资料延伸方法、装置及电子设备与流程

本发明涉及资料延伸技术领域，尤其是涉及一种资料延伸方法、装置及电子设备。

背景技术：

现有预报系统的优势主要采用了机器学习和强化学习等方法，建立了资料分析系统、强化预报系统和预报分析系统等子系统，相对于原有单一的数值预报模式，最大程度上强化了预报系统的功能。资料分析系统增加了数值模式初始场的准确度，强化预报系统增加了预报模式的准确度，预报分析系统增加了预报资料的准确度。

然而，由于数值预报模式的初始场和数值预报模式自身的不确定性，现有预报系统自身误差较大，预报资料精度不高。

技术实现要素：

有鉴于此，本发明的目的在于提供一种资料延伸方法、装置及电子设备，以缓解现有技术中存在的误差较大的技术问题。

第一方面，本发明实施例提供了一种资料延伸方法，包括：

将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，其中n大于等于1；

利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数使所述深度神经网络的网络状态价值最大；

对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述策略神经网络包括：价值评估网络和控制神经网络，所述价值评估网络用于评估所述深度神经网络的网络状态的价值，所述控制神经网络基于所述价值评估网络输出的价值及预设调整策略调整所述权重系数。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述策略神经网络用于基于预设的价值评估网络输出的价值调整所述权重系数，包括：

当所述价值增大时，正向调整所述深度神经网络的权重系数，使所述深度神经网络的网络状态的价值增大；

若所述价值减小时，反向调整所述神经网络的权重系数，使所述深度神经网络的网络状态的价值减小。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述控制神经网络的预设调整策略是rnn集群控制网络发送的，所述rnn集群控制网络用于基于所述价值评估网络输出的价值向所述控制神经网络输出调整策略。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述深度神经网络包括多个cnn神经网络，每个所述cnn神经网络与一个级别的分级图像资料对应，用于基于第n级的分级图像资料进行延伸；所述策略神经网络与所述cnn神经网络一一对应，所述策略神经网络与所述rnn集群控制网络一一对应。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，包括：

获取原始观测图像资料；

将所述原始观测图像资料进行小波图像分解，得到当前时刻每个级别所对应的分级图像资料。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料，包括：

利用小波逆变换对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

第二方面，本发明实施例还提供一种资料延伸装置，包括：

分级模块，用于将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，其中n大于等于1；

延伸模块，用于利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数使所述深度神经网络的网络状态价值最大；

合成模块，用于对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行第一方面所述的方法。

本发明实施例带来了以下有益效果：本发明实施例通过首先将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，然后利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，最后可以对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

本发明实施例能够利用深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，由于所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数能够使所述深度神经网络的网络状态价值最大，本发明实施例能够利用使深度神经网络的网络状态价值最大的权重系数配置深度神经网络，并利用配置后的深度神经网络延伸得到残差最小情况下的延伸资料，最终基于延伸资料重构出下一时刻的延伸观测图像资料，提高延伸精确度。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种资料延伸方法的流程图；

图2为图1中步骤s101的流程图；

图3为本发明实施例提供的资料延伸的原理示意图；

图4为本发明实施例提供的一种资料延伸装置的结构图。

图标：11-分级模块；12-预测模块；13-合成模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前预报系统误差较大，基于此，本发明实施例提供的一种资料延伸方法、装置及电子设备，可以利用深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，由于所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数能够使所述深度神经网络的网络状态价值最大，本发明实施例能够利用使深度神经网络的网络状态价值最大的权重系数配置深度神经网络，并利用配置后的深度神经网络延伸得到残差最小情况下的延伸资料，最终基于延伸资料重构出下一时刻的延伸观测图像资料，提高延伸精确度。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种资料延伸方法进行详细介绍，如图1所示，所述资料延伸方法可以包括以下步骤：

步骤s101，将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，其中n大于等于1；

在本发明实施例中，原始观测图像资料可以包括：卫星资料、雷达资料和自动站观测资料等。图像属性可以至图像分辨率或者图像尺度等。

在本发明实施例中，如图2所示，步骤s101可以包括以下步骤：

步骤s201，获取原始观测图像资料；

步骤s202，将所述原始观测图像资料进行小波图像分解，得到当前时刻每个级别所对应的分级图像资料。也即，得到n个级别的分级图像资料，不同级别的分级图像资料对应不同的图像分辨率或图像尺度。

