CN103218614A - 基于流形学习和粗糙集相结合的强对流天气识别方法 - Google Patents
基于流形学习和粗糙集相结合的强对流天气识别方法 Download PDFInfo
- Publication number
- CN103218614A CN103218614A CN2013101155043A CN201310115504A CN103218614A CN 103218614 A CN103218614 A CN 103218614A CN 2013101155043 A CN2013101155043 A CN 2013101155043A CN 201310115504 A CN201310115504 A CN 201310115504A CN 103218614 A CN103218614 A CN 103218614A
- Authority
- CN
- China
- Prior art keywords
- dimension
- radar image
- rough set
- rule
- manifold learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于流形学习和粗糙集相结合的强对流天气识别方法,包括步骤一:构建雷达图像特征数据库,步骤二:降低雷达图像特征数据库的维数;步骤三:低维特征数据库的预处理;步骤四:规则挖掘;步骤五:实况天气的智能识别。选用LTSA或LE降维方法对高维雷达图像特征数据库进行降维。本发明的有益效果是:在构建雷达图像特征数据库的基础上,把流形学习算法用于数据降维,并对降维后的数据进行数据预处理,然后进行基于粗糙集理论的数据挖掘,最后把挖掘出的有效规则用于天气实况识别。本发明能高效地处理和利用降维后的数据,并从中挖掘提取出有用的隐含信息,显著地提高了识别的准确率,减少了漏报率。
Description
技术领域
本发明涉及气象领域,特别涉及把流形学习和粗糙集方法相结合应用于强对流天气识别领域。
背景技术
在气象上,强对流天气属于中小尺度天气系统,是一种破坏力很大的灾害性天气。在强对流天气发生时,冰雹、雷雨大风、局部强降雨等恶劣天气也会伴随发生,它是仅次于热带气旋、地震和洪涝的灾害性天气。因此,加强对强对流天气产生、发展、成熟及消亡发展过程的探索和追踪,采用合理有效的识别预报算法,有助于强对流天气出现地区的识别预报,提高对强对流天气的识别预报水平,气象部门也可及时发布预报信息,使有关单位和人员采取必要的防御措施,减少人民生命财产和工农业生产的损失。
随着对雷达回波信息研究的不断深入,人们可以从雷达基本产品中获取很多能描述强对流天气发生、成熟以及消亡的特征,随着特征数的增多,人们能更好的揭示强对流天气的本质,为准确识别预报提供数据基础。大量特征组成高维数据,高维数据在气象识别、监测和预报中很难被利用,一是强对流天气与特征值间的关系不能直接被获得,二是高维数据很难被机器学习和数据挖掘算法进行有效的处理。有学者提出用流行学习算法将高维数据降到低维,流形学习算法能有效地找到非线性高维空间数据的内在结构,便于进行 降维和数据分析。
流形学习算法成为机器学习领域的一个热点。例如:局部切空间排列算法LTSA,拉普拉斯特征映射算法LE等。
用LTSA来降低雷达特征数据库的维数,利用局部切信息来表达局部几何,然后在全局中将局部切信息排列起来,以此构建出全局坐标。LTSA算法的出发点就是样本点集的局部信息是由样本点邻域的切空间来表示,流形的全局坐标就是由样本点邻域的切空间通过排列起来构造的。
LE是基于谱图理论的降维方法,基本思想是在高维空间中离得很近点投影到低维空间中的像也应离得很近,即保持高维空间与变换后的低维空间的拓扑关系不变性。当数据集中点xi和点xj离得很近时,LE算法用一个正的权值ωij来表示这两个样本点之间的联系。一般情况下设ωij=1;也可以用一个指数衰减函数来设置权值ωij,即ωij=exp(-||xi-xj||2/σ2),其中σ2是一个比例参数。D是对角元素Dii=∑jωij的对角矩阵,则算法的低维坐标τi用来极小化下面的函数:
矩阵T在中心化和标准化后可求出唯一解,使上述函数又可以写成E(T)=Tr(T(I-D-1/2WD-1/2)T),因此,矩阵Φ=I-D-1/2WD-1/2的从第2到第d+1小的特征值所对应的特征向量就是最终的低维嵌入。
通过流形学习算法将强对流天气的高维特征进行降维,然后挖掘出在低维数据空间中隐含的识别强对流天气的有效规则,最后,获得识别强对流天气的规则库,数据挖掘是基于粗糙集理论进行 的。
