[發明專利]基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法

有效

• 申請號: 202010211612.0
• 申請日: 2020-03-24
• 公開（公告）號: CN111595247B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 馬毅;姜宗辰;楊俊芳
• 申請（專利權）人: 自然資源部第一海洋研究所
• 主分類號: G01B11/06
• 分類號: G01B11/06;G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述反演方法包括：

對實測光譜數據進行篩選得到真實光譜特征數據；

將所述真實光譜特征數據輸入對抗生成網絡，生成自擴展樣本數據；

利用卷積神經網絡對所述自擴展樣本數據進行特征提取，進而對原油油膜絕對厚度進行反演；

所述對實測光譜數據進行篩選得到真實光譜特征數據的方法包括：

利用光譜特征篩選器按預設光譜特征區間對所述實測光譜數據進行篩選，得到所述真實光譜特征數據；

所述預設光譜特征區間通過基于光譜標準差閾值的油膜特征光譜分析提取方法得到，計算獲取符合如下公式條件的波段形成的光譜特征區間即為所述的預設光譜特征區間：

其中，λ代表波段，StDev(σ_λ,i)代表i組油膜遙感反射率的標準差，StDev(σ_λ,j)代表j組油膜遙感反射率的標準差，代表λ波段處第i組與第j組油膜遙感反射率的差值。

2.根據權利要求1所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述預設光譜特征區間包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。

3.根據權利要求1所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述對抗生成網絡包括生成網絡和判別網絡，所述生成網絡用于學習所述真實光譜特征數據的樣本分布，并生成仿真光譜特征數據，所述判別網絡用于判別輸入的光譜特征數據的真實性，所述輸入的光譜特征數據包括真實光譜特征數據和所述生成網絡生成的仿真光譜特征數據。

4.根據權利要求3所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述對抗生成網絡的訓練過程包括：

對所述判別網絡和所述生成網絡進行訓練直至達到納什平衡點；

訓練所述判別網絡的方法為，對所述判別網絡進行訓練以使得當所述判別網絡的輸入為真實光譜特征數據時所述判別網絡的輸出值趨向于1，以及當所述判別網絡的輸入為仿真光譜特征數據時所述判別網絡的輸出值趨向于0；

訓練所述生成網絡的方法為，對所述生成網絡進行訓練以使得當所述生成網絡的輸入為隨機噪聲時，其生成的仿真光譜特征數據輸入所述判別網絡的輸出結果趨向于1；

按上述方式對所述判別網絡和所述生成網絡進行訓練直至達到納什平衡點。

5.根據權利要求1所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，對生成的所述自擴展樣本數據進行去噪處理后再輸入所述卷積神經網絡以進行特征提取。

6.根據權利要求5所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，采用5階巴特沃斯低通濾波器進行所述去噪處理。

7.根據權利要求1所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述卷積神經網絡包括一維卷基層、一維池化層和全連接層。

8.根據權利要求1至7任一項所述的基于自擴展卷積神經網絡的原油油膜絕對厚度反演方法，其特征在于，所述原油油膜為海面原油油膜。