[发明专利]一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法

权利要求书

1.一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，其特征在于：

通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络；

用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络；

将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果；

对所述中间结果进行交集运算，输出最终的高相干点提取结果。

2.根据权利要求1所述的方法，其特征在于，所述通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络，包括：

利用1D-CNN神经网络学习输入时序数据的抽象特征，得到抽象特征矢量；

利用BiLSTM神经网络对所述抽象特征矢量进行时序建模，得到长依赖关系；

利用2个全连接层综合学习所述长依赖关系，得到全连接层输出；

使用分类函数对所述全连接层输出进行高相干点和非相干点的逻辑分类。

3.根据权利要求2所述的方法，其特征在于，所述BiLSTM神经网络包括一个正向时序LSTM神经网络和一个逆向时序LSTM神经网络，每个LSTM神经网络均由N个LSTM细胞单元组成，所述细胞单元的个数等于1D-CNN输出抽象特征的时间点数；

所述LSTM细胞单元包括输入单元、输出单元和门控单元，其中，所述输入单元包括上一个时间点LSTM细胞单元的输出单元和当前时间点的抽象特征矢量输入单元，所述输出单元包括LSTM的细胞状态和隐藏层状态；所述门控单元分别为输入门、忘记门和输出门，用于控制输入信息在LSTM细胞内部的去留，从而有利于建立各时间点数据之间的长时间依赖关系。

4.根据权利要求3所述的方法，其特征在于，每个所述门控单元由相同数量的神经元组成的全连接层构成，且所述输入门i_k、忘记门f_k和输出门o_k的表达式分别为：

i_k＝σ(W_uiu_k+W_hih_k-1+b_i)

f_k＝σ(W_ufu_k+W_hfh_k-1+b_f)

o_k＝σ(W_uou_k+W_hoh_k-1+b_o)

式中，分别为第k个时间点输入特征矢量u_k和上一个时间点LSTM细胞单元隐藏层输出h_k-1的权重矩阵；为相应的偏置矢量，下标q∈(i,f,o)，分别表示输入门、遗忘门和输出门；上标H表示LSTM细胞中各门控单元的神经元个数，上标F表示输入矢量特征的维度，σ表示sigmoid函数，值域为(0,1)。

5.根据权利要求3或4所述的方法，其特征在于，所述细胞状态S_k和隐藏层状态h_k的表达式分别为：

h_k＝o_k⊙tanh(S_k)

式中，分别为第k个时间点输入特征矢量u_k和上一个时间点LSTM细胞单元隐藏层输出h_k-1的权重矩阵，为相应的偏置矢量；⊙表示矢量元素点乘；tanh表示正切函数，值域为(-1,1)。