技术领域
[0001] 本发明涉及数据处理技术领域，具体涉及一种空间天气数值模拟方法及装置。
相关背景技术
[0002] 空间天气数值模拟是一种重要的天气预测技术，通过数值模型对热层大气层和电离层等空间环境进行建模和模拟，以预测空间天气现象的变化。然而，传统的空间天气数值模拟在保障空间天气业务需求的前提下，往往存在分辨率不足、预测准确性差等问题，难以满足实际需求。因此，利用深度学习技术对空间天气数值模拟进行改进和优化成为研究的热点之一。
[0003] 传统的空间天气数值模拟模型往往受限于计算资源和算法模型，导致生成的模拟数据分辨率不高，无法满足现有的空间天气业务需求；部分空间天气数值模拟方法需要大量的计算资源和时间，计算复杂度较高，难以满足实时性和效率性的要求。
[0004] 综上所述，本申请用以解决现有技术中模拟数据分辨率不足，计算复杂度高，导致空间天气数值模拟模型无法满足现有的空间天气业务需求的技术问题。
具体实施方式
[0016] 本申请提供的技术方案总体思路如下：
[0017] 本申请实施例提供了一种空间天气数值模拟方法及装置。首先，通过空间天气探测仪器进行实时监测，收集实时空间天气数据，并据此获取空间天气的数值模拟数据。接着，基于收集到的空间天气数值模拟数据，构建一个数值模拟模型。这个模型能够模拟和预测空间天气的各种参数和状态。随后，根据设定的同等空间天气条件，利用已构建的数值模拟模型进行模拟计算。通过多级配置和单级配置，分别输出第一精度数据集和第二精度数据集。第一精度数据集具有较高的空间和时间分辨率，而第二精度数据集则相对较低。之后，基于第一精度数据集和第二精度数据集，进行超分模型的构建和训练。第二精度数据集作为超分模型的输入数据，而第一精度数据集则作为目标输出数据。通过定义损失函数和优化器，对超分模型进行迭代训练，直至损失差值小于预设阈值，完成超分模型的构建。最后，采用新的空间天气数值模拟数据，通过已经训练好的超分模型，获得目标高精度模拟数据。
[0018] 在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
[0019] 实施例一
[0020] 如图1所示，本申请实施例提供了一种空间天气数值模拟方法，该方法包括：
[0021] 步骤S100：通过空间天气探测仪器进行实时监测，获取空间天气数值模拟数据。
[0022] 具体而言：启动所述空间天气探测仪器对目标空间区域进行实时监测，其中，空间天气探测仪器包括：太阳观测器、地球磁层探测器、宇宙射线探测器；进而收集空间天气的各种参数和数据，从而得到多个实时天气要素，以作为空间天气数值模拟的基础。其中，所述空间天气数值模拟数据包括但不限于太阳辐射通量、等离子体密度、温度等数据信息。进一步的，还包括对多个实时天气要素进行数据格式转换，根据转换结果进行筛选，生成目标实时天气要素；将所述目标实时天气要素传输至空间天气数据中心进行模拟计算，生成空间天气数值模拟数据。
[0023] 此步骤通过空间天气探测仪器进行实时监测以获取空间天气数值模拟数据，为整个监测和预测过程提供了实时、准确的数据支持。
[0024] 步骤S200：基于所述空间天气数值模拟数据构建数值模拟模型。
[0025] 具体而言：基于空间天气数值模拟数据构建数值模拟模型，用于模拟和预测空间天气的动态变化。其构建过程包括：基于模型框架确定第一超参数，通过反向传播算法更新第一超参数，生成第二超参数、数据预处理、模型训练、监控性能指标数据、性能评估、迭代优化等步骤。
[0026] 此步骤基于数学方程和算法，通过计算机程序来求解数学模型的近似解，以揭示系统的内在规律和特性，应用于气象、地质、流体动力学、电磁学、结构力学等领域，主要用于模拟和预测物理现象、工程问题或科学研究的动态过程。
[0027] 步骤S300：按照同等空间天气条件采用所述数值模拟模型输出第一精度数据集、第二精度数据集。