其中，小波图像分解方法可以提供不同分辨率或不同尺度的小波分级图像，将分解后的不同分辨率或不同尺度的小波分级图像，作为小波图像分解后的不同级别图像。

步骤s102，利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料。

在本发明实施例中，所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数使所述深度神经网络的网络状态价值最大；深度神经网络用于保存每个级别的分级图像资料的状态估计值。深度神经网络通过一个深度神经网络建立分级(某一级别)图像的一个神经网络，通过一定策略来调整深度神经网络的权重系数，得到分级(某一级别)图像的最佳估计值，作为某一分辨率下的分级(某一级别)的清晰图像。深度神经网络采用全连接方式描述大气的状态，通过权值和偏置值来调整权重，延伸得到某一级别下的图像。

所述策略神经网络包括：价值评估网络和控制神经网络，所述价值评估网络用于评估所述深度神经网络的网络状态的价值，所述控制神经网络基于所述价值评估网络输出的价值及预设调整策略调整所述权重系数。

策略神经网络为深度cnn神经网络模型，提供价深度神经网络的调整策略，提供深度神经网络调整的价值估计值，对深度神经网络调整的价值进行评价。策略神经网络主要是通过价值评估网络计算的价值，去调整深度神经网络的权重系数。当价值增大时，则正向调整深度神经网络的系统，使深度神经网络的延伸值的价值评估网络的价值往增加方向移动。若价值减小时，则反向调整深度神经网络的权重系数，使深度神经网络的延伸值的价值评估网络的价值往反方向移动。控制神经网络去调整神经网络的权重系数，使的深度神经网络的价值往递增的方向发展，当价值评估网络的价值最大，则终止网络。

所述控制神经网络的预设调整策略是rnn集群控制网络发送的，所述rnn集群控制网络用于基于所述价值评估网络输出的价值向所述控制神经网络输出调整策略。

rnn集群控制网络提供一系列的精度维度参量，向策略神经网络提供调整策略的策略参数，rnn集群控制网络模型采用集群深度rnn神经网络模型，具有正向和反向调节策略，有效根据策略神经网络模型提供的价值估计值，控制深度神经网络权值和偏置值的调整方向。

如图3所示，所述深度神经网络包括多个cnn神经网络，每个所述cnn神经网络与一个级别的分级图像资料对应，用于基于第n级的分级图像资料进行延伸；所述策略神经网络与所述cnn神经网络一一对应，所述策略神经网络与所述rnn集群控制网络一一对应。

这个延伸过程可以看做是对每一个级别的分级图像资料分别进行延伸延伸，得到下一时刻各级别的延伸资料。

步骤s103，对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

在该步骤中，可以利用小波逆变换等反变换方式对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料，下一时刻的延伸观测图像资料可以构成一张清晰图像。

在该步骤中，所述策略神经网络用于基于预设的价值评估网络输出的价值调整所述权重系数，具体地：当所述价值增大时，正向调整所述深度神经网络的权重系数，使所述深度神经网络的网络状态的价值增大；若所述价值减小时，反向调整所述神经网络的权重系数，使所述深度神经网络的网络状态的价值减小。

本发明实施例通过首先将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，然后利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，最后可以对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

本发明实施例能够利用深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，由于所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数能够使所述深度神经网络的网络状态价值最大，本发明实施例能够利用使深度神经网络的网络状态价值最大的权重系数配置深度神经网络，并利用配置后的深度神经网络延伸得到残差最小情况下的延伸资料，最终基于延伸资料重构出下一时刻的延伸观测图像资料，提高延伸精确度。

在本发明的又一实施例中，如图4所示，还提供一种资料延伸装置，包括：

分级模块11，用于将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，其中n大于等于1；

延伸模块12，用于利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数使所述深度神经网络的网络状态价值最大；

合成模块13，用于对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在本发明的又一实施例中，还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例所述的方法的步骤。

在本发明的又一实施例中，还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述方法实施例所述的方法。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例所提供的资料延伸方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。