一种脱敏气象数据的生成方法技术

本发明专利技术提供了一种脱敏气象数据的生成方法，包括步骤1：获取真实气象数据集；步骤2：对真实气象数据集进行预处理；步骤3：构建新的深度卷积生成对抗网络；步骤4：构建脱敏气象数据生成模型MDCGAN；步骤5：训练脱敏气象数据生成模型MDCGAN；步骤6：利用步骤5所述的脱敏气象数据生成模型MDCGAN生成脱敏的气象数据；本发明专利技术在基于生成对抗网络生成气象数据的过程中引入了差分隐私保护的设计，通过训练一个差分私有生成器来解决生成数据的安全性问题，可以在不侵犯训练数据隐私的情况下生成无限多个安全的生成数据，使得生成的气象数据可以同时满足数据增强和数据脱敏的要求。满足数据增强和数据脱敏的要求。满足数据增强和数据脱敏的要求。

【技术实现步骤摘要】
一种脱敏气象数据的生成方法


[0001]本专利技术涉及气象
，尤其涉及一种脱敏气象数据的生成方法。

技术介绍

[0002]人工智能技术近年来已经开始在气象领域得到了探索性的应用并展现出了明显的优势，基于深度学习的人工智能技术使得气象预报的准确性大幅度提升。在大数据分析或深度学习这些数据驱动的任务中，经常会面临数据量不足的问题，寻找研究数据往往占据很大一部分时间，这是困扰很多研究者的问题。尤其是在基于深度学习的任务中，在训练中需要大量的数据。数据不足经常导致实际研究中更多地使用小样本数据，而基于小样本数据的研究中往往会存在各种各样的问题。一种解决方法是采用专门针对小样本学习规律的机器学习方法，比如统计学习(Statistic Learning Theory)等，但这种方法的泛化性能较差且计算困难。另一种解决方法是数据增强(Data Augmentation)。
[0003]数据增强是指通过预处理对训练数据进行扩增的过程。在深度学习任务中，模型的往往是由数据驱动的，训练数据质量的好坏直接影响到模型的性能。而即使有海量的数据集，在输入模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脱敏气象数据的生成方法，其特征在于，包括以下步骤：步骤1：获取真实气象数据集；步骤2：对真实气象数据集进行预处理，使其满足深度学习模型训练的要求；步骤3：对深度卷积生成对抗网络进行改进，构建新的深度卷积生成对抗网络，具体的：步骤3.1：去掉深度卷积生成对抗网络的池化层，生成器中使用反卷积进行上采样，判别器中使用跨距卷积代替池化层；步骤3.2：生成器和判别器中增加批量归一化操作；步骤3.3：去掉深度卷积生成对抗网络的全连接层，使用全局池化代替；步骤3.4：生成器中输出层使用Tanh激活函数，隐藏层使用ReLU激活函数；步骤3.5：判别器中输出层使用Sigmoid激活函数，隐藏层使用LeakyReLU激活函数；步骤4：构建脱敏气象数据生成模型MDCGAN，具体的：训练步骤3中所述的新的深度卷积生成对抗网络的判别器，并在训练新的深度卷积生成对抗网络的判别器过程中添加噪声扰动；步骤5：训练脱敏气象数据生成模型MDCGAN，具体的：步骤5.1：使用结合差分隐私的Adam优化算法训练脱敏气象数据生成模型MDCGAN，具体的，采用差分隐私梯度下降方法通过梯度裁剪方式限制每个样本的敏感度，然后对样本添加高斯噪声；步骤5.2：更新判别器；步骤5.3：更新生成器；步骤6：利用步骤5所述的脱敏气象数据生成模型M...

【专利技术属性】
技术研发人员：张新红，张颖旗，张帆，
申请(专利权)人：河南大学，
类型：发明
国别省市：