[发明专利]基于LSTM和DCGAN的时序性图像预测方法

权利要求书

1.一种基于LSTM和DCGAN的时序性图像预测方法，其特征在于，包括步骤：

(1)构建DCGAN编码器，包括编码模块和解码模块，两个模块之间接入LSTM时序预测网络；

(2)对构建的编码器进行训练，前馈传播完成后，计算损失函数，对编码器进行整体参数调优；

(3)DCGAN编码器内部，编码模块、解码模块和LSTM的连接处都采用栈式级联策略；

(4)使用LSTM时序预测网络，以DCGAN编码器中编码模块的输出，即编码模块提取到的输入时间序列的时序特征信息，作为LSTM时序预测网络的输入，进行未来时段输出序列预测。

2.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤1中，编码模块对收集的图像提取空间特征，LSTM时序预测网络对提取到的特征进行预测，解码模块对预测的结果进行图像复原。

3.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤2中，在编码器的损失函数中引入正则化概念优化算法。

4.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤2中，在网络训练过程中，采用学习率衰减策略加快训练速度。

5.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤3中，所述栈式级联策略对每一层网络进行单独训练，并将输出作为下一层的输入。

6.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤4具体为：

(4.1)由编码模块获取输入时间序列，将序列转化为固定大小状态向量，完成关于输入时间序列的时序特征提取，将整个输入序列的信息量保存在LSTM神经元的细胞状态S_t中；

(4.2)LSTM预测模块将上述神经元的细胞状态作为LSTM预测模块细胞起始状态，输出未来时段的预测序列。

7.根据权利要求1所述的基于LSTM和DCGAN的时序性图像预测方法，其特征在于，所述步骤4包括单帧预测和序列预测；单帧预测完成预测下一帧图像；序列预测输出固定时段的多个连续帧图像。