CN110197218B - 基于多源卷积神经网络的雷雨大风等级预测分类方法 - Google Patents

基于多源卷积神经网络的雷雨大风等级预测分类方法 Download PDF

Info

Publication number
CN110197218B
CN110197218B CN201910439037.7A CN201910439037A CN110197218B CN 110197218 B CN110197218 B CN 110197218B CN 201910439037 A CN201910439037 A CN 201910439037A CN 110197218 B CN110197218 B CN 110197218B
Authority
CN
China
Prior art keywords
training
neural network
thunderstorm
loss
convolution neural
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.)
Active
Application number
CN201910439037.7A
Other languages
English (en)
Other versions
CN110197218A (zh
Inventor
姚金良
姜艳萍
钱峥
王荣波
谌志群
黄孝喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Dadao Career Education Information Consulting Co ltd
Hangzhou Dianzi University
Original Assignee
Shaoxing Dadao Career Education Information Consulting Co ltd
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaoxing Dadao Career Education Information Consulting Co ltd, Hangzhou Dianzi University filed Critical Shaoxing Dadao Career Education Information Consulting Co ltd
Priority to CN201910439037.7A priority Critical patent/CN110197218B/zh
Publication of CN110197218A publication Critical patent/CN110197218A/zh
Application granted granted Critical
Publication of CN110197218B publication Critical patent/CN110197218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多源卷积神经网络的雷雨大风等级预测分类方法。该方法采用多源卷积神经网络模型对多普勒气象雷获得的多种数据图像进行特征提取，能够融合更多的气象数据信息，提高了对差异性特征的提取；同时方法结合了支持向量机中的分类方法，在中小样本的气象数据训练集上获得的模型有很好的雷雨大风等级预测分类效果。

Description

基于多源卷积神经网络的雷雨大风等级预测分类方法
技术领域
本发明涉及图像处理和灾害天气预测领域，尤其涉及一种基于多源卷积神经网络与支持向量机的局部雷雨大风等级预测方法。
背景技术
我国是强对流天气强降水、冰雹、雷雨大风和龙卷风等频发国家之一。随着经济发展，因强对流天气的发生而造成的损失将更加严重。由于强对流天气时空尺度小、变化快、天气剧烈、社会影响大，发生发展机制比较复杂，是目前天气预报业务中的难点和重点之一。
强对流天气的监测是强对流天气预报业务的重要组成部分,尤其是短时临近预报的基础。由于业务短时临近预报时间紧、任务急，精细化的强对流天气的监测方法就显得尤为重要。因此，提高雷雨大风监测能力是非常必要的。
