CN107607954B - 一种基于t-s模型的fnn降水粒子相态识别方法 - Google Patents
一种基于t-s模型的fnn降水粒子相态识别方法 Download PDFInfo
- Publication number
- CN107607954B CN107607954B CN201710811701.7A CN201710811701A CN107607954B CN 107607954 B CN107607954 B CN 107607954B CN 201710811701 A CN201710811701 A CN 201710811701A CN 107607954 B CN107607954 B CN 107607954B
- Authority
- CN
- China
- Prior art keywords
- fnn
- network
- model
- precipitation
- polarization
- 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.)
- Expired - Fee Related
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 97
- 239000002245 particle Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000010287 polarization Effects 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000008276 ice cloud Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于T‑S模型的FNN降水粒子相态识别方法。该方法通过建立基于T‑S模型的FNN，首先对双线偏振气象雷达接收的偏振参量进行模糊化、规则计算、模糊推理和退模糊处理，然后利用FNN误差反馈的思想自适应的调节模糊化过程中不同降水粒子相态的各偏振参量隶属函数参数，最后对待识别的降水粒子进行相态识别。本发明提供方法可以根据天气环境的变化，自适应地更新相应隶属函数参数，使系统的识别能力比固定参数时有较大提升，同时识别的结果能更加细致地反映天气情况，仿真实验验证了本方法的有效性。
Description
技术领域
本发明属于气象雷达信号处理技术领域，特别是涉及一种将T-S模型与神经网络相结合的降水粒子相态识别方法。
背景技术
云内降水粒子相态的合理识别在云降水物理、人工影响天气等领域具有非常重要的科学意义，不仅对了解水凝物在云中的生成和转换、提高降水量的测量精度有重要的应用价值，而且能为人工影响天气的决策和评估提供重要的参考依据。
由于传统的单偏振气象雷达只发射和接受单一方向的功率信息，因此得到的信息有限，限制了其对降水粒子相态识别的准确性。双线偏振气象雷达作为一种新型的天气信号回波探测工具，由于能同时发射和接收水平与垂直极化方向的信号，较传统的单偏振气象雷达可以获得更多的极化信息，因而在天气信号处理中的降水粒子相态识别方面具有一定的优势。
近年来，许多基于数学统计原理的方法都被运用到了降水粒子相态识别领域，包括统计决策、判决图法、模糊逻辑方法等。统计决策理论是一种有效的降水粒子相态识别算法，但由于很难获得降水粒子的先验概率和概率密度函数，使得数据模型的建立变得十分困难，进而会对分类的效果产生很大影响。判决图方法是一种基于布尔逻辑的算法，该方法根据预先确定的类型边界来对降水粒子进行分类，但是气象雷达接收到的不同降水粒子的协方差矩阵不是相互独立的，对降水粒子相态识别精度有一定的影响。模糊逻辑方法对不同降水粒子相态的各偏振参量建立隶属函数和规则基，解决了回波信号间相互排斥的问题，在降水粒子的相态识别方面具有一定的优势，但是不同降水粒子相态的极化参量隶属函数参数采用经验值，从而使得降水粒子相态识别性能不稳定。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于T-S模型的FNN降水粒子相态识别方法。
为了达到上述目的，本发明提供的基于T-S模型的FNN降水粒子相态识别方法包括按顺序进行的下列步骤：
1)建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的S1阶段；
2)建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的S2阶段；
3)建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的S3阶段；
4)利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的S4阶段。
在步骤1)中，所述的建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的方法是：所述的前件网络包括输入层和隐含层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入前件网络，然后在隐含层经过模糊化处理，计算出每项偏振参量对应不同降水粒子相态的初始化隶属函数，最后利用初始化隶属函数经过规则计算和归一化后得到连接权值。
