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：中国人民解放军国防科技大学

摘要：本发明公开了一种基于深度学习SROSRN模型的海洋盐度超分辨率重构方法，属于海表盐度数据重构领域，包括以下步骤：S1、获取输入数据和标签数据，并将获得的输入数据和标签数据组成训练与测试模型的数据集；S2、搭建深度学习SROSRN模型；S3、利用步骤S1得到的数据集训练步骤S2得到的深度学习SROSRN模型，得到训练好的SROSRN模型；S4、利用训练好的SROSRN模型进行海表盐度超分辨率重构，即得到高分辨率的海表盐度数据。本发明可方便采用现有的公开数据集和深度学习框架进行模型的搭建、训练与预测，较传统的统计方法有更强的泛化能力，可作为一套通用范式，应用于其他海洋要素的超分辨率任务。

主权项：1.一种基于深度学习SROSRN模型的海洋盐度超分辨率重构方法，其特征在于，包括以下步骤：S1、获取输入数据和标签数据，并将获得的输入数据和标签数据组成训练与测试模型的数据集；S2、利用步骤S1得到的数据集，搭建深度学习SROSRN模型，具体包含以下步骤：S21、搭建深度学习环境；S22、基于步骤S21搭建的深度学习环境，通过6个相同子模块中的每个子模块处理一个通道上的输入要素，并输出含3个通道的某要素特征图，然后将6个模块输出的3通道特征在通道维度堆叠起来，构建得到CNNStack多要素卷积堆叠模块，表达式为： 其中，FCNNStack表示CNNStack多要素卷积堆叠模块的输出特征图，尺寸为[batchsize，18，Hl，Wl]；MCNNStack表示CNNStack多要素卷积堆叠模块的映射函数；S23、利用步骤S22得到的CNNStack多要素卷积堆叠模块对高分辨率海表温度数据的高分辨率特征与低分辨率特征进行提取，得到高分辨率特征FCNNStack-7，sr和低分辨率特征FCNNStack-7，lr，高分辨率特征和低分辨率特征的表达式如下：FCNNStack-7，sr＝BD1MCNNStack-7P′7；FCNNStack-7，lr＝BD2MCCNNStack-7FCNNtack-7，sr其中，FCNNStack-7，sr表示高分辨率特征，FCNNStack-7，lr表示低分辨率特征，MCNNStack-7表示CNNStack-7模块的映射函数，BD1表示第一层BilinearDownsampling双线性插值下采样层的映射函数，BD2表示第二层BilinearDownsampling双线性插值下采样层的映射函数；S24、构建CBAM-RRDR稠密残差特征提取模块，CBAM-RRDB稠密残差特征提取模块的表达式为： 其中，FCBAM-RRDB表示CBAM-RRDB稠密残差特征提取模块的输出特征图，MCBAM-RRD表示CBAM-RRDB稠密残差特征提取模块的映射函数，MInception表示Inception模块的映射函数，F表示最开始输入CBAM-RRDB稠密残差特征提取模块的多通道特征图，α表示残差权重，表示两个相同尺寸的特征图张量的对应元素相加；S25、构建Output输出模块，Output输出模块表达式如下：FOutput＝MOutputF＝f3×3reluBNf5×5F其中，FOutput表示Output输出模块的输出特征图，MOutput表示Output输出模块的映射函数，F表示输入Output输出模块的多通道特征图；S26、基于步骤S1得到的数据集，将步骤S22得到的CNNStack多要素卷积堆叠模块的输出特征图和步骤S23得到的低分辨率特征和高分辨率特征、步骤S24得到的CBAM-RRDB稠密残差特征提取模块以及步骤S25得到的Output输出模块相结合，即得到深度学习SROSRN模型，深度学习SROSRN模型的表达式如下：P′1sr＝MSROSRNP′，θ其中，MSROSRN表示深度学习SROSRN模型的输入与输出的映射关系，输入为经过归一化处理的批次多要素数据P′，输出为超分辨率海表盐度数据批次P′1sr，θ＝{Wk，bk}表示SROSRN模型中第k层的权重与偏差；S3、利用步骤S1得到的数据集训练步骤S2得到的深度学习SROSRN模型，得到训练好的SROSRN模型；S4、利用训练好的SROSRN模型进行海表盐度超分辨率重构，即得到高分辨率的海表盐度数据。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于深度学习SROSRN模型的海洋盐度超分辨率重构方法