步骤2：图像预处理过程，将图像尺寸调整为8000X5000，将每个像素值除以127.5并减去1；/n步骤3：将随机数经过批量标准化和非线性激活函数处理后，使用随机数训练生成对抗网络的生成器，使用已经预处理的真实卫星云图和生成器的预测云图喂入判别器，并不断优化生成器与判别器的权值，经过迭代，得到最优权值；/n步骤4：停止生成对抗网络的训练，将真实的已经预处理的真实卫星云图喂入长短期记忆网络中，将生成器结果与真实结果对比，不断优化长短期记忆网络，使用判别器评估整个模型的预测效果，通过迭代获取最优模型；/n步骤5：使用最优模型，将特定时间段卫星云图喂入模型，得到预测图像。/n

【技术特征摘要】
1.基于长短期记忆与生成对抗网络的卫星云图预测的方法，具体步骤如下：
步骤1：采集数据集，并把图像转换到RGB图像空间；
步骤2：图像预处理过程，将图像尺寸调整为8000X5000，将每个像素值除以127.5并减去1；
步骤3：将随机数经过批量标准化和非线性激活函数处理后，使用随机数训练生成对抗网络的生成器，使用已经预处理的真实卫星云图和生成器的预测云图喂入判别器，并不断优化生成器与判别器的权值，经过迭代，得到最优权值；
步骤4：停止生成对抗网络的训练，将真实的已经预处理的真实卫星云图喂入长短期记忆网络中，将生成器结果与真实结果对比，不断优化长短期记忆网络，使用判别器评估整个模型的预测效果，通过迭代获取最优模型；
步骤5：使用最优模型，将特定时间段卫星云图喂入模型，得到预测图像。


2.根据权利要求1所述的基于长短期记忆与生成对抗网络的卫星云图预测的方法，其特征在于：所述步骤2中图像预处理公式为：



其中，分别是RGB图像色彩空间的三...

【专利技术属性】
技术研发人员：郭洪涛，卞冬梅，鲍健，卞朝龙，
申请(专利权)人：江苏铨铨信息科技有限公司，
类型：发明
国别省市：江苏;32