在步骤2)中，所述的建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的方法是：所述的后件网络包括输入层、隐含层和输出层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入后件网络，然后根据T-S模型，在隐含层的各个子网络中计算不同降水粒子相态的模糊推理值，最后在输出层利用步骤1)计算得到的连接权值对模糊推理值进行加权平均，得到模糊推理结果。
在步骤3)中，所述的建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的方法是：在反馈网络中，首先对步骤2)中得到的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回步骤1)中建立的前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。
在步骤4)中，所述的利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的方法是：首先利用大量实测数据通过步骤1)、步骤2)、步骤3)建立的前件网络、后件网络和反馈网络对前件网络中的各偏振参量隶属函数参数进行训练，然后利用训练得到的各偏振参量隶属函数参数构成成型的FNN，最后将待识别降水粒子的双线偏振气象雷达的偏振参数输入FNN，输出即为该降水粒子的最终相态识别结果。
本发明提供的基于T-S模型的FNN降水粒子相态识别方法是通过建立基于T-S模型的FNN，首先对双线偏振气象雷达接收的偏振参量进行模糊化、规则计算、模糊推理和退模糊处理，然后利用FNN误差反馈的思想自适应的调节模糊化过程中不同降水粒子相态的各偏振参量隶属函数参数，最后对感兴趣的降水粒子进行相态识别。本发明提供方法可以根据天气环境的变化，自适应地更新相应隶属函数参数，使系统的识别能力比固定参数时有较大提升，同时识别的结果能更加细致地反映降水情况，实测数据实验验证了本方法的有效性。
附图说明
图1为本发明提供的基于T-S模型的FNN降水粒子相态识别方法流程图。
图2为FNN模型图。
图3为钟形隶属函数。
图4为本发明方法的冰雪云降水相态识别结果。
图5为NOAA提供的冰雪云降水相态识别结果。
图6为本发明方法的强对流降水相态识别结果。
图7为ARM提供的强对流降水相态识别结果。
具体实施方式
下面结合附图和具体实例对本发明提供的基于T-S模型的FNN降水粒子相态识别方法进行详细说明。
如图1所示，本发明提供的基于T-S模型的FNN降水粒子相态识别方法包括按顺序进行的下列步骤：
1)建立FNN(模糊神经网络)模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的S1阶段；
在此阶段中，前件网络包括输入层和隐含层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入前件网络，然后在隐含层经过模糊化处理，计算出每项偏振参量对应不同降水粒子相态的初始化隶属函数，最后利用初始化隶属函数经过规则计算和归一化后得到连接权值。
具体方法如下：
图2为本发明方法建立的FNN模型。其中，前件网络包括：输入层和隐含层。前件网络有作用是对输入的偏振参量进行模糊化、规则计算、归一化处理，为后件网络提供连接权值。
在输入层中，输入值为x1,x2,x3,x4，其分别表示双线偏振气象雷达的各偏振参量：反射率因子ZH，差分反射率因子ZDR，差分相移率KDP，互相关系数ρHV。
[x1,x2,x3,x4]T＝[ZH,ZDR,KDP,ρHV]T (1)
隐含层包括：模糊化层和规则计算层。
在模糊化层中，对各偏振参量进行模糊化处理，建立不同降水粒子相态各偏振参量的隶属函数
如图3所示，钟形隶属函数具有一个宽泛的平坦区域，两端有较宽的过渡区，平滑过渡可以增强降水粒子相态识别的鲁棒性。
其中xj(j＝1,2,3,4)为双线偏振气象雷达的第j个偏振参量。
是第j个偏振参量对应第i(i＝1,2,3,4,5,6,7,8)类降水粒子相态的隶属函数曲线中心，
是第j个偏振参量对应第i类降水粒子相态的隶属函数曲线宽度，
是第j个偏振参量对应第i类降水粒子相态的隶属函数曲线斜率。隶属函数
是一个在[0,1]之间的数，其越接近于0，表示第j个偏振参量xj属于第i类降水的程度越小；反之，其越靠近1，表示第j个偏振参量xj属于第i类降水粒子相态的程度越大。
在规则计算层中，每个节点代表一条模糊规则，对待识别降水粒子的各偏振参量的隶属函数进行模糊计算，可计算得到待识别降水粒子隶属于不同降水粒子相态的规则适用度R。待识别降水粒子隶属于第i类降水粒子相态的规则适用度Ri可由下式计算得到：
对规则适用度Ri进行归一化处理，计算得到归一化后的规则适用度
并将其作为连接权值传输到后件网络的隐含层。
2)建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的S2阶段；
在此阶段中，后件网络包括输入层、隐含层和输出层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入后件网络，然后根据T-S模型(Takagi-Sugeno模糊模型)，在隐含层的各个子网络中计算不同降水粒子相态的模糊推理值，最后在输出层利用步骤1)计算得到的连接权值对模糊推理值进行加权平均，得到模糊推理结果。
具体方法如下：
在后件网络的输入层中，输入可表示为：
[x0,x1,x2,x3,x4]T＝[1,ZH,ZDR,KDP,ρHV]T (5)
其中，第0个节点的输入值x0＝1，其作用是提供模糊规则后件中的常数项。
后件网络的隐含层由r个结构相同的并列子网络组成，每个子网络产生一个输出量。每个子网络拥有i个节点数，每个节点数代表一条模糊推理。根据T-S模型，该推理规则如下：
当
此时，有下式成立：
