[發(fā)明專利]資料延伸方法、裝置及電子設(shè)備

在審

• 申請?zhí)枺?/td>: 201811453086.8
• 申請日: 2018-11-28
• 公開（公告）號: CN109583568A
• 公開（公告）日: 2019-04-05
• 發(fā)明（設(shè)計）人: 吳忠元
• 申請（專利權(quán)）人: 中科賽諾（北京）科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 蘇勝

本發(fā)明提供了一種資料延伸方法、裝置及電子設(shè)備，所述方法包括：將原始觀測圖像資料分成N個級別，得到當(dāng)前時刻每個級別所對應(yīng)的分級圖像資料；利用深度神經(jīng)網(wǎng)絡(luò)基于每個級別的分級圖像資料進(jìn)行延伸，得到下一時刻每個級別所對應(yīng)的延伸資料，深度神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的策略神經(jīng)網(wǎng)絡(luò)輸出的權(quán)重系數(shù)作為輸入，權(quán)重系數(shù)使深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)價值最大；對N個級別所對應(yīng)的延伸資料進(jìn)行圖像合成，重構(gòu)出下一時刻的延伸觀測圖像資料，達(dá)到能夠利用使深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)價值最大的權(quán)重系數(shù)配置深度神經(jīng)網(wǎng)絡(luò)，并利用配置后的深度神經(jīng)網(wǎng)絡(luò)延伸殘差最小情況下的延伸資料，最終重構(gòu)出下一時刻的延伸觀測圖像資料，提高延伸精確度的技術(shù)效果。

技術(shù)領(lǐng)域

本發(fā)明涉及資料延伸技術(shù)領(lǐng)域，尤其是涉及一種資料延伸方法、裝置及電子設(shè)備。

背景技術(shù)

現(xiàn)有預(yù)報系統(tǒng)的優(yōu)勢主要采用了機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等方法，建立了資料分析系統(tǒng)、強(qiáng)化預(yù)報系統(tǒng)和預(yù)報分析系統(tǒng)等子系統(tǒng)，相對于原有單一的數(shù)值預(yù)報模式，最大程度上強(qiáng)化了預(yù)報系統(tǒng)的功能。資料分析系統(tǒng)增加了數(shù)值模式初始場的準(zhǔn)確度，強(qiáng)化預(yù)報系統(tǒng)增加了預(yù)報模式的準(zhǔn)確度，預(yù)報分析系統(tǒng)增加了預(yù)報資料的準(zhǔn)確度。

然而，由于數(shù)值預(yù)報模式的初始場和數(shù)值預(yù)報模式自身的不確定性，現(xiàn)有預(yù)報系統(tǒng)自身誤差較大，預(yù)報資料精度不高。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種資料延伸方法、裝置及電子設(shè)備，以緩解現(xiàn)有技術(shù)中存在的誤差較大的技術(shù)問題。

第一方面，本發(fā)明實施例提供了一種資料延伸方法，包括：

將原始觀測圖像資料按照圖像屬性分成N個級別，得到當(dāng)前時刻每個級別所對應(yīng)的分級圖像資料，其中N大于等于1；

利用預(yù)設(shè)的深度神經(jīng)網(wǎng)絡(luò)基于每個級別的所述分級圖像資料進(jìn)行延伸，得到下一時刻每個級別所對應(yīng)的延伸資料，所述深度神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的策略神經(jīng)網(wǎng)絡(luò)輸出的權(quán)重系數(shù)作為輸入，所述權(quán)重系數(shù)使所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)價值最大；

對N個級別所對應(yīng)的延伸資料進(jìn)行圖像合成，重構(gòu)出下一時刻的延伸觀測圖像資料。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，所述策略神經(jīng)網(wǎng)絡(luò)包括：價值評估網(wǎng)絡(luò)和控制神經(jīng)網(wǎng)絡(luò)，所述價值評估網(wǎng)絡(luò)用于評估所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)的價值，所述控制神經(jīng)網(wǎng)絡(luò)基于所述價值評估網(wǎng)絡(luò)輸出的價值及預(yù)設(shè)調(diào)整策略調(diào)整所述權(quán)重系數(shù)。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第二種可能的實施方式，其中，所述策略神經(jīng)網(wǎng)絡(luò)用于基于預(yù)設(shè)的價值評估網(wǎng)絡(luò)輸出的價值調(diào)整所述權(quán)重系數(shù)，包括：

當(dāng)所述價值增大時，正向調(diào)整所述深度神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，使所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)的價值增大；

若所述價值減小時，反向調(diào)整所述神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，使所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)的價值減小。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第三種可能的實施方式，其中，所述控制神經(jīng)網(wǎng)絡(luò)的預(yù)設(shè)調(diào)整策略是RNN集群控制網(wǎng)絡(luò)發(fā)送的，所述RNN集群控制網(wǎng)絡(luò)用于基于所述價值評估網(wǎng)絡(luò)輸出的價值向所述控制神經(jīng)網(wǎng)絡(luò)輸出調(diào)整策略。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，所述深度神經(jīng)網(wǎng)絡(luò)包括多個CNN神經(jīng)網(wǎng)絡(luò)，每個所述CNN神經(jīng)網(wǎng)絡(luò)與一個級別的分級圖像資料對應(yīng)，用于基于第N級的分級圖像資料進(jìn)行延伸；所述策略神經(jīng)網(wǎng)絡(luò)與所述CNN神經(jīng)網(wǎng)絡(luò)一一對應(yīng)，所述策略神經(jīng)網(wǎng)絡(luò)與所述RNN集群控制網(wǎng)絡(luò)一一對應(yīng)。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第五種可能的實施方式，其中，所述將原始觀測圖像資料按照圖像屬性分成N個級別，得到當(dāng)前時刻每個級別所對應(yīng)的分級圖像資料，包括：

獲取原始觀測圖像資料；