(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211210892.9 (22)申请日 2022.09.30 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 张家福　于莉　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 钟昕宇 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/20(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于广义非线性卷积神经网络的卫星 云图识别方法、 装置及 介质 (57)摘要 本发明设计一种基于广义非线性卷积神经 网络的卫星云图识别方法、 装置及介质， 能实时、 高效的识别出卫星云图的云况信息。 本方法将标 记好的卫星云图输入到网络中， 采用广义非线性 卷积学习复杂的解空间， 将输出的标签与卫星云 图的真实标记输入到损失函数中进行梯度回传， 训练整个网络模 型， 最后将实时获取的卫星云图 经过预处理， 输入到网络中进行识别。 广义非线 性卷积能自适应的寻找最优解， 避免特定算子的 解空间单调的局限性， 能够精 准识别卫星云图的 云况信息， 具有高精度、 高时效性的特点。 权利要求书3页 说明书7页 附图2页 CN 115512235 A 2022.12.23 CN 115512235 A 1.一种基于广义非线性卷积神经网络的卫星云图识别方法， 其特征在于， 包括以下步 骤： 获取卫星云图； 预处理所述卫星云图； 将所述卫星云图输入训练好的广义非线性卷积神经网络； 输出识别分类后的卫星云图的云况类别； 所述云况类别包括卷状云、 中云、 积水云、 层 云。 2.根据权利要求1所述的基于广义非线性卷积神经网络的卫星云图识别方法， 其特征 在于， 获取卫星云图的方法包括 通过气象卫星拍摄。 3.根据权利要求1所述的基于广义非线性卷积神经网络的卫星云图识别方法， 预处理 所述卫星云图的方法包括： 进行灰度处理； 进行归一 化处理， 不改变原来形状 轮廓的有效信息， 去掉冗余， 保留核心信息 。 4.根据权利要求1所述的基于广义非线性卷积神经网络的卫星云图识别方法， 所述广 义非线性卷积神经网络包括： 两层的隐藏层： 用于把输入卫星云图数据的特征， 抽象到另一空间维度， 展现其更加抽 象化的特 征； 非线性卷积层： 用于采用泰勒公式自适应的计算卷积后的非线性激活函数， 将卫星云 图的原始特征通过非线性卷积转换为更加复杂的特 征空间； 池化层： 用于将特 征空间进行处 理， 得到识别结果； 所述广义非线性卷积神经网络使用Q阶的泰勒公式近似表示节点算子， 复合节点函数 由Q阶泰勒公式表示： Ψ(w， y)＝ w0+w1(y‑a)+w2(y‑a)2+…+wQ(y‑a)Q 式中， w为展开项系数， y为自变量， a为展开 点。 5.根据权利要求1所述的基于广义非线性卷积神经网络的卫星云图识别方法， 所述广 义非线性卷积神经网络的训练方法包括： 获取气象卫星云图集作为训练集； 预处理所述训练集； 根据预处理后的训练集训练广义非线性卷积神经网络对卫星云图进行识别分类， 训练 的损失函数为： 式中， K代表标签数量， yi,k为真实标签值,k为标签序 号， 第i个样本预测为第k个标签值 的概率为pi， k， N代表样本数量， 最后取平均计为 最终的损失函数。 6.根据权利要求5所述的基于广义非线性卷积神经网络的卫星云图识别方法， 预处理 所述训练集的方法包括： 对卫星云图进行批量处理， 所有的云图大小一致， 每轮训练对图像进行打乱、 随机旋 转， 增强模型的健壮性。权　利　要　求　书 1/3 页 2 CN 115512235 A 27.根据权利要求5所述的基于广义非线性卷积神经网络的卫星云图识别方法， 根据预 处理后的训练集训练广义非线性卷积神经网络对卫星云图进行识别分类， 包括： 将图片输入到神经网络中， 采用非线性卷积层提取特征， 采用生成神经元实现非线性 连接， 广义非线性卷积神经网络设有节点算子， 以最大化学习能力， 复合节点函数由Q阶泰 勒公式表示： Ψ(w， y)＝ w0+w1(y‑a)+w2(y‑a)2+…+wQ(y‑a)Q 式中， a的值不会影响近似值的精度， 因为节点算子作用于前一层的神经元输出， 每一 层的神经 元输出都基于 激活函数有界； 从输入层到输出层前向传播， 广义非线性卷积神经网络的生成神经元具有3D核矩阵， 其中核元素 的第q个权重由表示； 具有单个核元素 的每个节点算子函数将被复合节点算子 逼近， 由麦克劳林函数表示： 式中， m， n为变量， r， t为对应的误差项， l 为层数； 是内核， 是上一层的输出， 具体采用sum池化和tanh 激活函数； 计算损失函数， 使用图片识别分类常用的交叉熵函数： 式中,yi,k为真实标签值， K代表标签数量， 第i个样本预测为第k个标签值的概率为pi， k， N代表样本数量， 最后取平均计为 最终的损失函数； 通过损失函数指导反向传播， 更新迭代权重内核， 因为节点函数算子使用麦克劳林公 式近似逼近， 反向传播更加方便精准： 其中ssx和ssy为存在因子， 是回传的下采样损失， 然后上采样计算神经元的误差， 采 用的是平均池化； 紧接着计算权 重(核)和偏差敏感性： 是第q个二维子核， 由核元素 组成， 在每次反向传播迭代t期间， 广义非线权　利　要　求　书 2/3 页 3 CN 115512235 A 3