其中yri表示后件网络的第r个子网络中第i类降水粒子相态的模糊推理值，
表示第r个子网络的权值系数，
表示第j个偏振参量对应第i类降水粒子相态隶属函数值的模糊集。后件网络的隐含层输出的模糊推理值如下式所示：
后件网络的输出层接收由前件网络提供的连接权值
并结合后件网络中每个子网络输出的模糊推理值yri进行加权平均，得到模糊推理结果yk(k＝1,2,…r)，如下式所示：
则后件网络的输出y可表示为：
y＝[y1y2...yr]T (10)
3)建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的S3阶段；
在此阶段中，在反馈网络中，首先对步骤2)中得到的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回步骤1)中建立的前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。
具体方法如下：
反馈网络的作用是更新前件网络中不同降水类型各偏振参量的隶属函数参数值。在反馈网络中，首先对后件网络输出的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。
后件网络的子网络输出的模糊推理结果yk是一个模糊集合，为了在降水粒子相态中找到最能代表模糊集合输出的清晰值，需对其进行退模糊处理。本发明将模糊推理结果的均值作为降水粒子相态聚类中心值C，即
对于假设存在的8种降水粒子相态，本发明建立如表1所示的降水粒子相态聚类中心期望值Cei索引表。
表1 8种降水粒子相态的聚类中心期望值
将上述计算得到的降水粒子相态聚类中心值与表1中对应的期望值进行比较，利用误差反馈的思想对前件网络进行训练，下面给出具体推导过程。
取降水粒子相态聚类中心的误差计算公式为：
其中Cei为第i类降水类型网络期望输出的聚类中心，Ci为第i类降水类型网络实际输出的聚类中心，ei为第i类降水类型聚类中心的期望输出值和实际输出值的误差。
当第i类降水类型聚类中心的实际输出值与期望输出值不一致时，则从后件网络的输出层返回前件网络的模糊化层，对不同降水类型各偏振参量隶属函数参数重新计算。模糊化层中第i类降水类型的第j个偏振参量隶属函数参数
的修正参量
用下式进行计算：
其中
分别为第i类降水类型的第j个偏振参量隶属函数参数
的训练权值。
根据以上计算得到的不同降水类型各偏振参量隶属函数参数的修正参量更新步骤1)中原各偏振参量隶属函数参数，更新后的不同降水类型各偏振参量隶属函数参数分别为
可由式(15)—式(17)计算得到：
4)利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的S4阶段：
在此阶段中，首先利用大量实测数据通过步骤1)、步骤2)、步骤3)建立的前件网络、后件网络和反馈网络对前件网络中的各偏振参量隶属函数参数进行训练，然后利用训练得到的各偏振参量隶属函数参数构成成型的FNN，最后将待识别降水粒子的双线偏振气象雷达的偏振参数输入FNN，输出即为该降水粒子的最终相态识别结果。
具体方法如下：
本发明方法采用美国俄克拉荷马州的WSR-88D雷达(KTLX)不同时刻扫描得到的多组LEVEL-II实测数据对模糊神经网络训练学习，计算不同降水类型各偏振参量隶属函数参数。利用模糊神经网络训练计算得到的不同降水类型各偏振参量隶属函数参数建立相应隶属函数，分别对KTLX双线偏振气象雷达的一次冰雪云降水(2015年05月13日，19:30，GMT)和CSAPR双线偏振气象雷达一次强对流降水(2011年05月20日，11:01，GMT)的相态进行识别，验证所提降水粒子相态识别算法的性能，识别结果如图4—图7所示。
由图4和图5比较可见，在距离KTLX双线偏振气象雷达半径100km的距离范围内，毛毛雨(DR)和雨(RA)的相态能够被有效地区分开，此外，在距离KTLX双线偏振气象雷达220km附近被湿雪(WS)粒子信号所淹没的冰晶(IC)粒子的相态得到了有效识别。由图6和图7比较可见，本发明建立的8种降水类型可以更精细化地对降水粒子相态进行识别。例如：毛毛雨(DR)和强降雨(RA)的相态得到了有效的区分；被强降雨(RA)粒子信号淹没的干雪(DS)粒子相态得到了有效的识别。由此可以看出本发明方法的识别精度更高，能够更加细致地反映降水情况。
Claims (4)
1.一种基于T-S模型的FNN降水粒子相态识别方法，其特征在于：所述的方法包括按顺序进行的下列步骤：
1)建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的S1阶段；
2)建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的S2阶段；
3)建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的S3阶段；在反馈网络中，首先对步骤2)中得到的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回步骤1)中建立的前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数；
4)利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的S4阶段。
