遥感卫星数据处理方法及系统技术方案

一种遥感卫星数据处理方法及系统，其获取多个边缘计算节点在预定时间段内多个预定时间点的任务量；采用基于深度学习的人工智能技术，挖掘各个边缘计算节点的任务量的时序动态变化关联特征，基于时序动态变化关联特征对于每个边缘计算节点的任务量的时序变化情况进行评估，以此提高各个边缘节点的任务量的时序关联特征的表达能力。这样，可以避免造成数据载荷堆积，提高遥感卫星数据处理的时效性。提高遥感卫星数据处理的时效性。提高遥感卫星数据处理的时效性。

【技术实现步骤摘要】
遥感卫星数据处理方法及系统


[0001]本申请涉及智能化处理
，并且更具体地，涉及一种遥感卫星数据处理方法及系统。

技术介绍

[0002]随着卫星遥感的快速发展，遥感卫星数据在国土、林业等领域逐渐呈现出业务化应用的趋势。随着在轨遥感卫星越来越密集，其载荷数据及应用多样性越来越显著，同时遥感卫星数据规模急速增长，用户对数据处理及应用的高时效性需求越来越强烈，系统还面临着高可扩展性需求及资源整合紧迫性需求。当前，遥感卫星数据处理系统还无法满足用户对数据处理高时效性的需求，因此必须结合当前大数据技术的发展，解决目前系统面临的挑战。
[0003]因此，期望一种优化的遥感卫星数据处理方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种遥感卫星数据处理方法及系统，其获取多个边缘计算节点在预定时间段内多个预定时间点的任务量；采用基于深度学习的人工智能技术，挖掘各个边缘计算节点的任务量的时序动态变化关联特征，基于时序动态变化关联特征对于每个边缘计算节点的任务量的时序变化情况进行评估，以此提高各个边缘节点的任务量的时序关联特征的表达能力。这样，可以避免造成数据载荷堆积，提高遥感卫星数据处理的时效性。
[0005]第一方面，提供了一种遥感卫星数据处理方法，其包括：
[0006]获取多个边缘计算节点在预定时间段内多个预定时间点的任务量；
[0007]将所述各个边缘计算节点在预定时间段内多个预定时间点的任务量分别按照时间维度排列为任务量时序输入向量以得到多个任务量时序输入向量；
[0008]将所述多个任务量时序输入向量分别通过包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构以得到多个多尺度任务量时序特征向量，其中，所述第一一维卷积神经网络和所述第二一维卷积神经网络使用具有不同尺度的一维卷积核；
[0009]将所述多个多尺度任务量时序特征向量进行二维排列为全局任务量时序输入矩阵后通过作为特征提取器的卷积神经网络模型以得到节点间任务量关联特征矩阵；
[0010]以所述各个多尺度任务量时序特征向量作为查询特征向量，计算其与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量；
[0011]将所述多个分类特征向量通过分类器以得到多个概率值，并对所述多个概率值进行归一化以使得所述多个概率值之和为1；以及基于所述多个概率值，对所述多个边缘计算节点进行数据分配。
[0012]在上述遥感卫星数据处理方法中，将所述多个任务量时序输入向量分别通过包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构以得到多个多尺度任务量
时序特征向量，包括：将所述多个任务量时序输入向量输入所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构的第一一维卷积神经网络以得到第一尺度任务量特征向量，其中，所述第一一维卷积神经网络具有第一尺度的一维卷积核；将所述多个任务量时序输入向量输入所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构的第二一维卷积神经网络以得到第二尺度任务量特征向量，其中，所述第二一维卷积神经网络具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度任务量特征向量和所述第二尺度任务量特征向量进行级联以得到所述多个多尺度任务量时序特征向量。
[0013]在上述遥感卫星数据处理方法中，将所述多个多尺度任务量时序特征向量进行二维排列为全局任务量时序输入矩阵后通过作为特征提取器的卷积神经网络模型以得到节点间任务量关联特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述节点间任务量关联特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局任务量时序输入矩阵。
[0014]在上述遥感卫星数据处理方法中，以所述各个多尺度任务量时序特征向量作为查询特征向量，计算其与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量，包括：以如下矩阵公式计算所述各个多尺度任务量时序特征向量与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述矩阵公式为：
[0015][0016]其中，表示所述节点间任务量关联特征矩阵，表示所述多个分类特征向量，表示所述各个多尺度任务量时序特征向量，表示向量相乘。
[0017]在上述遥感卫星数据处理方法中，将所述多个分类特征向量通过分类器以得到多个概率值，包括：使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0018]在上述遥感卫星数据处理方法中，还包括对所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练；其中，对所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括多个边缘计算节点在预定时间段内多个预定时间点的训练任务量，以及，所述多个概率值的真实值；将所述各个边缘计算节点在预定时间段内多个预定时间点的训练任务量分别按照时间维度排列为训练任务量时序输入向量以得到多个训练任务量时序输入向量；将所述多个训练任务量时序输入向量分别通过所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构以得到多个训练多尺度任务量时序特征向量，其中，所述第一一维卷积神经网络和所述第二一维卷积神经网络使用具有不同尺度的一维卷积核；将所述多个训练多尺度任务量时序特征向量进行二维排列为训练全局任务量时序输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到训练节点间任务量