粗糙集理论是一种数学分析工具,在处理分析含糊性和不确定性的数据时结果很理想。粗糙集理论能从不完整的数据集中找出数据所呈现出的规律和知识模式,因此它被广泛应用于机器学习、知识获取和不确定信息的推理。粗糙集理论的提出已经有三十多年的时间了,现已广泛应用于模式识别、机器学习、工业制造、卫星信号分类分析和商业经济等领域。但是粗糙集理论不能处理连续的数据信息,需要将连续数据离散化后才能进行知识获取,而复数信息的离散化往往比较困难,因此粗糙集不能有效地处理复数信息。
由于LTSA方法降维后的数据常常是实数和复数相混合,很难通过粗糙集理论直接进行处理和挖掘。
发明内容
本发明所要解决的技术问题是,提供一种高效的处理和利用降维后的数据,从中挖掘提取出重要有用的隐含信息,并把挖掘出的规则用于天气实况识别的方法。
为了解决上述技术问题,本发明采用两种技术方案是:
一种技术方案是:一种基于流形学习和粗糙集相结合的强对流天气识别方法,包括步骤一:构建雷达图像特征数据库,步骤二:降低雷达图像特征数据库维数;步骤三:低维特征数据库的预处理;步骤四:规则挖掘;步骤五:实况天气的智能识别。
所述降低雷达图像特征数据库维数的步骤,是对高维雷达图像特征数据库进行降维,还包括选取邻域点个数。
所述对高维雷达图像特征数据库进行降维选用LTSA降维方法。
所述对高维雷达图像特征数据库降到8维,选取邻域点个数为10 时效果最佳。
所述低维特征数据库的预处理步骤,是降维后得到的部分特征值是复数,将每一维的复数信息分别在复数坐标系可视化,寻找规律,然后将复数信息转化为辐角和幅值实数信息。
所述辐角是一维实数,其范围是-180~180。
所述规则挖掘步骤包括:数据离散化、数据简约、生成规则。
所述数据离散化是在进行数据挖掘之前,要先把数据离散化,离散化的段数取6、7、8、9。
所述数据离散化是在维数取8、邻域点个数取10时离散段数取6效果最佳。
所述生成规则包括规则条件属性的个数、符合规则条件属性的样本个数、规则的可信度。
所述规则条件属性的个数、符合规则条件属性的样本个数、规则的可信度在识别过程中,依顺序为处理规则冲突的优先权。
另一种技术方案是:
一种基于流形学习和粗糙集相结合的强对流天气识别方法,包括步骤一:构建雷达图像特征数据库,步骤二:降低雷达图像特征数据库维数;步骤三:规则挖掘;步骤四:实况天气的智能识别。
作为优选的,所述对高维雷达图像特征数据库进行降维选用LE降维方法。
作为优选的,所述对高维雷达图像特征数据库降到8维,选取邻域点个数为14时效果最佳。
本发明的有益效果是:在构建雷达图像特征数据库的基础上,把流形学习算法用于数据降维,并对降维后的数据进行数据预处理,然后进行基于粗糙集理论的数据挖掘,最后把挖掘出的规则用 于天气实况识别。本专利能高效的处理和利用降维后的数据,并从中挖掘提取出重要隐含信息,显著地提高了识别的准确率,减少了漏报率。
附图说明
图1是拓扑维数d随r值变化的曲线,
图2是数据预处理图,
图3是暴雨、大冰雹和小冰雹在第1维上的分布情况,
图4是暴雨、大冰雹和小冰雹在第2维上的分布情况,
图5是暴雨、大冰雹和小冰雹在第3维上的分布情况,
图6是暴雨、大冰雹和小冰雹在第4维上的分布情况,
图7是暴雨、大冰雹和小冰雹在第5维上的分布情况,
图8是暴雨、大冰雹和小冰雹在第6维上的分布情况,
图9是暴雨、大冰雹和小冰雹在第7维上的分布情况,
图10是暴雨、大冰雹和小冰雹在第8维上的分布情况,
图11是数据约简流程图,
图12是为实况单体的智能识别流程图,
图13是采用LTSA降维方法的系统主流程图,
图14是采用LE降维方法的系统主流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明:
实施例1:
如图13所示,基于流形学习和粗糙集相结合的强对流天气识别方法,包括步骤一:构建雷达图像特征数据库,步骤二:降低雷 达图像特征数据库维数;步骤三:低维特征数据库的预处理;步骤四:规则挖掘;步骤五:实况天气的智能识别。
第一步骤是构建雷达图像特征数据库。对含多普勒雷达反射的回波信息进行处理,并转化为位图格式显示,通过图像处理算法,提取单体的强度特征包括均值、方差、偏度、峰度、回波比1、回波比2、回波比3、回波比4,纹理特征包括局部平稳性、相关性、惯性矩、熵、能量、平均灰度、梯度平均性,形状特征包括面积、周长、类圆度,云团的移动的速度和角度,强回波中心和面积,垂直累积液态水量,和垂直累积液态含水密度等24维特征,并写入雷达图像特征数据库,为后面的识别工作提供数据基础。
首先要把雷达基数据转化为位图BMP格式,便于后续处理。雷达基数据就是由回波强度、回波的径向速度和速度谱宽这三种数据构成,把这三种数据转化为一幅宽度为512个像素,高度为512个像素的8位位图。对雷达图像来说,图像中的某些云团是我们着重研究的对象,因此相对于雷达图像的整个范围,只需找出图像中可能产生强对流天气的云团区域,本文中的图像特征就是基于云团区域的局部特征或者说是区域特征。具体区域的划分可以是人工划分,也可以是通过计算机实现自动划分,本发明在构建雷达图像特征数据库的过程中,采用的是人工选取的方式,也就是人为圈定超级单体或是云团区域,然后在此区域内通过气象算法计算雷达图像特征。
