(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910286195.3
(22)申请日 2019.04.10
(71)申请人 马培峰
地址 518000 广东省深圳市南山区粤兴二
道10号香港中文大学深圳研究院506
室
(72)发明人 马培峰 张帆 林珲
(74)专利代理机构 北京集佳知识产权代理有限
公司 11227
代理人 罗满
(51)Int.Cl.
G01S 7/41(2006.01)
G01S 13/88(2006.01)
G01S 13/90(2006.01)
G06N 3/04(2006.01)
(54)发明名称
装置
(57)摘要
本申请所提供的一种InSAR时序形变预测方
法，包括：获取目标对象的历史形变数据；将历史
形变预测结果；其中，深度卷积神经网络模型的
网络结构融合了U -N e t 模型的网络结构和
DenseNet模型的网络结构。该方法将获取目标对
象的历史形变数据输入深度卷积神经网络模型，
输出时序形变预测结果。由于深度卷积神经网络
模型的网络结构融合了U -Net模型的网络结构和
DenseNet模型的网络结构，所以输出的时序形变
预测结果的精度更高。本申请还提供一种InSAR
时序形变预测系统、设备及计算机可读存储介
质，
均具有上述有益效果。权利要求书2页 说明书9页 附图1页CN 110333494 A 2019.10.15
C N 110333494
A
权 利 要 求 书1/2页CN 110333494 A
1.一种InSAR时序形变预测方法，其特征在于，包括：
获取目标对象的历史形变数据；
将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果；其中，所述深度卷积神经网络模型的网络结构融合了U-Net模型的网络结构和DenseNet模型的网络结构。
2.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果，包括：
利用深度卷积神经网络方法进行模型训练，得到所述深度卷积神经网络模型；
将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果。
3.根据权利要求2所述的InSAR时序形变预测方法，其特征在于，在得到所述深度卷积神经网络模型之后，还包括：
验证所述深度卷积神经网络模型的精度是否达到预设的精度阈值；
若是，则执行所述将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果的步骤。
4.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述获取目标对象的历史形变数据，包括：
获取预设时长的地表形变的COSMO-SkyMed影像，并作为所述历史形变数据。
5.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述获取目标对象的历史形变数据，包括：
获取预设时长的地表形变的多时空基线合成孔径雷达影像，并作为所述历史形变数据。
6.一种InSAR时序形变预测系统，其特征在于，包括：
历史形变数据获取模块，用于获取目标对象的历史形变数据；
时序形变预测结果输出模块，用于将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果；其中，所述深度卷积神经网络模型的网络结构融合了U-Net模型的网络结构和DenseNet模型的网络结构。
7.根据权利要求6所述的InSAR时序形变预测系统，其特征在于，所述时序形变预测结果输出模块，包括：
模型训练单元，用于利用深度卷积神经网络方法进行模型训练，得到所述深度卷积神经网络模型；
时序形变预测结果输出单元，用于将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果。
8.根据权利要求7所述的InSAR时序形变预测系统，其特征在于，还包括：
精度验证模块，用于验证所述深度卷积神经网络模型的精度是否达到预设的精度阈值；
所述时序形变预测结果输出单元具体为当所述深度卷积神经网络模型的所述精度达到预设的所述精度阈值时，则将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果的单元。
9.一种设备，其特征在于，包括：
2
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议