关联特征矩阵；以所述各个训练多尺度任务量时序特征向量作为查询特征向量，计算其与所述训练节点间任务量关联特征矩阵之间的矩阵乘积以得到多个训练分类特征向量；将所述多个训练分类特征向量通过所述分类器以得到多个分类损失函数值；以及，基于所述多个分类损失函数值并通过梯度下降的方向传播来对所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
[0019]在上述遥感卫星数据处理方法中，将所述多个训练分类特征向量通过所述分类器以得到多个分类损失函数值，包括：所述分类器以如下分类公式对所述多个训练分类特征向量进行处理以生成分类结果，其中，所述分类公式为：，其中表示所述多个训练分类特征向量，至为权重矩阵，至表示偏置矩阵；以及，计算所述分类结果与真实值之间的交叉熵值作为所述多个分类损失函数值。
[0020]在上述遥感卫星数据处理方法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感卫星数据处理方法，其特征在于，包括：获取多个边缘计算节点在预定时间段内多个预定时间点的任务量；将所述各个边缘计算节点在预定时间段内多个预定时间点的任务量分别按照时间维度排列为任务量时序输入向量以得到多个任务量时序输入向量；将所述多个任务量时序输入向量分别通过包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构以得到多个多尺度任务量时序特征向量，其中，所述第一一维卷积神经网络和所述第二一维卷积神经网络使用具有不同尺度的一维卷积核；将所述多个多尺度任务量时序特征向量进行二维排列为全局任务量时序输入矩阵后通过作为特征提取器的卷积神经网络模型以得到节点间任务量关联特征矩阵；以所述各个多尺度任务量时序特征向量作为查询特征向量，计算其与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量；将所述多个分类特征向量通过分类器以得到多个概率值，并对所述多个概率值进行归一化以使得所述多个概率值之和为1；以及基于所述多个概率值，对所述多个边缘计算节点进行数据分配。2.根据权利要求1所述的遥感卫星数据处理方法，其特征在于，将所述多个任务量时序输入向量分别通过包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构以得到多个多尺度任务量时序特征向量，包括：将所述多个任务量时序输入向量输入所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构的第一一维卷积神经网络以得到第一尺度任务量特征向量，其中，所述第一一维卷积神经网络具有第一尺度的一维卷积核；将所述多个任务量时序输入向量输入所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构的第二一维卷积神经网络以得到第二尺度任务量特征向量，其中，所述第二一维卷积神经网络具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度任务量特征向量和所述第二尺度任务量特征向量进行级联以得到所述多个多尺度任务量时序特征向量。3.根据权利要求2所述的遥感卫星数据处理方法，其特征在于，将所述多个多尺度任务量时序特征向量进行二维排列为全局任务量时序输入矩阵后通过作为特征提取器的卷积神经网络模型以得到节点间任务量关联特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述节点间任务量关联特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局任务量时序输入矩阵。4.根据权利要求3所述的遥感卫星数据处理方法，其特征在于，以所述各个多尺度任务量时序特征向量作为查询特征向量，计算其与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量，包括：以如下矩阵公式计算所述各个多尺度任务量时序特征向量与所述节点间任务量关联特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述矩阵公式为： ；
其中，表示所述节点间任务量关联特征矩阵，表示所述多个分类特征向量，表示所述各个多尺度任务量时序特征向量，表示向量相乘。5.根据权利要求4所述的遥感卫星数据处理方法，其特征在于，将所述多个分类特征向量通过分类器以得到多个概率值，包括：使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。6.根据权利要求5所述的遥感卫星数据处理方法，其特征在于，还包括对所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练；其中，对所述包含第一一维卷积神经网络和第二一维卷积神经网络的双分支结构、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括多个边缘计算节点在预定时间段内多个预定时间点的训练任务量，以及，所述多个概率值的真实值；将所述各个边缘计算节点在预定时间段内多个预定时间点的训练任务量分别按照时间维度排列为训练任务量时序输入向量以得到...

【专利技术属性】
技术研发人员：刘超，王明，王航，苏际徽，常冬，
申请(专利权)人：云南远信科技有限公司，
类型：发明
国别省市：