CN109829408A - 基于卷积神经网络的智能闪电识别装置 - Google Patents

Abstract

一种基于卷积神经网络的智能闪电识别装置，所述识别装置包括：输入端，用于输入待识别闪电波形数据，所述闪电波形数据为一维数组序列；首层卷积层，与所述输入端相连，用于初步提取闪电波形数据的特征向量；中间处理层，与所述首层卷积层相连，用于进一步提取闪电波形数据的特征向量并降低特征向量的维度；全局最大池化层，与所述中间处理层相连，用于把所述中间处理层所提取的闪电波形数据的特征向量降到一维；全连接层，与所述全局最大池化层相连，用于综合所述全局最大池化层降到一维的特征向量；输出端，与所述全连接层相连，用于输出代表闪电类型的一维特征向量。

Description

基于卷积神经网络的智能闪电识别装置

技术领域

本公开涉及气象-闪电及机器学习和模式识别领域，尤其涉及一种基于卷积神经网络的智能闪电识别装置。

背景技术

雷电是自然界中一种宏伟壮观的放电现象，具有放电强度大、范围广、时间长等特点，其放电机理十分复杂，研究难度较大。为了研究方便，学者们根据闪电发生的位置，将闪电主要分为云闪和地闪两种类型。云闪是云层内部、云与云之间的放电现象，其强电磁辐射对微电子设备等具有较强的杀伤力；地闪是发生在云层和地面之间的放电，能直接向地面输送电荷，对电力系统、建筑物、人身安全有着至关重要的影响。因此如何区分雷电的放电类型，对雷电防护和研究雷电放电物理过程有极其重要的作用。

区分闪电类型最直观的方法是光学观测，19世纪末期，光谱学和摄影技术是研究雷电的主要工具。由于光学观测不能对闪电的云内过程有较为丰富的了解，因此学者们开始尝试使用其他的手段来研究雷电。1937年Stekolnikov利用带拴绳的气球首次获得了雷电电流波形。Wilson首次从地面测量观察了雷暴云产生的稳定电场和雷电产生的瞬态电场极性的系统变化。1937年Scrase对雷暴云内电场进行了测量，并推测出云内的电荷结构。1942年Workman完成了距雷电相对较近地面的电磁场多站测量。由于雷电的瞬态电活动伴随着较宽的电磁辐射，学者们利用光学和UHF、VHF、VLF频段天线结合，得到不同放电类型的波形特征。1998年LASA利用低频电场天线，根据闪电放电的辐射波形的上升时间、下降时间等特征，结合闪电的定位位置，初步实现了对不同放电类型的分类。波形自动识别以及分类的准确率一直是限制自动分析雷暴过程的瓶颈，由于误判可能会导致最终物理结论的错误，设法提高准确率是一项重要的工作。

对于雷暴的物理过程分析，有效的波形判断是十分重要的一个步骤。目前国内外针对闪电波形识别的工作主要集中于人工经验判断、时域波形特征识别等手段。

公开内容

(一)要解决的技术问题

基于上述问题，本公开提供了一种基于卷积神经网络的智能闪电识别装置，以缓解现有技术中对闪电波形自动识别以及分类的准确率低，因而限制自动分析雷暴过程的等技术问题。

(二)技术方案

在本公开中，提供一种基于卷积神经网络的智能闪电识别装置，包括：输入端，用于输入待识别闪电波形数据，所述闪电波形数据为一维数组序列；首层卷积层，与所述输入端相连，用于初步提取闪电波形数据的特征向量；中间处理层，与所述首层卷积层相连，用于进一步提取闪电波形数据的特征向量并降低特征向量的维度；全局最大池化层，与所述中间处理层相连，用于把所述中间处理层所提取的闪电波形数据的特征向量降到一维；全连接层，与所述全局最大池化层相连，用于综合所述全局最大池化层降到一维的特征向量；输出端，与所述全连接层相连，用于输出代表闪电类型的一维特征向量。