[0028] 具体而言：所述同等空间天气条件指的是在相同或相似的空间环境中，具有相同或相似物理参数和特征的空间天气状态。在此条件下，输出第一精度数据集、第二精度数据集，所述第一精度数据集和第二精度数据集代表了不同精度的模拟结果。其中，所述第一精度数据集代表高精度模拟结果；所述第二精度数据集用于代表低精度模拟结果。
[0029] 步骤S400：基于所述第一精度数据集与所述第二精度数据集进行数据训练，构建超分模型。
[0030] 具体而言：利用第一精度数据集和第二精度数据集进行训练，构建一超分模型，所述超分模型是通过学习图像的映射关系，在一定程度上还原丢失的细节信息，以改善图像的视觉效果，将低分辨率图像转换为高分辨率图像。在本申请中，则是用于提高模拟精度。其构建过程包括：数据准备，即将第二精度数据集作为超分模型的输入数据，将第一精度数据集作为目标输出数据，其中第二精度数据集(低分辨率数据)用于超分模型的训练，而第一精度数据集(高分辨率的数据)用于验证基于LIIF算法超分的深度学习结果是否正确。
[0031] 步骤S500：采用所述空间天气数值模拟数据，通过所述超分模型获得目标高精度模拟数据。
[0032] 具体而言：利用超分模型提升空间天气数值模拟数据的精度，即超分模型将接收输入的低精度数据，并基于其训练过程中学到的映射关系，生成高分辨率或高精度的输出数据，从而得到所述目标高精度模拟数据，其在分辨率和细节上优于原始输入数据。生成的高精度模拟数据将用于空间天气预报、气候模拟、科学研究等实际场景中，以提供更准确、更详细的信息。
[0033] 进一步的，本申请步骤S100中，通过空间天气探测仪器进行实时监测，获取空间天气数值模拟数据，还包括：启动所述空间天气探测仪器对目标空间区域进行实时监测，获得多个实时天气要素；对所述多个实时天气要素进行数据格式转换，根据转换结果进行筛选，生成目标实时天气要素；将所述目标实时天气要素传输至空间天气数据中心进行模拟计算，生成所述空间天气数值模拟数据。
[0034] 具体而言：根据特定的监测需求和目标空间区域(如太阳、地球磁层、电离层等)，启动相应的空间天气探测仪器，包括太阳观测器、地球磁层探测器、宇宙射线探测器，空间天气探测仪器通过特定的传感器和接收器捕获和测量空间中的物理参数，如太阳辐射、磁场强度、等离子体密度等。实时监测确保了数据的实时性和准确性。
[0035] 进一步的，由于不同的空间天气探测仪器可能采用不同的数据格式和传输标准，因此需要对接收到的多个实时天气要素进行格式转换。具体包括：解码原始数据、将其转换为通用的数据格式(如CSV、NetCDF等)，单位转换(如从国际单位制转换为其他单位制)和坐标转换(如从仪器坐标转换为地理坐标或物理空间坐标)。
[0036] 在数据格式转换之后，需要对数据进行筛选，以生成目标实时天气要素。具体的筛选过程包括：数据质量检查：检查数据的完整性、准确性和一致性。可能会去除或标记那些存在明显错误或异常的数据点。时间范围选择：根据研究或应用的需求，选择特定的时间范围内的数据。例如，如果正在研究一次特定的太阳风暴事件，那么可能会选择该事件前后一段时间内的数据。物理参数选择：根据研究或应用的需求，选择特定的物理参数。例如，如果正在研究地球磁场的变化，那么可能会选择磁场强度、磁场方向等参数。空间区域选择：根据研究或应用的需求，选择特定的空间区域的数据。例如，如果正在研究某个特定区域的电离层变化，那么可能会选择该区域的数据。经过筛选得到目标实时天气要素，所述目标实时天气要素包括太阳活动、地球磁层状态、宇宙射线强度等空间天气要素的数据。
[0037] 最后，将目标实时天气要素传输至空间天气数据中心进行模拟计算，所述空间天气数据中心配备了高性能的计算机系统和专业的空间天气数值模拟软件。即，目标实时天气要素进行模拟计算，生成空间天气数值模拟数据。所述空间天气数值模拟数据包括温度、密度、速度等空间天气要素的分布和变化，以及预测的空间天气事件和现象。
[0038] 基于此步骤，通过实时监测、数据格式转换、筛选和模拟计算等步骤，确保了空间天气数值模拟数据的准确性和实时性。用于理解空间天气的变化规律、预测潜在的空间天气事件。