雷达图像特征数据库采用Microsoft Office Access作为后台底层数据库。本发明以Microsoft Visual Studio2008为前台开发工具,应用通用数据库访问接口ADO连接数据库,并实现对数据库的操作。
雷达图像特征数据库的实现过程是:
(1)首先,手动选取我们需要研究的云团区域。
(2)其次,根据冰雹和暴雨的回波信息,取反射率值为20dBz对应的颜色值作为阈值,对选定的区域进行二值化处理,利用数学形态学里的开运算对二值化后的图像进行平滑去噪,利用区域标记法,去掉面积小于一定阈值的区域,利用边界跟踪算法找出云团边界。
(3)然后,在云团边界界定的区域内,根据气象算法计算出24个雷达图像特征值。
(4)最后,把24个雷达图像特征值写入雷达图像特征数据库中。
第二步骤是,降低雷达图像特征数据库维数。选用LTSA降维方法对24维雷达图像特征数据库进行数据降维后,得到8维的特征数据库。
LTSA算法的计算过程如下:
(1)确定高维数据集中每个样本点xi的邻域,记矩阵Xi=[xi1,…,xik]是由离样本点xi最近的k个邻域点构成的,这k个邻域点包括xi自身。
(2)对每个样本点xi的邻域,先中心化矩阵然后求其最大的d个奇异值对应的右奇异向量,最后这d个向量构成矩阵Vi。中心化矩阵中
(3)构造排列矩阵Wi的表达式如背景技术表达式(7),可求出矩阵Φ最小d+1个特征值对应的特征向量u1…ud+1, 则高维数据集的最终嵌入结果为T=[u2…ud+1]T。其中[x1,…,xN]为样本矩阵,[xi1,…,xik]为xi最近的k个邻域点组成的矩阵。
在用流形学习算法进行数据降维时,高维数据在低维流形上的本征维数是由研究者在实际工作或实验中凭经验设定的,具有一定的主观性,其大小对降维的效果有很大的影响,所以其值的确定是非线性数据降维中很重要的一个环节。当设定的相空间维数d小于本征维数时,会压扁低维流形的形状,将会丢失数据的有用信息,使原本在高维空间中不相邻的某些点在映射到低维空间时可能变成相邻的点,甚至有可能使高维空间中不同的点在低维流形上发生重叠。相反,当设定的相空间维数d大于本征维数时,低维流形的形状在空间上被很好地打开,数据点之间的邻域关系得到很好地保持,不会发生错误近邻以及重叠,但是这将保留数据的冗余信息,使嵌入结果中含有噪声。
考虑到上述因素,而且为了便于计算,本发明选取的本征维数d等于拓扑维数,即:
其中 N为样本个数,r为阈值半径。
由拓扑维数的算法可知,d值随r值的变化而变化。当d随r的变化而改变很小时,这时的拓扑维数d就近似为本征维数。拓扑维数d随r值变化的曲线如图1所示。
根据图1可知,拓扑维数在6维至9维之间。针对本文研究的 24维雷达图像特征数据库,取本征维数d为6维至9维之间进行大量的实验验证,发现本征维数取8维时,降维后所得的低维流形比较理想。
高维数据集中样本点之间的局部信息是通过样本点和其邻域样本点间的关系确定的,在邻域个数选取合适时,样本的局部结构和信息能得到很好地描述和保留,它能影响最终的嵌入结果,所以,在非线性数据降维过程中,选取合适的邻域点个数很关键。在数据降维非常理想的情况下,如果所需的邻域点个数很小,说明样本点之间的线性结构很明显,但是要想在数据集中距离较远的样本点之间能保留足够的联系时,则邻域点个数要适当地选大,使样本的邻域点之间有足够的重叠。因此,在流形上,样本点所在处的曲率大时,邻域点个数应该选小一些,样本点所在处的曲率小时,邻域点个数应该选大一些。在流形学习降维过程中,邻域点个数k的选取有以下原则:
(1)为了使流形学习算法有很好的鲁棒性,要求流形的本征维数d要小于邻域点个数k。
(2)在低维流形上,如果流形的曲率很大时,则邻域点个数要选取的小一些,否则流形不能很好地反映局部信息;
(3)为了使数据集中距离较远的样本点之间能够保留足够的联系,邻域个数要选取的大一些,使样本的邻域点之间有足够的重叠,且邻域个数很小时,流形可能会不连续。
本发明采用局部切空间排列算法LTSA对高维数据进行数据降维,通过前面介绍可知,低维流形的本征维数d为8,参照邻域点个数k的选取原则,本发明通过在24维雷达图像特征数据库中进行流形学习降维的实验结果可知,选取邻域点个数k=10时实验结果 较理想。
第三步骤是低维特征数据库的预处理。在8维的特征数据库中,有的特征值是复数,并且以代数形式A=a+bi表示。粗糙集理论不能处理连续的数据信息,需要将连续数据离散化后才能进行知识获取,而复数信息的离散化往往比实数信息的离散化困难许多,因此要先进行数据预处理将复数信息转化为实数信息,再进行离散化。将每一维的复数信息分别在复数坐标系可视化,寻找规律,发现将复数理解成幅值加辐角的形式时,低维特征库中的复数信息便可以只用幅值或只用辐角表示。幅值是一维实数,辐角也是一维实数,范围是-180~180,这样便成功地将复数信息转化成了实数信息。