在本公开实施例中，所述首层卷积层的维度为8000。

在本公开实施例中，所述首层卷积层的步长为1-3。

在本公开实施例中，所述首层卷积层中包含8-64个卷积核。

在本公开实施例中，所述卷积核的大小为2-8。

在本公开实施例中，所述中间处理层，包括m层中间卷积层和n层中间池化层，其中，4≤m≤9，3≤n≤7。

在本公开实施例中，所述中间池化层的层数小于中间卷积层的层数。

在本公开实施例中，所述中间卷积层相邻设置。

在本公开实施例中，所述一维特征向量为1×5的一维向量序列。

在本公开实施例中，所述闪电类型依据其放电类型包括：负地闪、正地闪、NBE、初始击穿或普通云闪。

(三)有益效果

从上述技术方案可以看出，本公开一种基于卷积神经网络的智能闪电识别装置至少具有以下有益效果其中之一或其中一部分：

(1)利用深度卷积神经网络对固定安装在地面的VLF/LF闪电探测网络所探测、识别、定位到的闪电的低频/甚低频时域波形进行处理，实现了大尺度广域雷暴中闪电类型的自动识别；

(2)利用深度卷积神经网络对闪电的低频时域波形进行分析探讨，能够对各类放电类型达到95％以上识别准确率；

(3)进一步丰富了闪电信号的分析方法，很大程度了减轻了人工识别的工作量，为更加方便的研究闪电的微物理过程提供了好的基础。

附图说明

图1为本公开实施例基于卷积神经网络的智能闪电识别装置的架构示意图。

图2为基于卷积神经网络的智能闪电识别方法的流程示意图。

图3为闪电放电类型的低频电场波形示意图。

图4为本公开实施例闪电数据归一化前后对比样图。

图5为本公开实施例卷积神经网络中一维卷积映射过程示意图。

图6为本公开实施例训练过程中的准确率示意图。

具体实施方式

本公开提供了一种基于卷积神经网络的智能闪电识别装置，其基于自然界发生的闪电信息，利用深度卷积神经网络对对固定安装在地面的VLF/LF闪电探测网络所探测、识别、定位到的闪电的低频/甚低频时域波形进行分析处理，能够对各类放电类型达到95％以上识别准确率，实现了大尺度广域雷暴中闪电类型的自动识别。该方法进一步丰富了闪电信号的分析处理方法，很大程度了减轻了人工识别的工作量，为更加方便的研究闪电的微物理过程提供了好的基础。

本公开所用的波形识别方法基于卷积神经网络，卷积神经网络(CNNs)发展的起源是感受野，感受野的概念是由Hubel和Wiesel在1962年通过对猫的大脑视觉皮层系统的研究而提出(1962,Hubel)。1980年，Fukushima K受到感受野概念的启发提出了神经认知机(Necognitron)，神经认知机装置像视网膜一样接收二维模式信号，然后采用与人视皮层连续处理相同的方式，将处理层安排成层次的样式，各层由平面组成，每个平面由单元组成。1989年，Yann LeCun首次提出了使用梯度反向传播算法的装置来识别手写数字，并命名该装置为LeNet，它被称为第一个卷积神经网络装置。随后，由于计算机硬件性能的不断提升，及各行业数据不断积累，卷积神经网络开始被广泛使用，开启了机器学习的新篇章。近年来，卷积神经网络已经成为众多科学领域的研究热点之一，特别是在模式分类、人脸识别、语音识别领域。

卷积神经网络是一种多层前馈人工神经网络，网络中的每层都由多个独立的神经元所组成。卷积神经网络主要由卷积层和池化层所组成。卷积层的作用主要用来特征提取，它利用了一维、二维信号局部高度相关的特性，通过合适的卷积核滤波作用来提取信号的局部特征。卷积层的形式如式(1)所示：

