[发明专利]一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法

权利要求书

1.一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法，其特征在于，

包括以下实现步骤：

(1)VA特征提取

对于RGB格式的照片P_x，y，先将其从RGB空间转换为HSV空间:

V_x，y＝max{R_x，y，G_x，y，B_x，y} (1)

其中，x、y分别代表水平方向和垂直方向的像素值；R_x，y，G_x，y和B_x，y分别代表红、绿、蓝三种颜色通道，另外定义V′_x，y＝min{R_x，y，G_x，y，B_x，y}；

利用公式(4)改变照片P_x，y的亮度，生成一组中间图片:

其中，φ_rnd是四舍五入到最接近的整数的取整函数；φ_min是寻找最小值的函数；w_i是第i个乘数，为了加快计算速度和使用稀疏特征，仅取值为w_i＝{1，3，5}；R＝2^l-1，其中l是最大动态范围，设置l＝8，因此2^l＝256，R＝255；

在上述条件下，将式(4)简化为：

特征提取的最后一步是对VA的变化进行量化；信息熵是信息测量中最常用的指标，用于计算输入的图像P_x，y的色调、饱和度和亮度图，及其相关的亮度变化照片进行计算并作为最终的VA特征：

其中，Z∈{H,S,V}用于表征不同的计算通道，是图像在Z映射中表现为j的概率密度；而和均由P_x，y推导得到；当i＝{1，2，3，…}时，和是由计算得到；至此，共计提出9个相关特征用于后续学习使用；

(2)宽深度联合学习神经网络

首先，用宽度神经网络学习VA特征，宽度神经网络由三层组成，即输入层、隐藏层和输出层，神经元的输出为：

其中j表示宽度神经网络的层数；m_j是第(j-1)层的总节点数；w_(j，v，u)是连接的第(j-1)层中第u个节点和第j层中第v个节点的权重；b_(j，v)是第j层中第v个节点所增加的偏置；t_(j，v)表示第j层中第v个节点的输出；S_(j，v，u)是第j层中第v个节点神经元的输入；g(·)是一个sigmoid激活函数，且g(x)＝1/[1+exp(-x)]；

采用反向传播算法更新自由参数，如从第l次迭代到第(l+1)次迭代：

其中，代表第l次迭代的权重；代表第l次迭代偏置；η代表每次迭代中loss函数下降最快情况下所对应的可变学习率，在首次迭代中，预先设置其值为0.5；E为第l次迭代输出与其相关期望值的均方误差；对于网络的每个神经元的输出计算它的误差项其中T表示转置，当期误差小于0.01时，认为已经选取最佳权重与偏置，则迭代结束；

其次，在深度学习网络中，通过无监督学习过程来解决初始化参数的随机性，一种逐层学习各层参数并初始化整个网络的方法如下：

其中，Q(w，b)是整体样本代价函数，它包含权重衰咸项；Q(w，b；s_(j，v，u)，t_(j，v))是针对单个样例计算得到的方差代价函数；w表示神经网络的权重；b是神经网络的偏置；j为神经网络的层数，u、v表示不同层的节点号；γ是KL散度的稀疏性参数，将其预设为1；t_(j，v)是第j层第v个神经元的输出；S_(j，v，u)是第j层中第v个节点神经元的输入；σ和是平均激活值和期望激活值；λ是惩罚项，用于表示对惩罚的重视程度，将其预设为1；表示第j层中不同神经元之间w_(j，v，u)的总和；当深度神经网络取得最小损失函数时，认为预训练结束，参数的初始化完成；

深度学习网络经过预训练得到初始化参数之后，使用当前所获取的预训练参数对深度神经网络进行1次训练，用于更新网络的权重和偏置，然后得到最终的训练网络；

最后，将宽度神经网络的输出O_w和深度神经网络的输出O_d结合起来，得到提出的宽深度联合学习神经网络的最终输出：

O_wd＝g(φ_wO_w+φ_dO_d) (13)

其中，φ_w和φ_d代表权重，均定义为0.5；g(·)是一个sigmoid激活函数，且g(x)＝1/[1+exp(-x)]；利用该公式，对所提出的宽深度神经网络再进行1次训练，并得到最佳权重与偏置；至此，一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测模型已经获取最佳权重与偏置，模型构建结束；

应用过程中，对于输入图像，首先将其颜色空间转换至HSV空间；随后，提取图像的VA特征；最后，将训练好的宽深度神经网络应用于所提取的VA特征，实现细颗粒物浓度的实时推断。