[0039] 进一步的，如图2所示，本申请步骤S200中，基于所述空间天气数值模拟数据构建数值模拟模型，还包括：基于模型框架确定所述数值模拟模型的第一超参数，通过反向传播算法更新所述第一超参数，生成第二超参数；对所述空间天气数值模拟数据进行数据预处理，根据预处理结果结合所述第二超参数进行数据划分，生成训练数据集、监督数据集、测试数据集；利用所述训练数据集对所述数值模拟模型进行训练，监控所述训练数据集与所述监督数据集在所述数值模拟模型内的性能指标数据；利用所述测试数据集对所述数值模拟模型进行性能评估，生成性能评估结果；基于所述性能指标数据结合所述性能评估结果对所述数值模拟模型进行迭代优化，直至所述数值模拟模型达到所述性能指标数据进行输出。
[0040] 具体而言：基于Swin Transformer构建模型框架，所述Swin Transformer是一种基于Transformer的架构，专为视觉任务(如图像分类、目标检测、语义分割等)而设计。其采用了层次化的构建方式，类似于卷积神经网络(CNN)中的金字塔结构。首先将输入图像划分为一系列的小块(或称为patches)，然后利用多层的Transformer层对这些小块进行处理。在每一层中，Swin Transformer会对无重合的窗口区域内的patches进行自注意力计算，从而捕获图像中的局部特征。此外，Swin Transformer还引入了跨窗口的连接机制，以在不同的尺度上融合特征。
[0041] 基于模型框架确定初始的第一超参数，所述第一超参数包括初始设置的权重、偏置等值，在此基础上训练模型，在训练过程中通过反向传播算法更新第一超参数，生成第二超参数，用以最小化损失函数。其中，所述反向传播算法(Backpropagation Algorithm)，简称BP算法，是一种用于训练神经网络的常用算法。其原理是根据训练样本的输入和期望输出之间的误差，逐层逆向计算每个神经元的权重和偏置的梯度，进而更新网络参数以减小误差。
[0042] 进一步对空间天气数值模拟数据进行数据预处理，以适应模型输入要求。然后，根据预处理结果结合第二超参数进行数据划分，生成训练数据集、监督数据集、测试数据集。划分比例可以根据第二超参数(如70％用于训练，15％用于验证，15％用于测试)来设定。所述训练数据集是一个包含大量已知输入和输出的数据集，在监督学习中，模型会使用训练数据集来学习从输入到输出的映射关系。所述监督数据集是带有输出的数据集，用于训练模型以预测新数据的标签，监督学习是一种机器学习范式，其中模型会学习从输入数据到输出数据的映射关系，因此，监督数据集就是包含这种映射关系的数据集。所述测试数据集用于评估模型的性能。
[0043] 利用训练数据集对数值模拟模型进行训练，在训练过程中，利用反向传播算法更新模型的权重和偏置。监控训练数据集与监督数据集在数值模拟模型内的性能指标数据，如损失值、准确率等。
[0044] 利用测试数据集对所述数值模拟模型进行性能评估，使用性能指标(也称为评估指标或损失函数)来比较模型生成的预测结果与测试数据集中的真实结果，其中，性能指标包括准确率、精确率、召回率、F1分数、均方误差等，生成性能评估结果。
[0045] 最后，基于性能指标数据结合性能评估结果对数值模拟模型进行迭代优化，所述迭代优化方法包括调整模型结构(如增加或减少层数、改变激活函数等)、调整模型参数(如学习率、批次大小等)、使用不同的优化算法(如SGD、Adam等)、进行正则化(如L1、L2正则化)以防止过拟合、引入数据增强技术以增加模型泛化能力等。使用相同的测试数据集对优化后的模型进行再次评估，并记录新的性能指标数据。重复以上步骤持续迭代优化模型，直到模型达到或接近设定的性能指标目标。
[0046] 进一步的，本申请所述方法中，对空间天气数值模拟数据进行数据预处理，还包括：对所述空间天气数值模拟数据的数值模拟信号通过小波变换公式进行小波分解，获得数值模拟信号小波系数；根据所述数值模拟信号小波系数进行阈值量化，确定数值模拟信号小波选取阈值；按照所述数值模拟信号小波选取阈值对所述数值模拟信号小波系数进行截取，对小于所述数值模拟信号小波选取阈值的噪声信号置零，获得大于所述数值模拟信号小波选取阈值的有效信号信息；对所述有效信号信息进行滤波重构，获得所述预处理结果。