其中，f(·)代表非线性激活的含义，x表示特征映向量，i，j均表示特征映射的位置序号，l代表层数，k是卷积核，M_j代表输入特征范围的一个选择。神经网络通过大量的参数的不断学习，相比人工特征提取，它能提取出区分性更强的特征，然后由这些局部特征延伸到整体特征，实现最优的特征的提取。由于卷积层提取的大量特征到导致巨大的计算开销，并且可能会导致过拟合的情况，所以卷积神经网络的另一个重要的组成部分为池化层。池化层通过卷积特征进行下采样处理，从而达到降低维度减小计算量的目的，实现对信号由高层次到低层次的表达。并且池化层有很好的线性不变性，如果信号发生了平移、旋转，池化后得到输出值也同样具有意义。由于池化层能在降低维度的同时并保留显著的特征，所以池化层是卷积神经网络表现良好性能的一个关键设计。

鉴于一维卷积网络在声音识别装置(如SoundNet)和心电信号识别表现的优良特性，我们通过采用多层的非线性激活函数的一维卷积来直接处理闪电时域信号。一维卷积的实际想法是利用一维向量k(卷积核)对序列x进行点积得到一个新的序列s，如式(2)所示：

s_j＝k^Tx_j-m+1:j (2)

式中，T表示矩阵的转置、m表示卷积核k的长度、j表示特征映射的位置；

最终通过多个新序列的特征来综合判断原始序列的类型。卷积神经网络之所以也十分适用于闪电信号，主要有两方面的原因：首先，卷积神经网络能自动对时域闪电信号提取更加丰富的特征量，方便更加准确的识别；其次，卷积神经网络可以并行学习，能大幅提高学习的效率。我们所使用的闪电识别装置的卷积神经网络模型结构只包含卷积层和池化层，池化层包含全局最大池化。为了提高装置的性能，我们增加了卷积神经网络的训练深度，由于我们使用了大量的闪电时域原始波形进行训练，所以使用的框架不会存在明显的过拟合现象。由于层数太少会导致装置准确率较低，层数太多会导致过拟合。因此，我们分别试验了不同层数的神经网络，发现卷积层为7层时的神经网络表现效果最佳。

在本公开实施例中，提供一种基于卷积神经网络的智能闪电识别装置，用于闪电类型的识别，图1为所述的基于卷积神经网络的智能闪电识别装置的架构示意图，如图1所示，所述基于卷积神经网络的智能闪电识别装置，包括：

输入端，用于输入待识别闪电波形数据，所述闪电波形数据为一维数组序列；

首层卷积层，与所述输入端相连，用于初步提取闪电波形数据的特征向量；

中间处理层，与所述首层卷积层相连，用于进一步提取闪电波形数据的特征向量并降低特征向量的维度；

全局最大池化层，与所述中间处理层相连，用于把所述中间处理层所提取的闪电波形数据的特征向量降到一维；

全连接层，与所述全局最大池化层相连，用于综合所述全局最大池化层降到一维的特征向量；

输出端，与所述全连接层相连，用于输出代表闪电类型的一维特征向量。

所述首层卷积层的维度为8000；

所述首层卷积层的步长为1-3；

所述首层卷积层中卷积核个数为8-64；所述卷积核的大小为2-8。

所述中间处理层，包括m(4≤m≤9)层中间卷积层和n(3≤n≤7)层中间池化层；

所述中间池化层的层数小于中间卷积层的层数。

作为具体实施例，结合图1及表1所示，中间处理层的中间池化层可相邻设置。

表1:卷积神经网络参数配置参考

网络层	Conv1	Pool1	Conv2	Pool2	Conv3	Conv4	Pool4	Conv5	Pool5	Conv6	Conv7
												维度	8000	3996	3993	1996	1993	1990	995	992	496	492	492
卷积核个数	16	16	32	32	64	128	128	256	256	512	1024
												卷积核大小	8	2	4	2	4	4	2	4	2	4	2
步长	1	2	1	2	1	1	2	1	2	1	1