针对降维后的8维复数特征数据库,包括840个样本,其中280个暴雨、280个大冰雹和280个小冰雹,如图2所示,将复数用极坐标形式A=|A|∠φ表示,然后在matlab中实现数据的可视化。对于可视化后的每一维数据,观察暴雨、大冰雹和小冰雹在每一维的分布情况。图3、图4、图5、图6、图7、图8、图9和图10描绘的是8维复数特征数据库中暴雨、大冰雹和小冰雹在第1维、第2维、第3维、第4维、第5维、第6维、第7维和第8维上的分布情况,将结果汇总于下表中。
根据对上表的观察发现,在降维后的8维复数特征数据库的每一维上,暴雨、大冰雹和小冰雹的分布主要与复数特征值的辐角有关,而与复数特征值的模无关。因此,本文只保留复数二维信息中的辐角信息,去除无用的模信息,对降维后的8维复数特征数据库用辐角值代替复数特征值。辐角是一维实数,满足后续的数据挖掘对数据的要求。
第四步骤是规则挖掘。利用基于粗糙集理论的数据挖掘技术,实现过程依次为:数据离散化、数据简约、生成规则。
由于粗糙集理论不能直接处理连续属性值,所以在进行数据挖掘之前,要先把数据离散化。离散化往往是针对实数数据,很难处理复数数据,第三步预处理后的数据是实数,满足条件。离散化的段数可以取6、7、8、9,当离散化的段数取6时效果最佳。
从步骤三得到的预处理数据放在excel表格中做为入口数据,进行基于粗糙集理论的数据挖掘。先随机取出部分数据,包括672个样本,224个暴雨、224个大冰雹和224个小冰雹,将这些数据进行段数为6的等频离散化,再选用Johnson算法进行数据简约, 数据简约就是在保留一定信息量的条件下,尽量约简结果属性对条件属性的依赖关系,数据约简过程如图11所示。
该算法能有效地发现长度很小且比较简单基本的隐含的有用规则,形成规则表,并把挖掘出的规则表整理成规则库。
本发明挖掘出42条用于识别强对流天气中暴雨、大冰雹和小冰雹的规则,并把挖掘出的规则整理成规则库。挖掘出的部分规则下表所示。
LHS Length为规则条件属性的个数;LHS Support为符合规则条件属性的样本个数;RHS Accuracy为规则的可信度;在识别过程中,处理规则冲突的优先权是:LHS Length>LHS Support>RHS Accuracy。
为了检测挖掘出的规则的有效性,将剩余的224个样本数据包括56个暴雨样本、56个大冰雹样本、56个小冰雹样本进行测试,先进行同训练样本相同的离散化,再选用标准投票法做为分类器算法进行规则匹配,得到下表所示很好的结果。表中用CSI做为衡量标准,c是强对流天气的正确预报数,f1是空报数,f2是误报数。由表知暴雨的CSI是1.0,大冰雹的CSI是1.0,小冰雹的CSI是0.85,总体的CSI是0.95。说明挖掘出的规则非常有效,进而证明LTSA降维方法很成功。
第五步骤是实况天气的智能识别。如图12所示,读入实况单体的基本数据后将其转化成雷达图像,自动选择单体区域并提取单体边界,然后在单体边界界定的区域内,根据气象算法计算单体的24维特征值。得到实况单体的24维特征后,再分别在暴雨库、大冰雹库和小冰雹库中进行降维,然后分别进行数据预处理和规则匹配,对匹配出的全部规则用标准投票法做为分类器算法进行分类,最后把识别出的类型确定为单体的最终类型。该方法能有效地识别出强对流天气中的暴雨、大冰雹和小冰雹。
实施例2:
如图14所示,基于流形学习和粗糙集相结合的强对流天气识别方法,包括步骤一:构建雷达图像特征数据库,步骤二:降低雷达图像特征数据库维数;步骤三:规则挖掘;步骤四:实况天气的智能识别。
第一步骤是构建雷达图像特征数据库。对含多普勒雷达反射的回波信息进行处理,并转化为位图格式显示,通过一定的图像处理算法,提取单体的强度特征包括均值、方差、偏度、峰度、回波比1、回波比2、回波比3、回波比4,纹理特征包括局部平稳性、相关性、惯性矩、熵、能量、平均灰度、梯度平均性,形状特征包括面积、周长、类圆度,云团的移动的速度和角度,强回波中心和面积,垂直累积液态水量,和垂直累积液态含水密度等24维特征, 并写入雷达图像特征数据库,为后面的识别工作提供数据基础。
首先要把雷达基数据转化为位图BMP格式,便于后续处理。雷达基数据就是由回波强度、回波的径向速度和速度谱宽这三种数据构成,把这三种数据转化为一幅宽度为512个像素,高度为512个像素的8位位图。对雷达图像来说,图像中的某些云团是我们着重研究的对象,因此相对于雷达图像的整个范围,只需找出图像中可能产生强对流天气的云团区域,本文中的图像特征就是基于云团区域的局部特征或者说是区域特征。具体区域的划分可以是人工划分,也可以是通过计算机实现自动划分,本发明在构建雷达图像特征数据库的过程中,采用的是人工选取的方式,也就是人为圈定超级单体或是云团区域,然后在此区域内通过气象算法计算雷达图像特征。
