[发明专利]基于度量的电力图像环境影响评估方法

权利要求书

1.一种基于度量的电力图像环境影响评估方法，其特征是，构建相应电力系统环境下已确定环境影响类别和影响级别的数据库，建立卷积神经网络模型，利用数据库中图像对模型进行训练，分别对数据库中电力图像和实际采集的电力图像进行特征提取，利用数据库中部分图像作为监督样本构建哈希映射，将数据库图像和实际采集图像进行映射得到哈希码，并进行距离度量以确定电力图像的受环境影响级别。

2.如权利要求1所述的基于度量的电力图像环境影响评估方法，其特征是，具体地：

1)构建数据库，采集图像所在环境的电力图像，将包括雨、雪、霾、尘的常见的环境影响类型以及定义为不同级别的环境影响程度作为依据，通过算法进行建立，所生成的数据库中的图像作为生成卷积神经网络CNN模型时的训练样本，在数据库中选取部分已知环境影响类型和环境影响级别的图像用作构建哈希函数的监督样本集；

2)建立卷积神经网络，CNN将图像的局部感知区域作为网络的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获取对平移、旋转和缩放具有不变性的显著特征；

3)训练卷积神经网络，卷积神经网络的训练分为两个阶段，即前向传播阶段和后向传播阶段；在进行前向传播时，将训练样本输入已经训练完成的CNN模型中，样本从输入层经逐级变换传送到输出层，由此得到相应的实际输出；在进行后向传播时，对实际输出和对应理想输出的误差进行传播，将误差进行反向逐层后推，从而得到各层的误差，并按最小化误差方法调整神经元权值，在得到最小误差后，完成该批次训练样本的训练；

4)特征提取，当所有的批次训练全部完成后，将图像数据集和已经过分类的采集图像分别输入训练好的卷积神经网络模型中，图像数据逐级通过各个网络层后，在输出端分别得到两类图像的深层特征；

5)基于度量的环境影响评估，上一步卷积神经网络模型中输出为数据集图像和采集图像的高维特征数据，为增强哈希函数对线性不可分的高维数据的分辨能力，构建哈希函数，通过图像的语义相关性和空间距离获得训练图图像的标签信息，利用此种训练数据的相关性信息进行监督学习，设定目标函数，利用梯度下降的方法最小化目标函数，从而得到哈希函数构建过程中的所需参数，从而增强生成哈希码的区分性，对数据库中图像和实际采集图像的深层次特征进行哈希映射，得到哈希码，利用向量内积运算计算哈希码之间的距离，度量得到最近距离，将距离较近的数据集中图像的标签返回，则此数据集中图像受环境影响级别即为当前采集图像的受环境影响级别。

3.如权利要求2所述的基于度量的电力图像环境影响评估方法，其特征是，使用卷积神经网络的输入图像大小为227×227，输出为4096×1的图像深层特征，一共包含5个卷积层、3个子采样层、1个全连接层，在子采样层中，使用重叠采样的方法。

4.如权利要求1所述的基于度量的电力图像环境影响评估方法，其特征是，在一个具体实例中，具体地，

步骤2)在卷积层，前一层的特征图与可学习的卷积核K_ij进行卷积，卷积的结果经非线性函数g(·)生称这一层的特征图具体形式为：

其中为第l个卷积层C_l的输出，代表卷积运算，b_j为偏置，卷积核K_ij表示可与前一层的一个或多个特征图确定卷积关系，M_j代表输入特征图的集合，非线性函数：g(x)＝max(0,x)

卷积层所生成特征图的大小为h_l：

其中h_l-1为第l-1层特征图的大小，z_l表示第l层卷积核的大小，λ_l是卷积核移动步长，ρ_l表示卷积运算时对前一层特征图边缘补零的列数；

特征图边缘补零列数：

P＝{ρ₁＝0,ρ₂＝2,ρ₃＝ρ₄＝ρ₅＝1}

网络结构的详细参数如表1所示：

表1CNN网络结构详细参数

采用重叠采样方法来对特征图进行最大值采样，其中采样区域为3×3，采样步长为2个像素；

步骤3)训练卷积神经网络

卷积神经网络的训练样本来自已知环境影响类型和影响级别的电力图像数据库，训练主要分前向传播和后向传播两个阶段：

(1)前向传播阶段

从训练样本中选取一个样本(X,Y_p)从输入层经逐级变换传送到输出层，计算相应的实际输出为：

O_p＝F_n(…(F₂(F₁(XW⁽¹⁾)W⁽²⁾)…)W⁽³⁾)