为了增强网络的性能，本文在闪电识别装置中引入了Dropout(一种用于防止过拟合的隐藏层)技术对节点权值的修正进行控制。Dropout在网络训练阶段，随机将部分隐藏神经元的输出置0从而让某些隐含层结点的权重停止工作，此时的部分结点可以认为不属于网络，不参与网络中的任何传播。在每次将样本输入网络进行权值更新时,隐含节点会以一定概率随机出现，这样也就避免了多个隐含节点每次都同时出现。因此,权值的更新不依赖固定隐含节点的同时作用,这样有效避免了某些特征完全依赖于其他特征的情况发生，从而增强了网络的泛化能力，避免了过拟合的产生。装置的每一层具体的参数信息如表1所示。本文的装置在Keras(Keras是一个高层神经网络API，支持原型神经网络的快速建模)神经网络框架上实现，后端为TensorFlow(一种基于数据流编程的符号数学系统)。

首先，我们根据人工经验对原始闪电波形数据进行分类，从而进行标签化。由于站点接受到的不同强度和不同距离的闪电信号幅值差别较大，所以在信号作为输入前，需对其作归一化处理。一次闪电放电事件的时间在大多在2ms以内，本文选取固定长度1.6ms的片段(采样率为5M，共8000个点)作为闪电识别装置的输入。通过深度卷积神经网络装置的训练从而得到分类器，保存至本地。将未知类型的闪电波形作为分类器的输入，网络的输出结果为1×5的一维向量序列。不同的向量代表不同的放电类型，主要依据输入时标签化的值为准，例如[1，0，0，0，0]为NCG(负地闪)，[0，1，0，0，0]为CC(云闪)等。

在本公开实施例中，提供一种基于卷积神经网络的智能闪电识别方法，如图2所示，所述基于卷积神经网络的智能闪电识别方法，使用以上所述基于卷积神经网络的智能闪电识别装置对闪电进行识别，包括：

步骤A：收集原始闪电波形数据，所述闪电波形数据为一维数组序列；

步骤B：预处理步骤A所收集的原始闪电波形数据；

步骤C：使用步骤B所预处理后的闪电波形数据对所述基于卷积神经网络的智能闪电识别装置进行训练学习；

步骤D：将待识别的闪电波形数据输入步骤C所训练学习后的闪电识别装置，得到代表闪电类型的一维特征向量，完成闪电的识别。

步骤A所述闪电波形数据包括闪电的时域信号，所述时域信号为闪电放电过程产生的低频和甚低频频段的电磁辐射信号；

所述闪电类型依据其放电类型包括：负地闪、正地闪、NBE、初始击穿或普通云闪。

所述步骤A中的原始闪电波形数据采集于江淮天电阵列基站，该时域信号为闪电放电过程产生的低频和甚低频频段的电磁辐射信号，快电场天线的接收频段为800HZ—400kHZ，系统的采样率为5M/s。闪电放电类型主要分为5类，包括：负地闪、正地闪、NBE(双极性窄脉冲)、初始击穿、普通云闪。为了尽可能的展示同一闪电类型时域波形的多样性，及保证该装置训练集的可靠性，文中提供了各类闪电放电类型的样图，如图3所示。为了保证实验训练数据的可靠性，本文选取的地闪、NBE、初始击穿序列皆为定位站网500KM以内的闪电事件。

所述步骤B中，对原始闪电波形数据进行预处理，该步骤的主要作用了为了去除原始闪电信号幅值大小差异太大对识别效果的影响，并保证样本长度统一，如图4所示，由于一次闪电放电事件的事件大多在2ms以内，本文将原始闪电波形截取为固定片段，每个固定片段的长度为1.6ms，采样点共8000个。然后我们根据人工经验对原始闪电波形片段进行分类，从而进行标签化。因为站点接受到的不同强度和不同距离的闪电信号幅值差别较大，为减小其对识别效果的影响，所以在信号作为输入前，需对其作均值归一化处理，幅值调整操作通过式(3)表示。其中S_max和S_min分别表示各闪电信号片段的最大值和最小值，S_mean表示序列的平均值，n表示序列的位置，S_n和S_r分别表示经过归一化后的序列和原始闪电信号序列。