现代的天气预报模型大致可以分为两类，即基于数字天气预报(NumericalWeather Prediction,NWP)的方法和基于雷达回波外推的方法。对于NWP方法，在临近预报进行预测需要对大气模型中的物理方程进行复杂而细致的模拟。传统雷达回波外推方法只假设回波简单线性演变。当前对历史雷达回波资料利用率不足，无法有效预测回波的旋转变化和生消发展，具有精确度低、预报时效短等缺陷。随着技术的进步，特别是图像处理技术和深度学习技术的快速发展，基于深度学习的天气预报问题日益成为天气预测的一个重要方向。
深度学习是机器学习领域的一个新的方向和分支，属于人工智能领域，近些年来在语音、图像识别、计算机视觉等许多应用得到了广泛的关注。深度学习克服了一般机器学习方法中手工选取特征的过程以及需要非常专业的相关领域的先验知识等缺陷。该技术从本质上来说是通过样例学习来实现特征提取，建立各种模型来对人类大脑的神经连接结构进行模拟，将特征提取和分类器整合在一起。在特征提取阶段进行分层来对数据特征进行描述，从而得到数据从底层到高层的类别特征。当前深度学习还需要根据不同应用场景进行针对的网络模型设计从而获得取得更好的效果。在图像识别领域，卷积神经网络模型是当前最为流行的深度学习模型，在多个应用场景获得了非常好的效果。卷积神经网络是一种为识别二维形状而特殊设计的深度神经网络模型。这种网络结构对平移、比例缩放、倾斜等具有很高的适应性，尤其适合图像数据的学习，因此在图像识别中有着突出的优势。
目前，使用深度学习技术进行气象预测已经取得了一些成果，但是这些方法通常只对气象雷达的某类数据进行特征提取，而没有对当前气象雷达能够获得的各类数据进行融合的特征提取。并且已有方法使用卷积神经网络进行训练时采用交叉熵作为损失函数，在预测时采用softmax作为分类器。交叉熵损失函数会使得模型过度拟合,很多情况下提取的特征向量的类内间距大于类间间距。已有方法也缺少对softmax分类器不易分类样本的处理，并且对于小样本的数据集，采用softmax分类器预测易发生过拟合，难以提高预测分类的鲁棒性。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于多源卷积神经网络与支持向量机的局部雷雨大风等级预测分类方法，可有效解决上述问题。
本发明方法提出了多源卷积神经网络模型，并将其与支持向量机分类器相结合。多源卷积神经网络模型可对多普勒气象雷达获得多类天气相关的数据进行特征提取并融合到一个网络中进行识别。本发明方法在特征提取时，对不同样本根据与类别样本中心的距离来加入一个惩罚性的损失，并与交叉熵损失函数结合进行样本权重调整，最大化类间间距的同时最小化类内间距。最后将提取的特征输入支持向量机进行分类。本发明方法适用于小样本数据集上进行特征的提取，模型训练和预测分类。
本发明具体采用的技术方案如下：
基于多源卷积神经网络的雷雨大风等级预测分类方法，它包括以下步骤：
S1：基于多普勒气象雷达图像数据，按照S11～S13生成若干训练样本，形成训练数据集：
S11：从历史气象数据中，初步筛选待预测的目标区域范围内发生的局部雷雨大风事件，确定每个局部雷雨大风事件的发生时间、风速大小和发生位置；
S12：针对每个局部雷雨大风事件，根据该事件的发生时间，从雷达历史数据中选取N类能够用于预测局部雷雨大风事件的多普勒气象雷达数据，然后在每一类多普勒气象雷达数据上，以该事件的发生位置为中心截取一张多普勒气象雷达图像；
S13：根据每个局部雷雨大风事件对应的风速大小进行雷雨大风等级划分，并赋予样本标签；然后将每个局部雷雨大风事件的N张多普勒气象雷达图像和其对应的雷雨大风等级作为一个训练样本；
S2：按照S21～S23构建并训练雷雨大风等级预测分类网络模型：
S21：构建多源卷积神经网络和支持向量机相结合的网络模型，所述的多源卷积神经网络包含多个卷积神经网络和2个全连接层，每个卷积神经网络接收不同的多普勒气象雷达图像作为输入，并将图像输入转为特征向量输出；所有卷积神经网络输出的特征向量拼接成一个总特征向量；支持向量机分类器以多源卷积神经网络的输出结果作为输入进行分类，输出雷雨大风等级结果；
S22：利用S1中得到的训练数据集对雷雨大风等级预测分类网络模型进行训练，训练分为两个步骤进行：