[0047] 具体而言：对空间天气数值模拟数据的数值模拟信号通过小波变换公式进行小波分解，所述小波变换能够将信号分解为不同频率和时间尺度的成分，选择合适的小波基函数和分解层数，以便能够捕获信号中的关键特征。从而获得数值模拟信号小波系数；具体来说，小波系数包括实部和虚部，其中实部表示信号在不同尺度和位置上的振幅(幅度)，而虚部表示相位信息。小波系数的振幅反映了信号在不同尺度和位置上的强度，可以理解为信号的局部能量。
[0048] 根据数值模拟信号小波系数，确定一个合适的阈值。这个阈值通常基于信号的噪声水平和所需的去噪程度来设定。所述阈值量化可以基于软阈值或硬阈值方法。软阈值方法将小波系数收缩到零附近的值，而硬阈值方法则直接将小于阈值的小波系数置为零。
[0049] 按照数值模拟信号小波选取阈值对数值模拟信号小波系数进行截取，将小于阈值的小波系数(通常被认为是噪声信号)置为零，而保留大于阈值的小波系数(有效信号信息)。基于此步骤可以有效地去除信号中的噪声，同时保留信号的主要特征。
[0050] 最后对有效信号信息进行滤波重构，即，对经过阈值处理的小波系数进行逆小波变换，以重构信号。将去除噪声后的有效信号信息重新组合成连续的信号，获得所述预处理结果。
[0051] 进一步的，本申请所述方法中，小波变换公式为：
[0052]
[0053] 其中，Wt(a,b)为所述数值模拟信号小波系数，用于表征所述数值模拟信号f(t)在尺度a和时间位置b上的特性，f(t)为数值模拟信号，a为尺度参数，用于控制小波函数的伸缩，b是平移参数，用于控制小波函数在时间轴上的平移，t表示数值模拟信号在时间轴上的*位置，ψ(t)是ψ(t)的复共轭，ψ(t)为母小波函数。
[0054] 具体而言：所述小波函数的伸缩指的是尺度越大，小波函数越宽，对应于信号的低频部分；尺度越小，小波函数越窄，对应于信号的高频部分；所述母小波函数具有零均值和有限能量的振荡波形。
[0055] 进一步的，本申请步骤S300中，按照同等空间天气条件采用所述数值模拟模型输出第一精度数据集、第二精度数据集，还包括：基于多个实时天气要素设定所述同等空间天气条件；根据所述同等空间天气条件，通过所述数值模拟模型进行多参数配置，所述多参数包含网络分辨率参数、时间步长参数、物理模拟参数；通过对所述网络分辨参数，所述时间步长参数、所述物理模拟参数进行多级配置，输出所述第一精度数据集；通过对所述网络分辨参数，所述时间步长参数、所述物理模拟参数进行单级配置，输出所述第二精度数据集。
[0056] 具体而言：所述多个实时天气要素指的是温度、湿度、风速、风向、气压、太阳辐射等。基于此，确定一个或多个同等空间天气条件。所述同等空间天气条件尽可能地反映真实大气状况，以确保模拟结果的准确性。
[0057] 根据同等空间天气条件，通过数值模拟模型进行多参数配置，所述多参数包含网络分辨率参数、时间步长参数、物理模拟参数；其中，所述网络分辨率参数用于控制模拟中网格的大小和数量，影响模拟的空间分辨率，所述时间步长参数用于控制模拟的时间步长，即每次迭代的时间间隔，影响模拟的时间分辨率，所述物理模拟参数包括各种物理过程的参数化方案。
[0058] 通过对网络分辨参数，时间步长参数、物理模拟参数进行多级配置，所述多级配置指的是更精细的网格划分、更高的计算精度或更复杂的物理过程。多级配置指上述参数可以根据不同的精度要求或计算资源限制进行不同级别的设置。例如，在需要高精度结果时，可以采用较小的时间步长和较高的网格分辨率；而在资源有限的情况下，则可以采用较大的时间步长和较低的网格分辨率。输出所述第一精度数据集。通过多级配置，可以输出第一精度数据集，该数据集具有较高的空间分辨率和时间分辨率，能够更准确地反映模拟区域的天气状况。
