[发明专利]基于自扩展卷积神经网络的原油油膜绝对厚度反演方法

权利要求书

1.一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述反演方法包括：

对实测光谱数据进行筛选得到真实光谱特征数据；

将所述真实光谱特征数据输入对抗生成网络，生成自扩展样本数据；

利用卷积神经网络对所述自扩展样本数据进行特征提取，进而对原油油膜绝对厚度进行反演；

所述对实测光谱数据进行筛选得到真实光谱特征数据的方法包括：

利用光谱特征筛选器按预设光谱特征区间对所述实测光谱数据进行筛选，得到所述真实光谱特征数据；

所述预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到，计算获取符合如下公式条件的波段形成的光谱特征区间即为所述的预设光谱特征区间：

其中，λ代表波段，StDev(σ_λ,i)代表i组油膜遥感反射率的标准差，StDev(σ_λ,j)代表j组油膜遥感反射率的标准差，代表λ波段处第i组与第j组油膜遥感反射率的差值。

2.根据权利要求1所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。

3.根据权利要求1所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述对抗生成网络包括生成网络和判别网络，所述生成网络用于学习所述真实光谱特征数据的样本分布，并生成仿真光谱特征数据，所述判别网络用于判别输入的光谱特征数据的真实性，所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。

4.根据权利要求3所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述对抗生成网络的训练过程包括：

对所述判别网络和所述生成网络进行训练直至达到纳什平衡点；

训练所述判别网络的方法为，对所述判别网络进行训练以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1，以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0；

训练所述生成网络的方法为，对所述生成网络进行训练以使得当所述生成网络的输入为随机噪声时，其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1；

按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点。

5.根据权利要求1所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，对生成的所述自扩展样本数据进行去噪处理后再输入所述卷积神经网络以进行特征提取。

6.根据权利要求5所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，采用5阶巴特沃斯低通滤波器进行所述去噪处理。

7.根据权利要求1所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述卷积神经网络包括一维卷基层、一维池化层和全连接层。

8.根据权利要求1至7任一项所述的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，其特征在于，所述原油油膜为海面原油油膜。