(2)后向传播阶段，也称误差传播阶段。计算实际输出O_p与对应理想输出Y_p的误差：

将误差E_p反向逐层后推得到各层的误差，并按最小化误差方法调整神经元权值，当总误差E≤ε时，利用已生成的各类不同级别环境影响下的图像数据集完成该批次训练样本的训练；

步骤5)进行基于度量的环境影响评估

(1)基于监督核的哈希函数建立

从卷积神经网络模型中输出的是数据集和采集图像的高维特征数据：

为增强哈希函数对线性不可分的高维数据的分辨能力，利用核函数：κ：R^d·R^d→R，构建哈希函数：

h：R^d→{1,-1}

对高维的特征数据进行映射生成哈希码，哈希码的具体形式为：

其中a_j∈R,b_j∈R，x₍₁₎,…,x_(n)是从χ中随机选取的n个样本，m是远小于n的常数，哈希函数h(x)除了满足低维汉明空间与原始高维空间的相似一致性外，还应保证生成的哈希码是均衡的，即哈希函数h(x)应满足则偏置将b的值代入，得：

其中a＝[a₁ … a_m]^T，R^d→R^m是映射向量：

这里，通过预先计算得到，传统哈希方法中系数向量a是通过随机抽样得到的m维向量，为增强生成哈希码的区分性，提高通过相似性度量进行的环境影响评估效果，使用训练数据的相关性信息进行监督学习得到系数向量a，构造与数据相关的哈希函数；

当哈希码的维数为给定的r，则需要r个向量a₁,…a_r，构造哈希函数：

训练图像的标签信息可以通过图像的语义相关性和空间距离获得，label(x_i,x_j)＝1表示图像x_i,x_j是相似的，反之label(x_i,x_j)＝-1表示图像x_i,x_j差异很大，为了描述标签图像集χ_l＝{x₁,…x_l}中的元素之间的相互关系，定义监督矩阵S∈R^l×l：

其中label(x_i,x_j)＝1，S_ii＝1,S_ij＝0，表示图像x_i,x_j之间的相似性不确定，为了增强哈希码的区分能力，使得在汉明空间中可以高效地判断两类图像之间的相似性，应该尽量使图像x_i,x_j的汉明距离D_h(x_i,x_j)满足：

在实际中利用向量内积运算计算哈希码之间的距离，记图像x的哈希码为：

code_r(x)＝[h₁(x) … h_r(x)]∈{1,-1}^1×r

则图像(x_i,x_j)的距离D(x_i,x_j)为：

D(x_i,x_j)＝code_r(x_i)·code_r(x_j)

＝|{k|h_k(x_i)＝h_k(x_j),1≤k≤r}|-|{k|h_k(x_i)≠h_k(x_j),1≤k≤r}|

＝r-2|{k|h_k(x_i)＝h_k(x_j),1≤k≤r}|

＝r-2D_h(x_i,x_j)

故通过哈希码内积运算与汉明距离运算是一致的，且D(x_i,x_j)∈[-r，r]，对D(x_i,x_j)归一化后得到：

为了使相似矩阵和监督矩阵S距离达到最小，定义目标函数：

其中表示求矩阵Frobenius范数，为标签图像集χ_l的哈希码矩阵，将sgn(·)推广到矩阵形式，根据上式，H_l可以表示为：

其中，A＝[a₁,…,a_r]∈R^m×r，将H_l代入得：

和BRE相比，目标函数Γ(A)通过内积计算相似性，对参数A建模更加直观。假定在t＝k时刻，已知向量需要估算a_k，定义矩阵：

其中R₀＝rS则可通过贪婪算法，通过最小化上式，逐步对a_k进行估算：

将常数项去掉可以得到简洁的目标函数：

由于目标函数中的sgn(x)函数使得v(a_k)不连续，而且v(a_k)也不是凸函数，很难直接对v(a_k)最小化，研究表明，当|x|＞6时，连续函数：

可以很好地近似sgn(x)。所以，利用替换sgn(x)得到近似目标函数

可以通过梯度下降的方法对进行最小化，求关于a_k的梯度：

其中1＝[1，…，1]∈R^l,⊙表示Hadamard内积运算，通过监督学习可以得到向量系数a，从而生成哈希函数和哈希表；

(2)基于度量的环境影响评估

利用得到的哈希函数生成哈希码。对数据库中图像和实际采集图像的深层次特征进行哈希映射，可以得到code_r(x_q)，计算哈希码之间的距离，即可度量得到最近距离，将距离较近的数据集中图像的标签返回，则此数据集中图像受环境影响级别即为当前采集图像的受环境影响级别。