买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种基于紫外极光图像的极光电集流指数预测方法及系统，包括获取极区紫外极光成像数据和同年极光电集流指数数据，形成数据集，将数据集划分为训练集和测试集；构建极光图像网格化处理模块、基于卷积LSTM的时空特征提取模块和基于全连接LSTM的输出预测模块，首先对训练集进行网格化处理，再输入到由时空特征提取模块和输出预测模块组成的预测网络中进行训练，得到训练好的极光电集流指数预测网络；将经过网格化处理的测试集输入到训练好的极光电集流指数预测网络中，得到极光电集流指数预测结果。本发明利用极光强度经纬度分布特征与AE指数空间上的映射关系，结合预测网络实现从极光图像到极光电集流指数的预测。

主权项：1.一种基于紫外极光图像的极光电集流指数预测方法，其特征在于，包括以下步骤：（1）获取极区紫外极光成像数据，提取其中的LBHL波段极光图像，并对极光图像数据进行清洗和坐标转换；再获取同年极光电集流指数的实时监测数据，筛选UVI的LBHL波段160nm~180nm极光成像数据，并以LBHL波段极光图像数据的时间序列为基准，匹配以同一时间的极光电集流指数，将极光图像与极光电集流指数放入不同的文件夹，形成数据集，将该数据集划分为训练集和测试集；（2）构建极光图像网格化处理模块，极光网格化处理模块在MLT-MLAT坐标系下，以地磁极点为中心，将极光图像划分为1MLT×1MLAT网格；（3）构建基于卷积LSTM的极光图像的时空特征提取模块，时空特征提取模块将输入的网格数据编码并提取其时空特征，时空特征提取模块包含两个残差块和一个跨层的残差连接，每个残差块包含两个卷积LSTM层和一个残差连接；卷积LSTM层可有效的传递和表达长时间序列中的信息，卷积LSTM层通过卷积层获得对空间特征的提取能力，通过添加残差连接堆叠LSTM网络深度，增强网络对短期信息特征非线性拟合能力；残差连接通过恒等映射保证网络不会随层数增加而发生信息损失，加强特征在深层网络中的传播能力；同层的卷积LSTM层之间在时间域上通过长期记忆传递信息，而底层的卷积LSTM层将自己的短期记忆传递向高层的卷积LSTM层，增加网络深度的同时提升网络的特征提取能力；所述步骤（3）中卷积LSTM层由遗忘门、输入门和输出门三个记忆单元组成，为遗忘门的输出值，为输入门的输出值，为输出门的输出值，为中间变量；卷积LSTM层根据新的输入和上一刻的输出决定遗忘和记忆哪些信息，短期记忆和长期记忆相互更新；卷积LSTM层的计算过程如下： ， ， ， ， ，其中，‘’表示卷积算子，‘’表示Hadamard乘积；𝜎是一个非线性sigmoid激活函数；、𝑏分别表示各个门控结构的权重矩阵和偏置项；其中，下标、、、分别代表输入门、遗忘门、单元状态和输出门；表示输入状态，表示隐藏状态，表示单元状态；为激活函数；是当前时刻网络的输入，是同层LSTM前一时刻的短期记忆，是同层LSTM前一时刻的长期记忆；多层结构的卷积LSTM层可增强网络对短期信息特征非线性拟合能力，对于第K层的卷积LSTM层，当前时刻的输入为前一层短期记忆；（4）构建基于全连接LSTM的输出预测模块，输出预测模块将已编码的二维网格特征展开成一维时序特征向量解码并输出预测结果；输出预测模块包含两个全连接层和一个残差块，残差块包含两个全连接LSTM层和一个残差连接；首先利用一个全连接层将特征提取模块的二维网格数据展开成一个一维特征向量，通过两个全连接LSTM层和全连接层对特征向量进行解码并输出极光电集流指数预测结果；所述步骤（4）中极光强度网格化特征矩阵经过时空特征提取模块后得到相同形状的短期记忆的特征矩阵，然后利用第一个全连接层将特征提取模块的二维网格数据展开成一个一维特征向量，通过两个全连接LSTM层对解码，保留其短期记忆；第二个全连接层通过权重映射和激活操作进行进一步解码处理得到极光电集流指数预测结果；所述步骤（4）中全连接LSTM层由遗忘门、输入门、输出门三个记忆单元组成，全连接LSTM层在每一时刻输入上一时刻LSTM层的短期记忆和长期记忆以及输入状态，首先对上一时刻的短期记忆、长期记忆和输入状态进行拼接，将拼接结果分别通过遗忘门、输入门、输出门以及其激活函数，遗忘门和输入门将完成长期记忆的更新，最后将该长期记忆经过双曲正切激活函数，并与作Hadamard积，获得当前时刻的短期记忆，该状态同时作为全连接LSTM层当前时刻的输出状态，全连接LSTM层的计算过程如下： ， ， ， ， ，其中，‘’表示Hadamard乘积；𝜎是一个非线性sigmoid激活函数；、𝑏分别表示各个门控结构的权重矩阵和偏置项；其中，下标、、、分别代表输入门、遗忘门、单元状态和输出门；表示输入状态，表示隐藏状态，表示单元状态；为激活函数；是当前时刻网络的一维输入，是同层LSTM前一时刻的短期记忆，是同层LSTM前一时刻的长期记忆；（5）利用步骤（1）中获得的训练集，首先对训练集数据执行步骤（3）的网格化处理，进而输入到由时空特征提取模块和输出预测模块组成的预测网络中进行训练，得到一个训练好的极光电集流指数预测网络；（6）将经过网格化处理的测试集输入到训练好的极光电集流指数预测网络中，得到极光电集流指数预测结果；并结合真实值对预测结果进行误差分析，评价标准包括均方根误差RMSE，平均相对方差ARV和决定系数R2。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于紫外极光图像的极光电集流指数预测方法及系统