【技术实现步骤摘要】
基于潜空间解耦和偏微分建模的云层运动预测方法及系统
[0001]本专利技术涉及计算机视觉和深度学习
，特别是涉及一种基于潜空间解耦和偏微分建模的云层运动预测方法及系统。
技术介绍
[0002]随着深度学习框架结构和算法的不断发展，运动预测成为计算机视觉近年来的热门研究领域。云层运动预测的目的是给定待预测区域的历史云层图像，来预测该区域未来一段时间内云层的运动和变化图像。云层运动预测在卫星激光通信、太阳能获取和利用、实时天气预报等领域有着广泛的应用场景。
[0003]现有的云层运动预测的传统方法有独立分量分析、慢特征分析、随机森林算法、物理建模等方法；然而这些方法存在一些缺点，首先它们需要获取大量的物理数据来制造人工特征，需要很大的人工成本和计算成本；其次这些方法多用于卫星云图的大尺度长时间的模糊预测，不能提供精准实时且高分辨率的小尺度的云图预测；最后，这些方法没有足够的灵活性来捕捉云图数据的复杂性。近年来，深度学习方法也逐步应用于云层运动预测。然而，现有的深度学习方法主要是通过自注意力机制或者三维卷积捕捉云层运...
【技术保护点】
【技术特征摘要】
1.一种基于潜空间解耦和偏微分建模的云层运动预测方法，其特征在于，包括：获取红外相机拍摄的原始云层图像训练集并进行数据预处理，得到预处理好的云层图像训练集；所述云层图像训练集中包括连续帧的云层图像；构建双支路递归神经网络；所述双支路递归神经网络包括图像编码器、偏微分单元、长短时记忆单元、变分互信息网络以及图像解码器；利用所述云层图像训练集训练所述双支路递归神经网络，得到训练好的双支路递归神经网络；获取待预测区域的当前帧的云层图像；根据所述待预测区域的当前帧的云层图像和所述训练好的双支路递归神经网络确定所述待预测区域的未来帧的云层图像。2.根据权利要求1所述的方法，其特征在于，所述获取红外相机拍摄的原始云层图像训练集并进行数据预处理，得到预处理好的云层图像训练集，具体包括：获取红外相机拍摄的原始云层图像训练集；所述原始云层图像训练集中包括连续帧的原始云层图像；将所述原始云层图像的像素值范围从[0,255]归一化到[0,1]，并将所述原始云层图像以50％的概率做随机水平翻转，得到预处理好的连续帧的云层图像构成所述预处理好的云层图像训练集。3.根据权利要求1所述的方法，其特征在于，所述构建双支路递归神经网络，具体包括：构建图像编码器；所述图像编码器用于提取单帧云层图像的高维空间特征；构建分别与所述图像编码器相连接的偏微分单元和长短时记忆单元；所述偏微分单元用于根据所述云层图像的高维空间特征获得未来帧云层图像的预测动态特征；所述长短时记忆单元用于根据所述云层图像的高维空间特征获得未来帧云层图像的预测非动态特征；构建分别与所述偏微分单元和所述长短时记忆单元相连接的变分互信息网络；所述变分互信息网络用于近似所述未来帧云层图像的预测动态特征和预测非动态特征的条件概率分布；构建分别与所述偏微分单元和所述长短时记忆单元相连接的图像解码器；所述图像解码器用于根据所述未来帧云层图像的预测动态特征和预测非动态特征预测未来帧的云层图像。4.根据权利要求3所述的方法，其特征在于，所述图像编码器用于提取单帧云层图像的高维空间特征，具体包括：将预处理好的当前帧云层图像u
t
输入到所述双支路递归神经网络的图像编码器中，根据编码器网络公式h
t
＝E(u
t
)提取当前帧云层图像的高维空间特征h
t
；其中E表示图像编码器。5.根据权利要求4所述的方法，其特征在于，所述偏微分单元用于根据所述云层图像的高维空间特征获得未来帧云层图像的预测动态特征，具体包括：将所述当前帧云层图像的高维空间特征h
t
输入所述偏微分单元，根据偏微分公式获得未来帧云层图像的预测动态特征其中f
phycell
表示偏微分单元。
6.根据权利要求5所述的方法，其特征在于，所述长短时记忆单元用于根据所述云层图像的高维空间特征获得未来帧云层图像的预测非动态特征，具体包括：将所述当前帧云层图像的高维空间特征h
t
输入所述长短时记忆单元，根据长短时记忆单元网络公式获得...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。