基于ResNet网络的立体遥测数据3D大气污染融合和分析方法技术

本发明专利技术公开了基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，至少包括以下步骤S1：对收集到的空气质量数据进行预处理；S2：进行梯度生成节点，度生成阶段，S3：进行模型训练和测试。本发明专利技术涉及消防设备技术领域，具体为具体为基于ResNet网络的立体遥测数据3D大气污染融合和分析方法。3D大气污染融合和分析方法。3D大气污染融合和分析方法。

【技术实现步骤摘要】
基于ResNet网络的立体遥测数据3D大气污染融合和分析方法


[0001]本专利技术涉及大气质量预报
，具体为基于ResNet网络的立体遥测数据3D大气污染融合和分析方法。

技术介绍

[0002]环境保护已经成为我国民生工程的关注点，保护环境不仅关乎人们的生存环境，也影响着经济发展，具有极其重要的意义。然而，随着工业化与城市化进程的不断加快，大气重污染的频繁发生给人体健康、大气能见度、气候等方面带来了重要的影响，目前我国较为主流的温室气体监测技术，运用了非分散红外、可调谐半导体激光、傅里叶红外、红外气体滤光相关法等方法对空气中的温室气体进行监测；氨气监测技术，充分利用了氨气是大气中唯一的高浓度碱性气体这一特性，通过监测、分析逃逸到大气中的氨与硝酸或硫酸等酸性气体发生反应后产生的硫酸盐、硝酸盐等二次颗粒物，来评估和预测空气质量；区域碳汇反演数值模拟技术，它加强了对于温室气体浓度、排放量的同化反演模型等的研究，阐明了碳源碳汇的时间变化、空间分布特征。
[0003]然而，现有的国内、外空气质量预报技术普遍存在着空气质量预测受仪器性能、电力维持能力等的影响，当仪器故障或断电时，就无法收集当前时刻的空气质量，固采用ResNet网络是十分必要的。

