(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111409562.8 (22)申请日 2021.11.19 (71)申请人 河南工业大 学 地址 450000 河南省郑州市高新 技术产业 开发区莲 花街100号 (72)发明人 王星东　杨淑绘　张浩伟　王玉华　 赵颜创　 (74)专利代理 机构 郑州银河专利代理有限公司 41158 代理人 姚小静 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 基于CGAN进行数据校正的高精度ASI海冰密 集度反演算法 (57)摘要 本发明提供一种基于CGAN进行数据校正的 高精度ASI海冰密集度反演算法， 属于卫星遥感 技术领域， 包括如下步骤： S1、 数据筛选： 找到不 受云和水汽等外界环境干扰或干扰小的89GHz 数 据与36GHz数据之间较为稳定的关系， 筛选出受 干扰大的89GHz数据； S2、 数据校正： CGAN的生成 网络与判别网络通过对抗训练， 利用可靠性高的 36GHz数据与不受云和水汽等外界环境干扰或干 扰小的89GHz数据之间的稳定关系， 对受干扰大 的89GHZ数据进行校正； S3、 基于校正后的89GHz 数据， 采用ASI海冰密集度算法反演 海冰密集度。 本发明通过有效地校正混合像素海冰密集度， 可 以大大减少大气造成的误差 。 权利要求书2页 说明书6页 附图4页 CN 114117908 A 2022.03.01 CN 114117908 A 1.基于CGAN进行数据校正的高精度ASI海冰密集度反演算法， 其特征在于： 包括如下步 骤： S1、 数据筛选： 找到不受云和水汽等外界环境干扰或干扰小的89GHz数据与36GHz数据 之间较为稳定的关系， 筛 选出受干扰大的89GH z数据； S2、 数据校正： CGAN的生成网络与判别网络通过对抗训练， 利用可靠性高的36GHz数据 与不受云和水汽等外界环境干扰或干扰小的89GHz数据之间的稳定关系， 对受干扰大的 89GHZ数据进行 校正； CGAN的模型函数如(3)所示： 其中， x为受外界环境影响的数据， y为附加信息， z为输入随机噪声， G(z|y)为将随机噪 声和附加信息、 受外界环境影响输入C GAN的生成网络输出的不受外界环境影响的数据， D(G (z|y))为判别网络判定输入 数据为假的概率； 由于C GAN的生成网络的目标为尽可能使 得生 成数据接近不受外界环境影响的数据， 所以损失函数设置为1 ‑D(G(z|y))来保证判别网络 输出假图像概率尽可能小， 而判别网络的目标是提高判断输入数据差异的能力， 因此， D(x| y)越大越好， 同时希望噪声影响越小越好， 则损失函数设置为D(x|y)+1 ‑D(G(z|y))， 用 表示这一博弈的过程； CGAN模型的训练过程如下： (1)训练前， 调整数据集， 如旋转、 平移， 增加数据集的数量， 然后， 对训练集和测试集进 行归一化处理； (2)将训练集输入生成网络， 然后进行连续批量归一化+卷积+ReLU+池化的操作， 以完 成下采样 操作； (3)在下采样得到的特 征图上进行反褶积、 BN和激活函数的连续操作， 以完成上采样； (4)在同一个网络层中， 将下采样和上采样的输出特征映射连接起来； 在不同的网络层 中， 从顶层神经网络层到底层神经网络层， 融合了下采样和下一个神经网络层的上采样的 输出特征图， 融合后的输出特征图继续被下一个神经网络层的上采样特征图所连接， 以此 迭代继续进行， 直到下一层没有相应的上采样， 然后得到89GHz数据和可靠性高的36GHz数 据的映射关系， (5)然后将测试集数据即不受干扰的89GHz数据和36GHz的数据关系， 以及步骤(4)中得 到的89GH z数据和可靠性高的3 6GHz数据的映射关系输入判别网络； (6)然后进行 连续批量归一 化+卷积+ReLU+池化的操作， 以完成下采样 操作； (7)最后， 使用交叉熵对判别 网络得到的结果进行判别， 若损失函数达到最小值， 则输 出校正后的89GH z数据， 否则返回步骤(2)， 重复上述 步骤直到损失函数达 到最小； S3、 基于校正后的89GH z数据， 采用ASI海 冰密集度算法 反演海冰密集度。 2.如权利 要求1所述的基于CGAN进行数据校正的高精度ASI海冰密集度反演算法， 其特 征在于： 筛 选干扰大的89GH z数据的方法具体是， (1)在晴朗天气条件下， 以36GHz数据极化比为横坐标、 89GHz数据极化比为纵坐标， 绘 制极化比散点图；权　利　要　求　书 1/2 页 2 CN 114117908 A 2其中极化比公式如(1)所示， 其中， TBV、 TBH分别为垂直极化亮温和水平极化亮温； (2)在极化比散点图中， 将横坐标等分成若干区间， 并计算每个区间中纵坐标的平均值 和标准差， 然后， 利用各区间中平均值减标准差的两倍绘制最小二乘最佳拟合曲线， 该曲线 近似于二次方程， 如(2)所示， PR89＝a(PR36)2‑bPR36+c    (2) 其中， PR89为89GH z数据的极化比， PR3 6为36GHz数据的极化比， a， b， c为常数。 3.如权利 要求1所述的基于CGAN进行数据校正的高精度ASI海冰密集度反演算法， 其特 征在于： 由于Unet网络通过跳跃连接的方式能对不同网络层的特征进行整合， 提高了去噪 性能， 并且Unet网络具有较强的自适应性且可有效保留图像的结构性信息， 所以采用Unet 作为生成网络G； 其中， Unet包括输入层、 卷积层、 池化层、 激活层以及输出层； 具体设置池化层的核为2 ×2， 设置卷积滤波器的大小为3 ×3， 且选择ReLU作为激活函 数； 判别网络D的功能是判别两组映射关系， D采用CNN网络， 图像对输入判别网络后先通过 连续的下采样层进行特征提取， 下采样层中的卷积核大小均为4 ×4， 步幅均为2， 为防止使 用梯度下降法更新参数时出现梯度消失的情况， 对下采样层的卷积操作进行归一化处理， 并使用ReLU激活函数进行非线性映射， 最后在判别层 使用Sigmoid函数输出每个像素的值， 并使用交叉熵计算得到最终损失。权　利　要　求　书 2/2 页 3 CN 114117908 A 3