2.根据权利要求1所述的基于T-S模型的FNN降水粒子相态识别方法，其特征在于：在步骤1)中，所述的建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的方法是：所述的前件网络包括输入层和隐含层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入前件网络，然后在隐含层经过模糊化处理，计算出每项偏振参量对应不同降水粒子相态的初始化隶属函数，最后利用初始化隶属函数经过规则计算和归一化后得到连接权值。
3.根据权利要求1所述的基于T-S模型的FNN降水粒子相态识别方法，其特征在于：在步骤2)中，所述的建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的方法是：所述的后件网络包括输入层、隐含层和输出层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入后件网络，然后根据T-S模型，在隐含层的各个子网络中计算不同降水粒子相态的模糊推理值，最后在输出层利用步骤1)计算得到的连接权值对模糊推理值进行加权平均，得到模糊推理结果。
4.根据权利要求1所述的基于T-S模型的FNN降水粒子相态识别方法，其特征在于：在步骤4)中，所述的利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的方法是：首先利用大量实测数据通过步骤1)、步骤2)、步骤3)建立的前件网络、后件网络和反馈网络对前件网络中的各偏振参量隶属函数参数进行训练，然后利用训练得到的各偏振参量隶属函数参数构成成型的FNN，最后将待识别降水粒子的双线偏振气象雷达的偏振参数输入FNN，输出即为该降水粒子的最终相态识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710811701.7A CN107607954B (zh) | 2017-09-11 | 2017-09-11 | 一种基于t-s模型的fnn降水粒子相态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710811701.7A CN107607954B (zh) | 2017-09-11 | 2017-09-11 | 一种基于t-s模型的fnn降水粒子相态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107607954A CN107607954A (zh) | 2018-01-19 |
| CN107607954B true CN107607954B (zh) | 2020-04-24 |
Family
ID=61063316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710811701.7A Expired - Fee Related CN107607954B (zh) | 2017-09-11 | 2017-09-11 | 一种基于t-s模型的fnn降水粒子相态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107607954B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6968978B2 (ja) * | 2018-03-13 | 2021-11-24 | 古野電気株式会社 | 降水粒子判別装置、降水粒子判別システム、降水粒子判別方法、及び降水粒子判別プログラム |
| CN109978024B (zh) * | 2019-03-11 | 2020-10-27 | 北京工业大学 | 一种基于互联模块化神经网络的出水bod预测方法 |
| CN110095777A (zh) * | 2019-04-23 | 2019-08-06 | 南京信息工程大学 | 基于混编技术的模糊逻辑法气象粒子识别方法 |
| CN110221241A (zh) * | 2019-04-29 | 2019-09-10 | 西安电子科技大学 | 一种基于rbf神经网络的低仰角doa估计方法 |
| CN110488297B (zh) * | 2019-08-30 | 2023-03-24 | 成都信息工程大学 | 一种复杂地形区域雹暴的预警方法 |
| CN110619167B (zh) * | 2019-09-11 | 2020-10-16 | 东北石油大学 | 一种基于聚类分析的油气水三相流相态临界点识别方法 |
| CN110852245B (zh) * | 2019-11-07 | 2023-04-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
| CN111366931B (zh) * | 2020-05-19 | 2023-06-30 | 范思睿 | 一种基于云雷达的云降水精细化反演方法 |
| CN111860570B (zh) * | 2020-06-03 | 2021-06-15 | 成都信息工程大学 | 一种云微粒子图像提取及分类方法 |
| CN113625283B (zh) * | 2021-07-28 | 2024-04-02 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
| CN116108338B (zh) * | 2023-04-13 | 2023-06-23 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101431707B1 (ko) * | 2013-11-26 | 2014-09-22 | 한국건설기술연구원 | 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법 |