雷达图像特征数据库采用Microsoft Office Access作为后台底层数据库。本发明以Microsoft Visual Studio 2008为前台开发工具,应用通用数据库访问接口ADO连接数据库,并实现对数据库的操作。
雷达图像特征数据库的实现过程是:
(1)首先,手动选取我们需要研究的云团区域。
(2)其次,根据冰雹和暴雨的回波信息,取反射率值为20dBz对应的颜色值作为阈值,对选定的区域进行二值化处理,利用数学形态学里的开运算对二值化后的图像进行平滑去噪,利用区域标记法,去掉面积小于一定阈值的区域,利用边界跟踪算法找出云团边界。
(3)然后,在云团边界界定的区域内,根据气象算法计算出24个雷达图像特征值。
(4)最后,把24个雷达图像特征值写入雷达图像特征数据库中。
第二步骤是,降低雷达图像特征数据库维数。选用LE降维方法对24维雷达图像特征数据库进行数据降维后,得到8维的特征数据库。
LE算法的计算过程如下:
(1)构造高维数据集中样本点之间的邻域图G。求出高维数据集中每个样本点xi同剩余全部样本点之间的欧氏距离。如果样本点xj在样本点xi的最近的k个邻域点中时,则图G的边xixj有值;如果样本点xi与样本点xj的欧氏距离d(xi,xj)小于某一固定阈值ε时,则图G的边xixj有值。
(2)选择权值。当xi和xj相邻时,设ωij=1或ωij=exp(-□xi-xj□2/σ2);否则设ωij=0。
(3)计算d维嵌入。计算矩阵Φ=I-D-1/2WD-1/2的最小d+1个特征向量值u1,…,ud+1,其中D为对角矩阵且Dii=∑jωij,则T=[u2,…,ud+1]为计算的嵌入结果。
对LE算法,经过与LTSA相同的理论分析和实验验证后得知本征维数d=8,参数k=14。
同样取LTSA算法中使用的840个样本包括:280个暴雨、280个大冰雹和280个小冰雹,用LE算法进行降维。然后随机取出672个样本包括:224个暴雨、224个大冰雹和224个小冰雹进行规则挖掘,用剩下的224个样本数据包括:56个暴雨样本、56个大冰雹样本、56个小冰雹样本检测规则的有效性。实验测试结果如下 表:
表中总体的CSI、暴雨的CSI、大冰雹的CSI和小冰雹的CSI都是1,即对暴雨、大冰雹和小冰雹都能正确识别。这说明挖掘出的规则很有效,LE降维方法能很好地对高维特征数据库的数据进行降维。
由于采用LE降维方法能够直接得到实数数据,没有复数,因此省去了实施例1中的低维特征数据库的预处理步骤。
余下的步骤三和步骤四和实施例1中相应的步骤相同。
Claims (14)
1.一种基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:包括步骤一:构建雷达图像特征数据库,步骤二:降低雷达图像特征数据库的维数;步骤三:低维特征数据库的预处理;步骤四:规则挖掘;步骤五:实况天气的智能识别。
2.根据权利要求1所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述雷达图像特征数据库维数简约步骤,是对高维雷达图像特征数据库进行降维,还包括选取邻域个数。
3.根据权利要求2所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述对高维雷达图像特征数据库进行降维选用LTSA降维方法。
4.根据权利要求3所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述对高维雷达图像特征数据库降到8维,选取邻域点个数为10时效果最佳。
5.根据权利要求1所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述低维特征数据库的预处理步骤,是降维后得到的部分特征值是复数,将每一维的复数信息分别在复数坐标系可视化,寻找规律,然后将复数信息转化为辐角和幅值实数信息。
6.根据权利要求5所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述辐角是一维实数,其范围是-180~180。
7.根据权利要求1所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述规则挖掘步骤包括:数据离散化、数据简约、生成规则。
8.根据权利要求7所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述数据离散化是在进行数据挖掘之前,要先把数据离散化,离散化的段数取6、7、8、9。
