一种基于LSTM模型的平场预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于LSTM模型的平场预测方法和装置，包括以下步骤：步骤S1：转化为灰度图；步骤S2：模拟得到新图像；步骤S3：利用KLL算法计算得到中心平场图像；步骤S4：利用KLL算法计算得到各边界补偿图像；步骤S5：得到平场数据；步骤S6：将所述平场预测算法数据库构建LSTM预测模型，加载所需预测模型的现有序列数据，得到训练进度图及最终的预测结果。本发明专利技术解决了平场很不容易进行在轨校正，对依赖像素间相关性的算法处理影响显著的难题，通过建立LSTM时序预测模型，定期对在轨太阳成像观测仪器进行平场定标，逐渐进行预测，探究其变化规律及趋势，为后续长期校准工作提供参考。为后续长期校准工作提供参考。为后续长期校准工作提供参考。

【技术实现步骤摘要】
一种基于LSTM模型的平场预测方法和装置


[0001]本专利技术涉及一种图像处理
，尤其涉及一种基于LSTM模型的平场预测方法和装置。

技术介绍

[0002]随着人类空间活动的日益频繁，对空间环境（或空间天气）的监测和预报变得尤为重要，而太阳活动是一切空间环境变化的源头。太阳活动爆发时会释放剧烈的电磁辐射和粒子辐射，其中X射线和极紫外波段的成像观测是对太阳活动进行监测和预警的最佳方法之一，所以高精度的太阳X射线和极紫外波段的成像观测数据对研究太阳活动和预报地球空间环境至关重要。
[0003]随着定标要求的提高，像面非均匀性校正已经成为空间天文观测的关键技术之一。天文学家常用“圆顶”平面，“黄昏”平面或“夜空”平面产生均匀明亮的自然目标，但定标结果只能达到和目标一样的精度级，而积分球、漫反射板等人工均匀照明光源受制造工艺的限制，也无法应用于X射线
‑
极紫外波段。另一类方法不需要非常均匀的目标，仅需要一系列空间位移的图像数据。只要准确知道每幅图像的位移，就可以快速计算出像面的响应分布。Kuhn等人在天文CCD应用的推动下首先开发出了这种KLL算法，用于校准非均匀图像阵列数据。
[0004]在太阳成像观测仪器在轨工作期间，平场和其它仪器参数一样因为空间环境和工作寿命长等原因会出现校准漂移，所以需要对在轨太阳成像观测仪器定期进行定期在轨平场定标，而对平场进行预测可以为在轨平场定标周期的设置提供参考。
[0005]因此，我们提出了一种基于LSTM模型的平场预测方法和装置以此解决上述技术问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于LSTM模型的平场预测方法和装置，通过算法计算获得平场数据，摆脱了传统测量方法对均匀目标的严重依赖性；获得平场的光学设置与执行任务观察时的光学设置相同，适用于在轨观测；使用连续观测的存档数据进行回顾性操作的方法无需任何特殊的卫星操作，且不仅限于某个设备的连续图像。平场定标校正了像面响应的不均匀性，提高了对太阳辐射强度的测量精度和拍摄图像的分辨率，是获得高质量遥感图像的保障，也是对图像数据进行后期分析处理与应用的前提和关键。通过定期对在轨太阳成像观测仪器进行平场定标，逐渐进行预测，探究变化规律及趋势，可以为长期校准工作提供参考。
[0007]本专利技术采用的技术方案如下：一种基于LSTM模型的平场预测方法，包括以下步骤：步骤S1：利用太阳成像观测设备获取太阳图像，并将所述太阳图像转化为灰度图；步骤S2：模拟一个呈余弦分布的矩阵模仿平场图像与所述灰度图相乘，模拟得到
新太阳响应图像；步骤S3：针对不同时间点的所述新太阳响应图像进行位移，分别在像面的不同位置模拟成像，利用KLL算法计算得到中心平场图像；步骤S4：改变采样中心，针对不同时间点的所述新太阳响应图像进行位移，分别在像面的不同位置模拟成像，获得若干组位移图像序列，利用KLL算法计算得到各边界补偿图像；步骤S5：根据有效像素数加权平滑法，将每幅所述边界补偿图像依次与所述中心平场图像进行拼接融合，得到平场预测算法数据集，并根据所述平场预测算法数据集构建平场预测算法数据库；步骤S6：将所述平场预测算法数据库构建LSTM预测模型，加载所需预测模型的现有序列数据，将所述现有序列数据按时序分为训练数据和测试数据，并通过一步时间法得到的预测结果和测试数据的均方根误差以及多步时间法得到的预测结果和测试数据的均方根误差进行对比，利用均方根误差小的方法进行所述LSTM预测模型预测，得到训练进度图及最终的预测结果。
[0008]进一步地，所述一步时间法具体包括以下子步骤：步骤S61：加载所需预测模型的现有序列数据，将所述现有序列数据按时序分为训练数据和测试数据；步骤S62：将所述训练数据通过predictAndUpdateState函数预测多个时间步并更新网络状态，一次获得所有预测结果，并计算所述预测结果和测试数据的均方根误差。