[0059] 进一步的，如果需要获得较低精度的模拟结果，需要对网络分辨率参数、时间步长参数和物理模拟参数进行单级配置。包括：网络分辨率参数：选择较低的网络分辨率，以减少计算量。时间步长参数：选择较大的时间步长，以加快模拟速度。物理模拟参数：选择较简化的物理模拟参数，以减少计算复杂度。通过单级配置，可以输出第二精度数据集，该数据集计算效率高，适用于对精度要求不高的场合。
[0060] 进一步的，本申请步骤S400中，基于第一精度数据集与第二精度数据集进行数据训练，构建超分模型，还包括：将所述第二精度数据集作为所述超分模型的输入数据，将所述第一精度数据集作为目标输出数据；对所述超分模型定义损失函数，通过所述损失函数获得损失差值；基于所述输入数据，利用随机梯度下降优化器对所述超分模型进行迭代训练，直至所述损失差值小于预设阈值停止，输出所述超分模型。
[0061] 具体而言：将第二精度数据集作为所述超分模型的输入数据，将第一精度数据集作为目标输出数据；所述第一精度数据集：这是具有较高分辨率和精度的数据集，用作超分模型训练的目标输出数据。所述第二精度数据集：这是具有较低分辨率的数据集，用作超分模型的输入数据。其是通过TIEGCM模拟出的低分辨率和高分辨率数据，所述TIEGCM是一个热层电离层电动力学全球环流模型。它主要用于模拟和研究地球大气层中的热层和电离层动力学过程。TIEGCM可以计算三维全球、全电流体系电离层电流分布，进而由电离层电流分布计算得到电离层磁场。此外，它还可以模拟和预测热层大气密度的变化特征，为低轨航天器的在轨运行安全等提供保障服务。在利用磁测卫星建立地磁场模型时，TIEGCM可以从观测数据中消除电离层磁场的干扰，提供更准确的地磁场模型。通过TIEGCM获取的第一精度数据集与第二精度数据集要确保数据格式统一，并进行预处理，包括去除异常值、归一化处理等。
[0062] 进一步的对所述超分模型定义损失函数，损失函数用于量化超分模型预测的输出与真实目标(即第一精度数据集)之间的差距。所述损失函数包括均方误差(MSE)、平均绝对误差(MAE)和结构相似性指数(SSIM)等，通过损失函数获得损失差值，所述损失差值指的是超分模型输出的高精度数据与实际高精度数据的差异。
[0063] 最后，基于输入数据，利用随机梯度下降优化器对所述超分模型进行迭代训练，在训练开始之前，需要为超分模型的各个层初始化权重和偏置参数，将第二精度数据集(低分辨率数据)输入到超分模型中，通过模型的前向传播计算得到预测的高分辨率输出，使用定义好的损失函数计算预测输出与第一精度数据集(真实高分辨率数据)之间的损失差值，通过反向传播算法计算损失函数关于模型参数的梯度，使用随机梯度下降(SGD)或其他优化器(如Adam、RMSprop等)根据计算得到的梯度更新模型的参数，重复上述前向传播、计算损失、反向传播和参数更新的步骤，直到损失差值小于预设的阈值或达到指定的训练轮数。直至所述损失差值小于预设阈值停止，输出所述超分模型，用于将低精度的数据提升到更高的精度水平，以满足特定的应用需求。
[0064] 综上所述，本申请实施例所提供的一种空间天气数值模拟方法具有如下技术效果：
[0065] 1.通过空间天气探测仪器实时监测，获取空间天气数值模拟数据，进而构建数值模拟模型。在同等条件下，该模型能输出不同精度的数据集，并利用这些数据集训练超分模型。超分模型能够将较低精度的模拟数据提升至目标高精度水平。有效提高了空间天气模拟数据的精度，为空间天气预测和分析提供了更为准确的数据支持。
[0066] 2.通过实时监测、数据格式转换、筛选和模拟计算等步骤，确保了空间天气数值模拟数据的准确性和实时性。用于理解空间天气的变化规律、预测潜在的空间天气事件。
[0067] 3.通过多级配置，可以输出第一精度数据集，该数据集具有较高的空间分辨率和时间分辨率，能够更准确地反映模拟区域的天气状况；通过多级配置，可以输出第一精度数据集，该数据集具有较高的空间分辨率和时间分辨率，能够更准确地反映模拟区域的天气状况。
[0068] 实施例二
[0069] 基于与前述实施例中一种空间天气数值模拟方法相同的发明构思，如图3所示，本申请实施例提供了一种空间天气数值模拟装置，该装置包括：