所述步骤C，包括：

步骤C1：设置闪电识别装置训练的迭代次数；

步骤C2：将步骤B预处理后的闪电波形数据和闪电类型数据读入所述基于卷积神经网络的智能闪电识别装置进行训练学习；以及

步骤C3：保存训练好的基于卷积神经网络的智能闪电识别装置，完成基于卷积神经网络的智能闪电识别装置的训练学习。

卷积神经网络通过大量的参数的不断学习，相比人工特征提取，它能提取出区分性更强的特征向量，然后由这些局部特征延伸到整体特征，实现最优的闪电特征向量的提取。该方法采用多层的非线性激活函数(ReLU)的一维卷积来直接处理闪电时域信号。一维卷积的实际想法是利用一维向量k(即卷积核)对一维数组序列x进行点积得到一个新的数组序列s，具体的映射过程如图5所示，其计算公式(2)所示：

s_j＝k^Tx_i-m+1:j (2)

式中，T表示矩阵的转置、m表示卷积核k的长度、j表示特征映射的位置，最终通过多个新生成的数组序列的特征(即特征向量)来综合判断原始一维数组序列所代表的闪电类型。

为了更多的保留纹理信息，该闪电识别装置所选取的池化为最大值池化，即对邻域内特征点取最大值。原始数据经过卷积层和池化层后得到了多维特征向量，由于参数量太多，需经过全局最大池化将这些多维特征一维化。然后，经过装置的全连接层，对每一个特征进行线性的加权求和，采用softmax()的激活函数，得到闪电的分类类别。闪电识别装置的输出结果为1×5的一维向量，不同的向量代表不同的放电类型，主要依据输入时标签化的值为准，例如[1，0，0，0，0]为地闪，[0，1，0，0，0]为普通云闪等。

为了增强卷积神经网络的性能，本文在装置中引入了Dropout技术对节点权值的修正进行控制。Dropout在网络训练阶段，随机将部分隐藏神经元的输出置0从而让某些隐含层结点的权重停止工作，此时的部分结点可以认为不属于网络，不参与网络中的任何传播。在每次将样本输入网络进行权值更新时,隐含节点会以一定概率随机出现,这样也就避免了多个隐含节点每次都同时出现。因此,权值的更新不依赖固定隐含节点的同时作用,这样有效避免了某些特征完全依赖于其他特征的情况发生，从而增强了网络的泛化能力，避免了过拟合的产生。

为了验证本文所提出的基于深度卷积神经网络装置构建的合理性，以及其对闪电放电类型自动分类的有效性和适应性，本文将已标签的数据进行随机分为训练集和测试集后，作为系统输入进行评估。本文将闪电放电类型主要分为5类，包括：负地闪、正地闪、NBE、初始击穿、普通云闪。为了尽可能的展示同一闪电类型时域波形的多样性，及保证该装置训练集的可靠性，本文提供了各类闪电放电类型的样图，如图3所示。为了保证实验训练数据的可靠性，以及后续雷暴分析的方便性，本文选取的地闪、NBE、初始击穿序列皆为定位站网500KM以内的闪电事件。本文共选取了2012-2017年多个雷暴日的数据作为训练集，共15000例负地闪、5000例正地闪、10000例初始击穿、5000例NBE、16000例普通云闪。

由于不同的训练次数和不同深度网络，会导致闪电识别装置最终的分类效果存在较大差异，本文分别给出了卷积层为7层、5层卷积神经网络下，装置不同训练次数的准确率，如图6所示，7层深度网络相比5层深度的网络，对数据表现更高的准确性。经过实验发现，当网络过深，会导致训练数据的过拟合情况。故本文选取的参数主要为Table1中所示，该装置为用来分析雷暴物理过程的装置。闪电识别装置模型对于训练集识别的准确率为96.7％，为了更进一步的验证本文所用分类的可靠性，通过随机选取500例不同距离(500Km内)不同雷暴日的地闪波形作为验证集，装置识别的准确为97.2％。由于经过闪电识别装置筛选出来的地闪事件，部分不属于需要研究的雷暴，我们通过定位结果筛选匹配，去除不属于该雷暴的地闪，然后将最后得到的地闪波形进行人工二次检验，由于去除了一些远距离回击引起的误差，经过统计得到回击识别准确率在98％以上。