9.根据权利要求7所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述数据离散化是在维数取8、邻域点个数取10时离散段数取6效果最佳。
10.根据权利要求7所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述生成规则包括规则条件属性的个数、符合规则条件属性的样本个数、规则的可信度。
11.根据权利要求10所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述规则条件属性的个数、符合规则条件属性的样本个数、规则的可信度在识别过程中,依顺序为处理规则冲突的优先权。
12.一种基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:包括步骤一:构建雷达图像特征数据库,步骤二:雷达图像特征数据库维数简约;步骤三:规则挖掘;步骤四:实况天气的智能识别。
13.根据权利要求12所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述对高维雷达图像特征数据库进行降维选用LE降维方法。
14.根据权利要求13所述的基于流形学习和粗糙集相结合的强对流天气识别方法,其特征是:所述对高维雷达图像特征数据库降到8维,选取邻域点个数为14时效果最佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101155043A CN103218614A (zh) | 2013-04-03 | 2013-04-03 | 基于流形学习和粗糙集相结合的强对流天气识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101155043A CN103218614A (zh) | 2013-04-03 | 2013-04-03 | 基于流形学习和粗糙集相结合的强对流天气识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103218614A true CN103218614A (zh) | 2013-07-24 |
Family
ID=48816383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101155043A Pending CN103218614A (zh) | 2013-04-03 | 2013-04-03 | 基于流形学习和粗糙集相结合的强对流天气识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218614A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199544A (zh) * | 2016-06-24 | 2016-12-07 | 电子科技大学 | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 |
CN108665486A (zh) * | 2018-03-31 | 2018-10-16 | 天津大学 | 一种强对流单体样本的标记方法 |
CN109061650A (zh) * | 2018-08-10 | 2018-12-21 | 北京无线电测量研究所 | 基于阵列天气雷达的组网探测方法及系统 |
CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
CN109298424A (zh) * | 2018-11-28 | 2019-02-01 | 广东电网有限责任公司 | 一种基于雷达拼图的杆塔电力线路天气监测方法和装置 |
CN111582037A (zh) * | 2020-04-10 | 2020-08-25 | 天津大学 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100101880A1 (en) * | 2007-01-10 | 2010-04-29 | Toyota Jidosha Kabushiki Kaisha | Hybrid driving apparatus, vehicle with the same and control method of the same |
CN101963997A (zh) * | 2010-11-03 | 2011-02-02 | 上海海事大学 | 一种基于连续条件属性的粗糙集论域空间降维方法 |
-
2013