| US10026163B2 (en) * | 2015-02-25 | 2018-07-17 | Cale Fallgatter | Hydrometeor identification methods and systems |
-
2017
- 2017-09-11 CN CN201710811701.7A patent/CN107607954B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Adaptive ground clutter suppression for airborne weather radar based on echoes power;Renbiao Wu et al.;《IET International Radar Conference 2013》;20130416;第1-6页 * |
| 模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究;曹俊武 等;《大气科学》;20050908;第29卷(第5期);第827-836页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107607954A (zh) | 2018-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107607954B (zh) | 一种基于t-s模型的fnn降水粒子相态识别方法 | |
| CN110852245B (zh) | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 | |
| CN108564192A (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
| CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
| CN102800093B (zh) | 基于分解的多目标遥感图像分割方法 | |
| CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
| CN108449295A (zh) | 基于rbm网络和bp神经网络的联合调制识别方法 | |
| CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
| CN112766603B (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及系统 | |
| CN115935215B (zh) | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 | |
| Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
| CN111445087A (zh) | 基于极限学习机的洪水预测方法 | |
| CN116454870A (zh) | 一种区域分布式光伏短期功率预测方法 | |
| Anshori et al. | Comparison Backpropagation (BP) and Learning Vector Quantification (LVQ) on classifying price range of smartphone in market | |
| Zhang et al. | A network traffic prediction model based on quantum inspired PSO and neural network | |
| CN107577896B (zh) | 基于混合Copula理论的风电场多机聚合等值方法 | |
| CN111610514B (zh) | 一种蒸发波导传播特性的反演方法及装置 | |
| Zhang et al. | Dynamic intelligent cleaning model of dirty electric load data | |
| Zhengxiang et al. | Transport volume forecast based on GRNN network | |
| CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
| Kuang et al. | Real-time forecasting for short-term traffic flow based on general regression neural network | |
| Zhang et al. | Short-term electricity price forecasting based on PSO algorithm and RBF neural network algorithm | |
| Gupta et al. | Time series data mining in rainfall forecasting using artificial neural network | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200424 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |