[發明專利]基于度量的電力圖像環境影響評估方法

在審

• 申請號: 201810470102.8
• 申請日: 2018-05-16
• 公開（公告）號: CN108898269A
• 公開（公告）日: 2018-11-27
• 發明（設計）人: 侯春萍;蔣天麗;楊陽;郎玥
• 申請（專利權）人: 天津大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于度量的電力圖像環境影響評估方法，其特征是，構建相應電力系統環境下已確定環境影響類別和影響級別的數據庫，建立卷積神經網絡模型，利用數據庫中圖像對模型進行訓練，分別對數據庫中電力圖像和實際采集的電力圖像進行特征提取，利用數據庫中部分圖像作為監督樣本構建哈希映射，將數據庫圖像和實際采集圖像進行映射得到哈希碼，并進行距離度量以確定電力圖像的受環境影響級別。

2.如權利要求1所述的基于度量的電力圖像環境影響評估方法，其特征是，具體地：

1)構建數據庫，采集圖像所在環境的電力圖像，將包括雨、雪、霾、塵的常見的環境影響類型以及定義為不同級別的環境影響程度作為依據，通過算法進行建立，所生成的數據庫中的圖像作為生成卷積神經網絡CNN模型時的訓練樣本，在數據庫中選取部分已知環境影響類型和環境影響級別的圖像用作構建哈希函數的監督樣本集；

2)建立卷積神經網絡，CNN將圖像的局部感知區域作為網絡的輸入，信息再依次傳輸到不同的層，每層通過一個數字濾波器去獲取對平移、旋轉和縮放具有不變性的顯著特征；

3)訓練卷積神經網絡，卷積神經網絡的訓練分為兩個階段，即前向傳播階段和后向傳播階段；在進行前向傳播時，將訓練樣本輸入已經訓練完成的CNN模型中，樣本從輸入層經逐級變換傳送到輸出層，由此得到相應的實際輸出；在進行后向傳播時，對實際輸出和對應理想輸出的誤差進行傳播，將誤差進行反向逐層后推，從而得到各層的誤差，并按最小化誤差方法調整神經元權值，在得到最小誤差后，完成該批次訓練樣本的訓練；

4)特征提取，當所有的批次訓練全部完成后，將圖像數據集和已經過分類的采集圖像分別輸入訓練好的卷積神經網絡模型中，圖像數據逐級通過各個網絡層后，在輸出端分別得到兩類圖像的深層特征；

5)基于度量的環境影響評估，上一步卷積神經網絡模型中輸出為數據集圖像和采集圖像的高維特征數據，為增強哈希函數對線性不可分的高維數據的分辨能力，構建哈希函數，通過圖像的語義相關性和空間距離獲得訓練圖圖像的標簽信息，利用此種訓練數據的相關性信息進行監督學習，設定目標函數，利用梯度下降的方法最小化目標函數，從而得到哈希函數構建過程中的所需參數，從而增強生成哈希碼的區分性，對數據庫中圖像和實際采集圖像的深層次特征進行哈希映射，得到哈希碼，利用向量內積運算計算哈希碼之間的距離，度量得到最近距離，將距離較近的數據集中圖像的標簽返回，則此數據集中圖像受環境影響級別即為當前采集圖像的受環境影響級別。

3.如權利要求2所述的基于度量的電力圖像環境影響評估方法，其特征是，使用卷積神經網絡的輸入圖像大小為227×227，輸出為4096×1的圖像深層特征，一共包含5個卷積層、3個子采樣層、1個全連接層，在子采樣層中，使用重疊采樣的方法。

4.如權利要求1所述的基于度量的電力圖像環境影響評估方法，其特征是，在一個具體實例中，具體地，

步驟2)在卷積層，前一層的特征圖與可學習的卷積核K_ij進行卷積，卷積的結果經非線性函數g(·)生稱這一層的特征圖具體形式為：

其中為第l個卷積層C_l的輸出，代表卷積運算，b_j為偏置，卷積核K_ij表示可與前一層的一個或多個特征圖確定卷積關系，M_j代表輸入特征圖的集合，非線性函數：g(x)＝max(0,x)

卷積層所生成特征圖的大小為h_l：

其中h_l-1為第l-1層特征圖的大小，z_l表示第l層卷積核的大小，λ_l是卷積核移動步長，ρ_l表示卷積運算時對前一層特征圖邊緣補零的列數；

特征圖邊緣補零列數：

P＝{ρ₁＝0,ρ₂＝2,ρ₃＝ρ₄＝ρ₅＝1}

網絡結構的詳細參數如表1所示：

表1CNN網絡結構詳細參數

采用重疊采樣方法來對特征圖進行最大值采樣，其中采樣區域為3×3，采樣步長為2個像素；

步驟3)訓練卷積神經網絡

卷積神經網絡的訓練樣本來自已知環境影響類型和影響級別的電力圖像數據庫，訓練主要分前向傳播和后向傳播兩個階段：

(1)前向傳播階段

從訓練樣本中選取一個樣本(X,Y_p)從輸入層經逐級變換傳送到輸出層，計算相應的實際輸出為：

O_p＝F_n(…(F₂(F₁(XW⁽¹⁾)W⁽²⁾)…)W⁽³⁾)

(2)后向傳播階段，也稱誤差傳播階段。計算實際輸出O_p與對應理想輸出Y_p的誤差：

將誤差E_p反向逐層后推得到各層的誤差，并按最小化誤差方法調整神經元權值，當總誤差E≤ε時，利用已生成的各類不同級別環境影響下的圖像數據集完成該批次訓練樣本的訓練；

步驟5)進行基于度量的環境影響評估

(1)基于監督核的哈希函數建立

從卷積神經網絡模型中輸出的是數據集和采集圖像的高維特征數據：

為增強哈希函數對線性不可分的高維數據的分辨能力，利用核函數：κ：R^d·R^d→R，構建哈希函數：

h：R^d→{1,-1}

對高維的特征數據進行映射生成哈希碼，哈希碼的具體形式為：

其中a_j∈R,b_j∈R，x₍₁₎,…,x_(n)是從χ中隨機選取的n個樣本，m是遠小于n的常數，哈希函數h(x)除了滿足低維漢明空間與原始高維空間的相似一致性外，還應保證生成的哈希碼是均衡的，即哈希函數h(x)應滿足則偏置將b的值代入，得：

其中a＝[a₁ … a_m]^T，R^d→R^m是映射向量：

這里，通過預先計算得到，傳統哈希方法中系數向量a是通過隨機抽樣得到的m維向量，為增強生成哈希碼的區分性，提高通過相似性度量進行的環境影響評估效果，使用訓練數據的相關性信息進行監督學習得到系數向量a，構造與數據相關的哈希函數；

當哈希碼的維數為給定的r，則需要r個向量a₁,…a_r，構造哈希函數：

訓練圖像的標簽信息可以通過圖像的語義相關性和空間距離獲得，label(x_i,x_j)＝1表示圖像x_i,x_j是相似的，反之label(x_i,x_j)＝-1表示圖像x_i,x_j差異很大，為了描述標簽圖像集χ_l＝{x₁,…x_l}中的元素之間的相互關系，定義監督矩陣S∈R^l×l：

其中label(x_i,x_j)＝1，S_ii＝1,S_ij＝0，表示圖像x_i,x_j之間的相似性不確定，為了增強哈希碼的區分能力，使得在漢明空間中可以高效地判斷兩類圖像之間的相似性，應該盡量使圖像x_i,x_j的漢明距離D_h(x_i,x_j)滿足：

在實際中利用向量內積運算計算哈希碼之間的距離，記圖像x的哈希碼為：

code_r(x)＝[h₁(x) … h_r(x)]∈{1,-1}^1×r

則圖像(x_i,x_j)的距離D(x_i,x_j)為：

D(x_i,x_j)＝code_r(x_i)·code_r(x_j)

＝|{k|h_k(x_i)＝h_k(x_j),1≤k≤r}|-|{k|h_k(x_i)≠h_k(x_j),1≤k≤r}|

＝r-2|{k|h_k(x_i)＝h_k(x_j),1≤k≤r}|

＝r-2D_h(x_i,x_j)

故通過哈希碼內積運算與漢明距離運算是一致的，且D(x_i,x_j)∈[-r，r]，對D(x_i,x_j)歸一化后得到：

為了使相似矩陣和監督矩陣S距離達到最小，定義目標函數：

其中表示求矩陣Frobenius范數，為標簽圖像集χ_l的哈希碼矩陣，將sgn(·)推廣到矩陣形式，根據上式，H_l可以表示為：

其中，A＝[a₁,…,a_r]∈R^m×r，將H_l代入得：

和BRE相比，目標函數Γ(A)通過內積計算相似性，對參數A建模更加直觀。假定在t＝k時刻，已知向量需要估算a_k，定義矩陣：

其中R₀＝rS則可通過貪婪算法，通過最小化上式，逐步對a_k進行估算：

將常數項去掉可以得到簡潔的目標函數：

由于目標函數中的sgn(x)函數使得v(a_k)不連續，而且v(a_k)也不是凸函數，很難直接對v(a_k)最小化，研究表明，當|x|＞6時，連續函數：

可以很好地近似sgn(x)。所以，利用替換sgn(x)得到近似目標函數

可以通過梯度下降的方法對進行最小化，求關于a_k的梯度：

其中1＝[1，…，1]∈R^l,⊙表示Hadamard內積運算，通過監督學習可以得到向量系數a，從而生成哈希函數和哈希表；

(2)基于度量的環境影響評估

利用得到的哈希函數生成哈希碼。對數據庫中圖像和實際采集圖像的深層次特征進行哈希映射，可以得到code_r(x_q)，計算哈希碼之間的距離，即可度量得到最近距離，將距離較近的數據集中圖像的標簽返回，則此數據集中圖像受環境影響級別即為當前采集圖像的受環境影響級別。