本文对于卷积神经网络模型的训练核测试均在Keras神经网络框架上实现，后端为TensorFlow。(Keras是一个高层神经网络API，支持原型神经网络的快速建模)。具体的实验配置如下：显卡为NVIDIA GeForce GTX1060；CPU为Intel Core i7-7700,3.60Ghz,内存16G，操作系统为Windows 2010。

由于闪电波形没有国际上公用的数据集，但是为了充分说明该方法的有效性，本文共选取了本实验室站网2012-2017年多个雷暴日的闪电数据作为训练集，共15000例负地闪、5000例正地闪、10000例初始击穿、5000例NBE、16000例普通云闪。并手动挑选2018年的2000例闪电作为测试数据。闪电识别装置对5种类型识别的平均准确率为97.1％，本文使用相同的数据集，将神经网络模型与传统机器学习分类器进行了准确率的比较。传统机器学习需先对样本先提取特征量，本文按照(刘恒毅2009、MaDong2016)中的参数定义选取了6个特征量，分别为：上升时间Tr、下降时间Tf、脉冲宽度Tw、过冲比、主频率(功率谱能量值最大处对应的频率)、信噪比(SNR)。我们所选用的分类器为SVM和Logistics分类器，SVM对于验证集的准确率为91.4％，Logistics分类器的准确率为87％。由于Logistics分类器为线性分类，所以准确率可能较低。虽然SVM对于本数据集同样也表现着较高的识别率，但是经过本人对具体案例的研究发现，SVM分类器相比卷积神经网络的智能闪电识别装置存在较高的漏识别现象。

至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

依据以上描述，本领域技术人员应当对本公开基于卷积神经网络的智能闪电识别装置有了清楚的认识。

综上所述，本公开提供了一种基于卷积神经网络的智能闪电识别装置，其基于自然界发生的闪电信息，利用深度卷积神经网络对对固定安装在地面的VLF/LF闪电探测网络所探测、识别、定位到的闪电的低频/甚低频时域波形进行分析处理，能够对各类放电类型达到95％以上识别准确率，实现了大尺度广域雷暴中闪电类型的自动识别。该方法进一步丰富了闪电信号的分析处理方法，很大程度了减轻了人工识别的工作量，为更加方便的研究闪电的微物理过程提供了好的基础。

还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。

并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本公开的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。

再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。

此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的智能闪电识别装置，包括：

输入端，用于输入待识别闪电波形数据，所述闪电波形数据为一维数组序列；

首层卷积层，与所述输入端相连，用于初步提取闪电波形数据的特征向量；

中间处理层，与所述首层卷积层相连，用于进一步提取闪电波形数据的特征向量并降低特征向量的维度；

全局最大池化层，与所述中间处理层相连，用于把所述中间处理层所提取的闪电波形数据的特征向量降到一维；

全连接层，与所述全局最大池化层相连，用于综合所述全局最大池化层降到一维的特征向量；

输出端，与所述全连接层相连，用于输出代表闪电类型的一维特征向量。

2.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述首层卷积层的维度为8000。

3.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述首层卷积层的步长为1-3。

4.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述首层卷积层中包含8-64个卷积核。

5.根据权利要求4所述的基于卷积神经网络的智能闪电识别装置，所述卷积核的大小为2-8。

6.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述中间处理层，包括m层中间卷积层和n层中间池化层，其中，4≤m≤9，3≤n≤7。

7.根据权利要求6所述的基于卷积神经网络的智能闪电识别装置，所述中间池化层的层数小于中间卷积层的层数。

8.根据权利要求6所述的基于卷积神经网络的智能闪电识别装置，至少有2个中间卷积层相邻设置。

9.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述一维特征向量为1×5的一维向量序列。

10.根据权利要求1所述的基于卷积神经网络的智能闪电识别装置，所述闪电类型依据其放电类型包括：负地闪、正地闪、NBE、初始击穿或普通云闪。