第一步，先训练多源卷积神经网络模型，且在训练过程中，根据不同样本与样本所属类别的样本中心的距离加入一个惩罚损失，用于缩小属于同一类的特征之间的类内距离；多源卷积神经网络的2个全连接层中，利用第一个全连接层的输出计算所述惩罚损失，利用第二个全连接层的输出计算交叉熵损失，将两个损失函数结合作为总的损失函数训练多源卷积神经网络模型；
第二步，在训练好的多源卷积神经网络模型的基础上，将第一个全连接层的输出作为支持向量机的输入数据进行训练和分类预测；
S3：基于S2中训练完毕的雷雨大风等级预测分类网络模型，将目标区域的实时多普勒气象雷达图像输入到多源卷积神经网络模型对应的卷积神经网络，然后将第一个全连接层的输出作为支持向量机的输入数据，得到雷雨大风等级的分类预测结果。
基于上述方案，各步骤还可以采用如下优选方式实现。
优选的，所述的步骤S11的具体实现步骤如下：
S111：查询目标区域范围内的所有自动气象站历史数据，按照时间先后顺序，从自动气象站小时资料中统计小时极大风速，初步筛选出小时极大风速≥13.9m/s、小时极大风速≥5.5m/s并且<13.9m/s、小时极大风速<5.5m/s的大风事件数据，并查询出每个大风事件的发生时间；
S112：根据每个大风事件出现的时间，获取该事件之前的预测时段内的雷达图像，若雷达图像中在自动气象站影响半径范围内存在对流云点，且自动气象站影响半径范围内存在强回波，则判断该大风事件为局部雷雨大风事件，获取强对流位置作为该局部雷雨大风事件的发生位置。
优选的，所述的预测时段为该事件发生时间之前的30分钟内。
优选的，所述的步骤S12中，N＝9，用于预测局部雷雨大风事件的多普勒气象雷达数据包括组合反射率R值、0度层组合反射率R值、-10度层组合反射率R值、层云对流分类R值、0.5度径向速度R值、1.5度径向速度R值、2.4度径向R值、VIL产品R值、VILD产品R值。
优选的，所述的步骤S13中，雷雨大风等级划分为3类：小时极大风速≥13.9m/s为4级以下局部雷雨大风，小时极大风速≥5.5m/s并且<13.9m/s为4-7级局部雷雨大风，小时极大风速<5.5m/s为7级以上局部雷雨大风。
优选的，所述的步骤S22中，雷雨大风等级预测分类网络模型的训练包括如下步骤：
S221：将S1中的训练样本分批输入多源卷积神经网络模型中进行训练，由第一个全连接层输出每个训练样本的特征向量xi，用于计算惩罚损失center_loss；惩罚损失对样本中的每一个样本所属类别y都维护一个类中心cy，对每个训练批次计算特征向量与类中心的欧氏距离LCenterLoss：
Figure BDA0002071473150000041
cyi表示第i个样本所属类别的特征中心，即xi所属类别y的类中心cy；m表示当前批次的样本数量；
对距离求梯度得到惩罚损失，并对该批次训练样本计算平均值作为该批次样本的惩罚损失：
Figure BDA0002071473150000042
每训练一个批次后均对类中心进行更新；
S222：将S221中得到的第一个全连接层输出特征再输入到第二个全连接层，然后对第二个全连接层的输出进行softmax函数运算，将输出转换为属于每个类的概率值；再将softmax函数的输出与真实样本的标签做交差熵后得到交叉熵损失loss1；
S223：将两个损失函数结合作为总的损失函数进行参数的训练，即多源卷积神经网络模型训练时设定的损失函数loss为：
loss＝tf.reduce_mean(loss1)+lambda*center_loss
其中center_loss为惩罚损失，tf.reduce_mean()函数表示计算loss1中一个批次中样本的平均交差熵，lambda为惩罚损失和交叉熵损失之间的权重；
基于总的损失函数loss，通过梯度下降算法来计算模型参数的最优解，完成多源卷积神经网络模型的训练；
S224：将S1中的训练样本输入训练好的多源卷积神经网络模型中，以第一个全连接层的输出作为支持向量机的输入特征，对支持向量机进行多分类训练，使其能够输出雷雨大风等级。
本发明可应用于预测局部雷雨大风等级的应用中，与现有技术相比较，本发明具有以下有益效果：
1)本发明采用多源卷积神经网络模型对多普勒气象雷获得的多种数据图像进行特征提取，从而融合了更多的气象数据信息，比通过单张雷达图像信息进行分类预测效果更好。
2)交叉熵损失函数会使得模型过度拟合,本发明在特征提取训练时在加入了惩罚损失进行权重调整，提高了对差异性特征的提取。在小样本训练数据集下特别有效。
