[发明专利]一种基于自组织多通道深度学习网络的河流浊度监测方法

权利要求书

1.一种基于自组织多通道深度学习网络的河流浊度监测方法，其特征在于：通过以下步骤建立：

步骤1，采用具有自组织能力的分形模块实现特征膨胀、特征选择和特征融合；提出一种具有自组织能力的分形模块，用于实现特征膨胀、特征选择和特征融合；

步骤1.1，通过两个河流浊度预测网络中的卷积层L₁和L₂，将给定的GEE河流遥感信号S进行膨胀，生成河流浊度特征图F₂，公式如下：

其中，W₁和W₂分别为河流浊度预测网络中卷积层L₁和L₂的权值；b₁和b₂分别是L₁和L₂的偏差；表示卷积操作；Ψ(X)代表X中的元素个数，此处为河流浊度特征图F₂的维度；Y_A()是河流浊度预测网络卷积层中激活的线性整流函数(ReLU)；

步骤1.2，在浊度预测网络中使用4个卷积和批处理归一化层ConvBN，即L₃～L₆对河流浊度特征图F₂进行特征选择；设计一个分形模块来实现自组织功能；采用ConvBN层L₃从F₂生成浊度特征图F₃：

其中，Γ_B()表示批量归一化；W₃和b₃为L₃的权值和偏置；

步骤1.3，根据公式(2)的原理生成河流浊度特征图F₄、F₅和F₆；将F₃、F₄、F₅和F₆用一个基于加法的连接操作进行合并，生成浊度特征图F₇：

其中，表示逐元素相加操作；四个浊度特性图F₃、F₄、F₅和F₆的大小完全相同；

步骤1.4，为估算河流浊度值V，将选取浊度特征图F₇中丰富的特征、卷积层L₈和稠密全连接层L₉进行融合：

其中，W₈和b₈为卷积层L₈的权值和偏置；W₉和b₉分别为稠密全连接层L₉的权重和偏重；Λ_A()是sigmoid激活函数，增强非线性映射能力，提高模型可靠性；

步骤2，基于集成诱导的多通道融合方法；

复制并融合河流浊度预测深度网络生成浊度特征图F₉，再通过稠密全连接层L₁₀生成最终预测的河流浊度值V*:

其中，W₁₀和b₁₀表示L₁₀的权重和偏差。

2.根据权利要求1所述的一种基于自组织多通道深度学习网络的河流浊度监测方法，其特征在于：利用随机初始化的参数独立训练每个单通道网络，然后冻结，仅训练融合部分，最后对SMDLS的整个多通道网络进行微调。

3.根据权利要求1所述的一种基于自组织多通道深度学习网络的河流浊度监测方法，其特征在于：将GEE遥感卫星捕获到的河流浊度数据作为训练样本随机分为Ψ(F₉)组，用于训练每个单通道网络，保证大多数样本组是“干净的”即不涉及大噪声离群值，当存在少量的大噪声离群值的同时也提高了所有单通道网络的多样性，从而提高SMDLS的精度。

4.根据权利要求1所述的一种基于自组织多通道深度学习网络的河流浊度监测方法，其特征在于：使用比经验值多10％的训练轮次，丰富每个单通道网络之间的多样性，以提高SMDLS系统的性能和泛化能力。