[發(fā)明專利]一種融合1D-CNN與BiLSTM神經(jīng)網(wǎng)絡(luò)的時(shí)序InSAR高相干點(diǎn)提取方法

在審

• 申請?zhí)枺?/td>: 202010544882.3
• 申請日: 2020-06-15
• 公開（公告）號: CN111860158A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 張永紅;魏鉅杰;郭慶華;吳宏安;康永輝
• 申請（專利權(quán)）人: 中國測繪科學(xué)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市行一知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 44453
• 代理人: 楊賢

1.一種融合1D-CNN與BiLSTM神經(jīng)網(wǎng)絡(luò)的時(shí)序InSAR高相干點(diǎn)提取方法，其特征在于：

通過融合1D-CNN神經(jīng)網(wǎng)絡(luò)與BiLSTM神經(jīng)網(wǎng)絡(luò)來構(gòu)建高相干點(diǎn)神經(jīng)網(wǎng)絡(luò)；

用不同類型數(shù)據(jù)序列和高相干點(diǎn)標(biāo)記影像構(gòu)成的2套訓(xùn)練樣本集分別訓(xùn)練所述高相干點(diǎn)神經(jīng)網(wǎng)絡(luò)；

將待檢測的所述類型的測試時(shí)序數(shù)據(jù)分別輸入訓(xùn)練好的各自對應(yīng)數(shù)據(jù)類型的所述高相干點(diǎn)神經(jīng)網(wǎng)絡(luò)，輸出各自高相干點(diǎn)提取的中間結(jié)果；

對所述中間結(jié)果進(jìn)行交集運(yùn)算，輸出最終的高相干點(diǎn)提取結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過融合1D-CNN神經(jīng)網(wǎng)絡(luò)與BiLSTM神經(jīng)網(wǎng)絡(luò)來構(gòu)建高相干點(diǎn)神經(jīng)網(wǎng)絡(luò)，包括：

利用1D-CNN神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入時(shí)序數(shù)據(jù)的抽象特征，得到抽象特征矢量；

利用BiLSTM神經(jīng)網(wǎng)絡(luò)對所述抽象特征矢量進(jìn)行時(shí)序建模，得到長依賴關(guān)系；

利用2個(gè)全連接層綜合學(xué)習(xí)所述長依賴關(guān)系，得到全連接層輸出；

使用分類函數(shù)對所述全連接層輸出進(jìn)行高相干點(diǎn)和非相干點(diǎn)的邏輯分類。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述BiLSTM神經(jīng)網(wǎng)絡(luò)包括一個(gè)正向時(shí)序LSTM神經(jīng)網(wǎng)絡(luò)和一個(gè)逆向時(shí)序LSTM神經(jīng)網(wǎng)絡(luò)，每個(gè)LSTM神經(jīng)網(wǎng)絡(luò)均由N個(gè)LSTM細(xì)胞單元組成，所述細(xì)胞單元的個(gè)數(shù)等于1D-CNN輸出抽象特征的時(shí)間點(diǎn)數(shù)；

所述LSTM細(xì)胞單元包括輸入單元、輸出單元和門控單元，其中，所述輸入單元包括上一個(gè)時(shí)間點(diǎn)LSTM細(xì)胞單元的輸出單元和當(dāng)前時(shí)間點(diǎn)的抽象特征矢量輸入單元，所述輸出單元包括LSTM的細(xì)胞狀態(tài)和隱藏層狀態(tài)；所述門控單元分別為輸入門、忘記門和輸出門，用于控制輸入信息在LSTM細(xì)胞內(nèi)部的去留，從而有利于建立各時(shí)間點(diǎn)數(shù)據(jù)之間的長時(shí)間依賴關(guān)系。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，每個(gè)所述門控單元由相同數(shù)量的神經(jīng)元組成的全連接層構(gòu)成，且所述輸入門i_k、忘記門f_k和輸出門o_k的表達(dá)式分別為：

i_k＝σ(W_uiu_k+W_hih_k-1+b_i)

f_k＝σ(W_ufu_k+W_hfh_k-1+b_f)

o_k＝σ(W_uou_k+W_hoh_k-1+b_o)

式中，分別為第k個(gè)時(shí)間點(diǎn)輸入特征矢量u_k和上一個(gè)時(shí)間點(diǎn)LSTM細(xì)胞單元隱藏層輸出h_k-1的權(quán)重矩陣；為相應(yīng)的偏置矢量，下標(biāo)q∈(i,f,o)，分別表示輸入門、遺忘門和輸出門；上標(biāo)H表示LSTM細(xì)胞中各門控單元的神經(jīng)元個(gè)數(shù)，上標(biāo)F表示輸入矢量特征的維度，σ表示sigmoid函數(shù)，值域?yàn)?0,1)。

5.根據(jù)權(quán)利要求3或4所述的方法，其特征在于，所述細(xì)胞狀態(tài)S_k和隱藏層狀態(tài)h_k的表達(dá)式分別為：

h_k＝o_k⊙tanh(S_k)

式中，分別為第k個(gè)時(shí)間點(diǎn)輸入特征矢量u_k和上一個(gè)時(shí)間點(diǎn)LSTM細(xì)胞單元隱藏層輸出h_k-1的權(quán)重矩陣，為相應(yīng)的偏置矢量；⊙表示矢量元素點(diǎn)乘；tanh表示正切函數(shù)，值域?yàn)?-1,1)。