技术实现思路

[0004]针对上述情况，为弥补上述现有缺陷，本方案提供了基于ResNet网络的立体遥测数据3D大气污染融合和分析方法。
[0005]本专利技术采取的技术方案如下：基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，至少包括以下步骤：
[0006]S1：对收集到的空气质量数据进行预处理，由于收集数据集规模较大，各个数据之间的差异也较大，这些差异的影响会导致模型的拟合过程困难，所以需要将这些原始数据集进行预处理，使用数据归一化等常见预处理操作将原始数据控制在更小的特定区间范围，进而更好地训练和拟合深度学习模型。residual结构使用的一种shortcut连接方式：
[0007][0008]S2：进行梯度生成节点，度生成阶段，首先使用一个加载kinetic数据上预训练过的ResNet3D网络，在训练数据集上进行微调，使得ResNet3D网络在该数据集上具有初步的识别能力，之后固定网络的参数，使用网络预测标签来对输入进行求导：
[0009][0010]梯度生成过程是基于一个已经有基本的分辨能力的网络，使用这个网络针对输入进行求导，并对求得的导数进行归一化，这样针对输入视频的每一个空间位置，就得到对应
该位置归一化后的梯度值，而这些梯度信息，之后将用来对特征增强模块进行指导，具体流程如下：
[0011]首先使用一个经过Kinetics数据集预训练的网络在指定数据集上进行微调，使得网络在实验数据集上具有最基本的识别能力，当前训练好的网络，定义为f，f已经对指定数据集具有初步的分辨能力，那么f就表示输入图像x
a
与图像标签y之间的映射关系：
[0012]y＝f(x
a
)
[0013]其中，y表示经过微调之后的网络对于该图像段的预测标签。
[0014]将训练好的网络参数固定起来，使用最后网络的预测输出来对输入的图像求导，进行梯度生成，将网络对视频中某像素点的梯度值定义为i，j，T，得到i，j，T的表达式如下：
[0015][0016]其中，表示图像中坐标点为(i，j，T)的值，
[0017]之后再使用归一化公式对生成的梯度进行归一化：
[0018][0019]对原图中该位置归一化后的梯度值最终生成的θ是一个与输入图像大小相同的矩阵，其中的元素是一个个网络针对原图中该位置像素点归一化后的梯度值。
[0020]S3：进行模型训练和测试。完成模型定义后，将图像数据集划分为训练集、验证集与测试集，按照6：2：2的比例，训练通过初始的深度学习模型得到预测结果，通过损失函数计算误差后，再通过优化器调整学习模型的参数，提升数据精准度。
[0021]其中，所述ResNet3D是指整个网络分为两个通道，第一个通道用于对环境数据进行特征选择，筛选出环境数据中内蕴的、对污染物排放最具影响的隐性特征，并将其提供给第二个通道作为污染物预测模型的参数变量。第二个通道则用于对污染物进行预测，即根据已知点位的污染物检测数据对未知路段检测结果的预测输出。
[0022]其中，所述ResNet网络的3D空间特征学习包括ResNet3D网络深度网络，可以将其理解为一种特征提取器，深度网络从浅层到深层提取到不同的特征，通过不同的组合方式，最后将特征送入到一个分类器或者做其他处理，在深度神经网络进行特征提取的过程中，整体特征产生过程都是伴随着网络的加深而产生的，每一层的输入都是上一层全部输出的特征，这一层需要将这些信息全部处理，这些特征都是针对输入图像的全局特征。
[0023]其中，数据收集采用Kinetics数据集，ResNet3D网络在Kinetics数据集上进行预训练。
[0024]其中，Restnet作为底层框架，在其之上实现了卷积神经网络，并对网络进行了端到端的训练，可以用于图片分类、目标检测等任务。ResNet回归采用了残差网络的设计思想，通过堆叠多个残差块来深度地构建网络，可以有效地缓解深度神经网络的梯度消失问题，提高网络性能。
[0025]其中，运用了深度神经网络对数据进行深度分析，其可以对模型反演数据中的不确定性部分(模型表示误差)和随机性部分(模型参数误差)进行建模，即从有限点位(城市观测、车载观测)的观测数据中挖掘出内蕴的变化规律。具体地，从城市观测数据中挖掘得到同一时段不同位置的数据变化规律。在深度数据挖掘的过程中，我们会将地理信息、气象
信息等可能影响观测结果的数据一并输入网络进行综合分析。不难看出，深度神经网络包含了几十万甚至上百万个网络参数，其模型表示能力远远超过现有的建模方法，能够高时效地利用现有的所有信息来定义一个最大可能精准的大气运动状态。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]1.本专利技术采用ResNet网络的3D空间特征学习，ResNet的输入和输出通常都是图像或者图像特征，具体输入和输出的尺寸和通道数取决于具体的网络结构和任务。在ResNet中，输入图像首先经过一个卷积层和池化层，然后通过多个残差模块，最后通过全局平均池化和全连接层输出最终的分类结果。可以训练非常深的神经网络，避免了梯度消失问题，提高了模型的表达能力和性能；使用残差连接可以保留原始特征，使得网络的学习更加顺畅和稳定，进一步提高了模型的精度和泛化能力；训练时可以避免梯度消失和梯度爆炸问题，加速网络收敛。
[0028]2.本专利技术进行模型训练和测试。完成模型定义后，将图像数据集划分为训练集、验证集与测试集，按照6：2：2的比例，训练通过初始的深度学习模型得到预测结果，通过损失函数计算误差后，再通过优化器调整学习模型的参数，提升数据精准度。
附图说明
[0029]附图用来提供对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，其特征在于：S1：对收集到的空气质量数据进行预处理，由于收集数据集规模较大，各个数据之间的差异也较大，这些差异的影响会导致模型的拟合过程困难，所以需要将这些原始数据集进行预处理，使用数据归一化等常见预处理操作将原始数据控制在更小的特定区间范围，进而更好地训练和拟合深度学习模型。residual结构使用的一种shortcut连接方式：S2：进行梯度生成节点，度生成阶段，首先使用一个加载kinetic数据上预训练过的ResNet3D网络，在训练数据集上进行微调，使得ResNet3D网络在该数据集上具有初步的识别能力，之后固定网络的参数，使用网络预测标签来对输入进行求导：梯度生成过程是基于一个已经有基本的分辨能力的网络，使用这个网络针对输入进行求导，并对求得的导数进行归一化，这样针对输入视频的每一个空间位置，就得到对应该位置归一化后的梯度值，而这些梯度信息，之后将用来对特征增强模块进行指导，具体流程如下：首先使用一个经过Kinetics数据集预训练的网络在指定数据集上进行微调，使得网络在实验数据集上具有最基本的识别能力，当前训练好的网络，定义为f，f已经对指定数据集具有初步的分辨能力，那么f就表示输入图像x
a
与图像标签y之间的映射关系：y＝f(x
a
)其中，y表示经过微调之后的网络对于该图像段的预测标签。将训练好的网络参数固定起来，使用最后网络的预测输出来对输入的图像求导，进行梯度生成，将网络对视频中某像素点的梯度值定义为i，j，T，得到i，j，T的表达式如下：其中，表示图像中坐标点为(i，j，T)的值，之后再使用归一化公式对生成的梯度进行归一化：对原图中该位置归一化后的梯度值最终生成的θ是一个与输入图像大小相同的矩阵，其中的元素是一个个网络针对原图中该位置像...

【专利技术属性】
技术研发人员：刘岳阳，项衍，杨建文，邹堉莹，路然，丁琪芮，符天睿，王继云，
申请(专利权)人：安徽大学，
类型：发明
国别省市：