[发明专利]基于CGAN进行数据校正的高精度ASI海冰密集度反演算法

权利要求书

1.基于CGAN进行数据校正的高精度ASI海冰密集度反演算法，其特征在于：包括如下步骤：

S1、数据筛选：找到不受云和水汽等外界环境干扰或干扰小的89GHz数据与36GHz数据之间较为稳定的关系，筛选出受干扰大的89GHz数据；

S2、数据校正：CGAN的生成网络与判别网络通过对抗训练，利用可靠性高的36GHz数据与不受云和水汽等外界环境干扰或干扰小的89GHz数据之间的稳定关系，对受干扰大的89GHZ数据进行校正；

CGAN的模型函数如(3)所示：

其中，x为受外界环境影响的数据，y为附加信息，z为输入随机噪声，G(z|y)为将随机噪声和附加信息、受外界环境影响输入CGAN的生成网络输出的不受外界环境影响的数据，D(G(z|y))为判别网络判定输入数据为假的概率；由于CGAN的生成网络的目标为尽可能使得生成数据接近不受外界环境影响的数据，所以损失函数设置为1-D(G(z|y))来保证判别网络输出假图像概率尽可能小，而判别网络的目标是提高判断输入数据差异的能力，因此，D(x|y)越大越好，同时希望噪声影响越小越好，则损失函数设置为D(x|y)+1-D(G(z|y))，用表示这一博弈的过程；

CGAN模型的训练过程如下：

(1)训练前，调整数据集，如旋转、平移，增加数据集的数量，然后，对训练集和测试集进行归一化处理；

(2)将训练集输入生成网络，然后进行连续批量归一化+卷积+ReLU+池化的操作，以完成下采样操作；

(3)在下采样得到的特征图上进行反褶积、BN和激活函数的连续操作，以完成上采样；

(4)在同一个网络层中，将下采样和上采样的输出特征映射连接起来；在不同的网络层中，从顶层神经网络层到底层神经网络层，融合了下采样和下一个神经网络层的上采样的输出特征图，融合后的输出特征图继续被下一个神经网络层的上采样特征图所连接，以此迭代继续进行，直到下一层没有相应的上采样，然后得到89GHz数据和可靠性高的36GHz数据的映射关系，

(5)然后将测试集数据即不受干扰的89GHz数据和36GHz的数据关系，以及步骤(4)中得到的89GHz数据和可靠性高的36GHz数据的映射关系输入判别网络；

(6)然后进行连续批量归一化+卷积+ReLU+池化的操作，以完成下采样操作；

(7)最后，使用交叉熵对判别网络得到的结果进行判别，若损失函数达到最小值，则输出校正后的89GHz数据，否则返回步骤(2)，重复上述步骤直到损失函数达到最小；

S3、基于校正后的89GHz数据，采用ASI海冰密集度算法反演海冰密集度。

2.如权利要求1所述的基于CGAN进行数据校正的高精度ASI海冰密集度反演算法，其特征在于：筛选干扰大的89GHz数据的方法具体是，

(1)在晴朗天气条件下，以36GHz数据极化比为横坐标、89GHz数据极化比为纵坐标，绘制极化比散点图；

其中极化比公式如(1)所示，

其中，TBV、TBH分别为垂直极化亮温和水平极化亮温；

(2)在极化比散点图中，将横坐标等分成若干区间，并计算每个区间中纵坐标的平均值和标准差，然后，利用各区间中平均值减标准差的两倍绘制最小二乘最佳拟合曲线，该曲线近似于二次方程，如(2)所示，

PR₈₉＝a(PR₃₆)²-bPR₃₆+c (2)

其中，PR89为89GHz数据的极化比，PR36为36GHz数据的极化比，a，b，c为常数。

3.如权利要求1所述的基于CGAN进行数据校正的高精度ASI海冰密集度反演算法，其特征在于：由于Unet网络通过跳跃连接的方式能对不同网络层的特征进行整合，提高了去噪性能，并且Unet网络具有较强的自适应性且可有效保留图像的结构性信息，所以采用Unet作为生成网络G；

其中，Unet包括输入层、卷积层、池化层、激活层以及输出层；

具体设置池化层的核为2×2，设置卷积滤波器的大小为3×3，且选择ReLU作为激活函数；

判别网络D的功能是判别两组映射关系，D采用CNN网络，图像对输入判别网络后先通过连续的下采样层进行特征提取，下采样层中的卷积核大小均为4×4，步幅均为2，为防止使用梯度下降法更新参数时出现梯度消失的情况，对下采样层的卷积操作进行归一化处理，并使用ReLU激活函数进行非线性映射，最后在判别层使用Sigmoid函数输出每个像素的值，并使用交叉熵计算得到最终损失。