买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海握蓝航天科技集团有限公司

摘要：本发明公开了基于生成对抗网络的高光谱水质数据增强方法，包括以下步骤：步骤一，高光谱数据收集；步骤二，数据预处理；步骤三，数据集划分；步骤四，数据增强；步骤五，GAN模型训练；步骤六，生成新数据；步骤七，基础模型训练；步骤八，优化模型训练；步骤九，模型预测精度评估；本发明通过采用数据增强技术，对训练集中的光谱数据施加随机噪声，使得叶绿素、总磷、氨氮、悬浮物和溶解氧等水质指标的预测误差率显著降低，提升模型的精确度，通过使用GAN生成新的数据样本，很好地模拟了数据的分布特征，显著扩展了数据集的多样性，增强了模型的泛化能力和鲁棒性，同时也减少对真实数据的需求，从而降低了获取真实数据的成本。

主权项：1.基于生成对抗网络的高光谱水质数据增强方法，包括以下步骤：步骤一，高光谱数据收集；步骤二，数据预处理；步骤三，数据集划分；步骤四，数据增强；步骤五，GAN模型训练；步骤六，生成新数据；步骤七，基础模型训练；步骤八，优化模型训练；步骤九，模型预测精度评估；其特征在于：其中在上述步骤一中，利用高光谱设备收集水体的光谱反射信息；其中在上述步骤二中，对步骤一中所收集的光谱数据进行预处理；其中在上述步骤三中，将步骤二中预处理后的光谱数据分为训练集和测试集；其中在上述步骤四中，对步骤三中划分出的训练集中的光谱数据施加随机噪声；其中在上述步骤五中，利用步骤四中加噪的高光谱数据训练生成对抗网络GAN，并在训练过程中保存最优的模型参数；其中在上述步骤六中，使用步骤五中获取的最优GAN模型参数，基于训练集数据生成新的水质数据；其中在上述步骤七中，构建人工智能AI算法模型，使用步骤四中加噪的训练集数据作为输入，以步骤六中生成的水质数据作为训练标签，以指导模型的学习过程，并保存训练中的最优模型参数；其中在上述步骤八中，初始化一个新的AI模型实例，加载步骤七中获取的最优模型参数，使用步骤三中划分的测试集中的高光谱数据作为输入，真实水质数据作为标签，进行AI模型的训练，并保存由AI模型输出的预测水质数据；其中在上述步骤九中，计算步骤八中AI模型预测的水质数据与真实水质数据之间在各个指标上的误差率，累加这些误差率并求取平均值，以评估模型的整体预测精度。

全文数据：

权利要求：

百度查询： 上海握蓝航天科技集团有限公司 基于生成对抗网络的高光谱水质数据增强方法