- 2013-04-03 CN CN2013101155043A patent/CN103218614A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100101880A1 (en) * | 2007-01-10 | 2010-04-29 | Toyota Jidosha Kabushiki Kaisha | Hybrid driving apparatus, vehicle with the same and control method of the same |
CN101963997A (zh) * | 2010-11-03 | 2011-02-02 | 上海海事大学 | 一种基于连续条件属性的粗糙集论域空间降维方法 |
Non-Patent Citations (1)
Title |
---|
马洪民: "暴雨中冰雹的识别", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199544A (zh) * | 2016-06-24 | 2016-12-07 | 电子科技大学 | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 |
CN108665486A (zh) * | 2018-03-31 | 2018-10-16 | 天津大学 | 一种强对流单体样本的标记方法 |
CN109061650A (zh) * | 2018-08-10 | 2018-12-21 | 北京无线电测量研究所 | 基于阵列天气雷达的组网探测方法及系统 |
CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
CN109165693B (zh) * | 2018-09-11 | 2022-12-06 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
CN109298424A (zh) * | 2018-11-28 | 2019-02-01 | 广东电网有限责任公司 | 一种基于雷达拼图的杆塔电力线路天气监测方法和装置 |
CN111582037A (zh) * | 2020-04-10 | 2020-08-25 | 天津大学 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102073879B (zh) | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 | |
CN103218614A (zh) | 基于流形学习和粗糙集相结合的强对流天气识别方法 | |
CN106778605A (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN103366365B (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN102169545A (zh) | 一种高分辨率遥感图像的变化检测方法 | |
CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN102314610B (zh) | 一种基于概率潜语义分析模型的面向对象影像聚类方法 | |
CN102867309A (zh) | 基于混合模型的sar图像变化检测方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
CN104766099A (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN104766090A (zh) | 一种基于bemd和sofm的探地雷达数据可视化方法 | |
CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
Wang et al. | Data-attention-YOLO (DAY): A comprehensive framework for mesoscale eddy identification | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network | |
CN103295226A (zh) | 一种基于mrf模型的非监督声纳图像分割方法 | |
CN104597523B (zh) | 一种日冕物质抛射多伴随现象的检测方法 | |
Lin et al. | Minimum spanning tree based spatial outlier mining and its applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130724 |