[0070] 获取模拟数据模块11：用于通过空间天气探测仪器进行实时监测，获取空间天气数值模拟数据；
[0071] 构建模拟模型模块12：用于基于所述空间天气数值模拟数据构建数值模拟模型；
[0072] 数据集输出模块13：用于按照同等空间天气条件采用所述数值模拟模型输出第一精度数据集、第二精度数据集；
[0073] 构建超分模型模块14：用于基于所述第一精度数据集与所述第二精度数据集进行数据训练，构建超分模型；
[0074] 获得高精度模拟数据模块14：用于采用所述空间天气数值模拟数据，通过所述超分模型获得目标高精度模拟数据。
[0075] 进一步的，所述装置还用于：
[0076] 启动所述空间天气探测仪器对目标空间区域进行实时监测，获得多个实时天气要素；
[0077] 对所述多个实时天气要素进行数据格式转换，根据转换结果进行筛选，生成目标实时天气要素；
[0078] 将所述目标实时天气要素传输至空间天气数据中心进行模拟计算，生成所述空间天气数值模拟数据。
[0079] 进一步的，所述装置还用于：
[0080] 基于模型框架确定所述数值模拟模型的第一超参数，通过反向传播算法更新所述第一超参数，生成第二超参数；
[0081] 对所述空间天气数值模拟数据进行数据预处理，根据预处理结果结合所述第二超参数进行数据划分，生成训练数据集、监督数据集、测试数据集；
[0082] 利用所述训练数据集对所述数值模拟模型进行训练，监控所述训练数据集与所述监督数据集在所述数值模拟模型内的性能指标数据；
[0083] 利用所述测试数据集对所述数值模拟模型进行性能评估，生成性能评估结果；
[0084] 基于所述性能指标数据结合所述性能评估结果对所述数值模拟模型进行迭代优化，直至所述数值模拟模型达到所述性能指标数据进行输出。
[0085] 进一步的，所述装置还用于：
[0086] 对所述空间天气数值模拟数据的数值模拟信号通过小波变换公式进行小波分解，获得数值模拟信号小波系数；
[0087] 根据所述数值模拟信号小波系数进行阈值量化，确定数值模拟信号小波选取阈值；
[0088] 按照所述数值模拟信号小波选取阈值对所述数值模拟信号小波系数进行截取，对小于所述数值模拟信号小波选取阈值的噪声信号置零，获得大于所述数值模拟信号小波选取阈值的有效信号信息；
[0089] 对所述有效信号信息进行滤波重构，获得所述预处理结果。
[0090] 进一步的，所述装置还用于：
[0091] 小波变换公式为：
[0092]
[0093] 其中，Wt(a,b)为所述数值模拟信号小波系数，用于表征所述数值模拟信号f(t)在尺度a和时间位置b上的特性，f(t)为数值模拟信号，a为尺度参数，用于控制小波函数的伸缩，b是平移参数，用于控制小波函数在时间轴上的平移，t表示数值模拟信号在时间轴上的*位置，ψ(t)是ψ(t)的复共轭，ψ(t)为母小波函数。
[0094] 进一步的，所述装置还用于：
[0095] 基于多个实时天气要素设定所述同等空间天气条件；
[0096] 根据所述同等空间天气条件，通过所述数值模拟模型进行多参数配置，所述多参数包含网络分辨率参数、时间步长参数、物理模拟参数；
[0097] 通过对所述网络分辨参数，所述时间步长参数、所述物理模拟参数进行多级配置，输出所述第一精度数据集；
[0098] 通过对所述网络分辨参数，所述时间步长参数、所述物理模拟参数进行单级配置，输出所述第二精度数据集。
[0099] 进一步的，所述装置还用于：
[0100] 将所述第二精度数据集作为所述超分模型的输入数据，将所述第一精度数据集作为目标输出数据；
[0101] 对所述超分模型定义损失函数，通过所述损失函数获得损失差值；
[0102] 基于所述输入数据，利用随机梯度下降优化器对所述超分模型进行迭代训练，直至所述损失差值小于预设阈值停止，输出所述超分模型。综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
[0103] 进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