[0009]进一步地，所述多步时间法具体包括以下子步骤：步骤S61：加载所需预测模型的现有序列数据，将所述现有序列数据按时序分为训练数据和测试数据；步骤S62：将所述训练数据通过predictAndUpdateState函数一次获得一个预测结果，然后将所述预测结果不断加入训练数据，作为新的输入，得到新的下一个时间步的预测结果并更新网络状态，计算所述预测结果和测试数据的均方根误差。
[0010]进一步地，所述步骤S6中所述训练数据和所述预测数据为8:10
‑
9:10。
[0011]进一步地，所述训练数据和所述预测数据均用零均值和单位方差进行标准化。
[0012]进一步地，利用所述平场预测算法数据集计算全像面上每个像素点的平场均值及标准差，再用此标准差除以平场均值得到一个平场精度评估矩阵计算平场的稳定性。
[0013]一种基于LSTM模型的平场预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例任一项所述的一种基于LSTM模型的平场预测方法。
[0014]一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现上述实施例任一项所述的一种基于LSTM模型的平场预测方法。
[0015]本专利技术的有益效果是：1、本专利技术本通过输入一系列位移已知的图像序列计算得到平场数据，摆脱了对均匀目标的依赖性，克服了积分球、漫反射板等人工均匀照明光源受制造工艺的限制，无法应用于X射线
‑
极紫外波段的问题，平场精度也不再决定于照明光源的均匀性；2、本专利技术用于获得平场的光学设置与观察时的光学设置相同，且回顾性操作的方
法无需任何特殊的卫星操作或局限于某个设备的连续图像，解决了在轨定标的难题，适用于各种应用环境下执行不同任务的各类设备，具有更好的普适性和灵活性，对执行其他任务的设备也有重要参考意义；3、本专利技术解决了平场很不容易进行在轨校正，对依赖像素间相关性的算法处理影响显著的难题，通过建立LSTM时序预测模型，定期对在轨太阳成像观测仪器进行平场定标，逐渐进行预测，探究其变化规律及趋势，为后续长期校准工作提供参考，有利于克服太阳成像观测仪器的工作环境恶劣、在轨工作寿命长、服役期间性能变化大造成的平场漂移问题。
附图说明
[0016]图1为本专利技术实施例1中NASA
‑
SDO
‑
AIA官网193nm波段太阳图像、平场及计算的平场数据；图2为本专利技术实施例2中LSTM预测模型应用于水痘病例数预测的结果；图3为本专利技术实施例2中LSTM预测模型预测平场数据的计算结果；图4为本专利技术实施例2中LSTM预测模型预测平场数据的误差分析；图5为本专利技术一种基于LSTM模型的平场预测装置的结构图。
具体实施方式
[0017]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM模型的平场预测方法，其特征在于，包括以下步骤：步骤S1：利用太阳成像观测设备获取太阳图像，并将所述太阳图像转化为灰度图；步骤S2：模拟一个呈余弦分布的矩阵模仿平场图像与所述灰度图相乘，模拟得到新太阳响应图像；步骤S3：针对不同时间点的所述新太阳响应图像进行位移，分别在像面的不同位置模拟成像，利用KLL算法计算得到中心平场图像；步骤S4：改变采样中心，针对不同时间点的所述新太阳响应图像进行位移，分别在像面的不同位置模拟成像，获得若干组位移图像序列，利用KLL算法计算得到各边界补偿图像；步骤S5：根据有效像素数加权平滑法，将每幅所述边界补偿图像依次与所述中心平场图像进行拼接融合，得到平场预测算法数据集，并根据所述平场预测算法数据集构建平场预测算法数据库；步骤S6：将所述平场预测算法数据库构建LSTM预测模型，加载所需预测模型的现有序列数据，将所述现有序列数据按时序分为训练数据和测试数据，并通过一步时间法得到的预测结果和测试数据的均方根误差以及多步时间法得到的预测结果和测试数据的均方根误差进行对比，利用均方根误差小的方法进行所述LSTM预测模型预测，得到训练进度图及最终的预测结果。2.如权利要求1所述的一种基于LSTM模型的平场预测方法，其特征在于，所述一步时间法具体包括以下子步骤：步骤S61：加载所需预测模型的现有序列数据，将所述现有序列数据按时序分为训练数据和测试数据；步骤S62：将所述训练数据通过predictAndUpdateState函数预测多个时间步并更新网络状态，一次获得所有预测结果，并计算所述预测结果和测试数据的均方根误差。...

【专利技术属性】
技术研发人员：高兴俊，李凌，付翔，王一休，张亮，
申请(专利权)人：之江实验室，
类型：发明
国别省市：