3)本发明将多源卷积神经网络卷积训练得到的特征输入到支持向量机中进行训练和分类，对于中小样本的气象数据集，支持向量机的分类效果更好。经过实际验证，本发明方法在测试集上获得了78.4％的预测准确率。
附图说明
图1为本发明的流程示意图；
图2为训练样本构建的流程图；
图3为残差结构卷积神经网络模型；
图4为多源残差结构卷积神经网络模型；
图5为本发明中多源卷积神经网络和支持向量机相结合的网络模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，本发明所提出的基于多源卷积神经网络的雷雨大风等级预测分类方法主要分为以下几部分内容：(1)基于多普勒气象雷达图像数据的训练样本生成；(2)多源卷积神经网络和支持向量机相结合的网络模型的构建和训练；(3)雷雨大风等级的实时分类预测。下面具体描述各部分的具体实现过程。
如图1所示，为本发明中基于多源卷积神经网络的雷雨大风等级预测分类方法的流程图，该方法包括以下S1～S3步骤：
S1：基于多普勒气象雷达图像数据的训练样本生成：指从多普勒气象雷达数据中找到所需的训练数据样本，然后制作成训练数据集。其主要过程为：
S11：从历史气象数据中，初步筛选待预测的目标区域范围内发生的局部雷雨大风事件，确定每个局部雷雨大风事件的发生时间、风速大小和发生位置。
局部雷雨大风事件的筛选可以人工进行，也可以按照以下的S111～S112方式自动进行。
S111：查询目标区域范围内的所有自动气象站历史数据，按照时间先后顺序，从自动气象站小时资料中统计小时极大风速，初步筛选出小时极大风速≥13.9m/s、小时极大风速≥5.5m/s并且<13.9m/s、小时极大风速<5.5m/s的大风事件数据，并查询出每个大风事件的发生时间。
S112：根据每个大风事件出现的时间，获取该事件之前的预测时段内的雷达图像，若雷达图像中在记录到该大风事件数据的自动气象站影响半径范围内存在对流云点，且同一自动气象站影响半径范围内存在强回波，则判断该大风事件为局部雷雨大风事件，获取强对流位置作为该局部雷雨大风事件的发生位置。雷雨大风事件中对流云点和强回波的判断方式可根据气象学上的方法确定。
S12：针对每个局部雷雨大风事件，根据该事件的发生时间，从雷达历史数据中选取N类能够用于预测局部雷雨大风事件的多普勒气象雷达数据，N为大于1的自然数。本发明可选择9类气象预测常用的多普勒气象雷达图像数据，即组合反射率R值、0度层组合反射率R值、-10度层组合反射率R值、层云对流分类R值、0.5度径向速度R值、1.5度径向速度R值、2.4度径向R值、VIL产品R值、VILD产品R值。由于预测的超前性需要，这些多普勒气象雷达数据的时间需要在局部雷雨大风事件的发生时间之前一定时间，称为预测时间，一般可选择局部雷雨大风事件的发生时间之前的30分钟内。然后在每一类多普勒气象雷达数据上，以该局部雷雨大风事件的发生位置为中心截取一张多普勒气象雷达图像，由此一共得到9张不同类别的多普勒气象雷达图像。
S13：根据每个局部雷雨大风事件对应的风速大小进行雷雨大风等级划分，并赋予样本标签。等级划分可根据实际预测需要进行划定，一种可行的划分方法为：将提取的样本按小时极大风速分为3类，分别为：4级以下局部雷雨大风(小时极大风速<5.5m/s)，4-7级局部雷雨大风(小时极大风速≥5.5m/s并且<13.9m/s)，7级以上局部雷雨大风(小时极大风速≥13.9m/s)，对应的样本标签分别为0，1，2。
等级划分完毕后，将每个局部雷雨大风事件的9张上述多普勒气象雷达图像和其对应的雷雨大风等级作为一个可用于进行卷积神经网络训练的训练样本。所有局部雷雨大风事件的训练样本构成训练数据集，用于进行后续的训练。
S2：多源卷积神经网络和支持向量机相结合的雷雨大风等级预测分类网络模型的构建和训练。
多源卷积神经网络和支持向量机相结合指采用多源卷积神经网络模型用于特征的提取并采用支持向量机对多源卷积神经网络模型提取的特征进行分类。本发明方法采用多源卷积神经网络模型对输入的9张雷达图像进行特征提取，然后采用支持向量机进行分类预测。如图3所示，已有卷积神经网络模型主要采用单张图像进行特征提取，但影响局部雷雨大风天气的因素很多，单张图像并不能融合雷达获取的信息。卷积神经网络可以看作是一个将输入图像x转换为特征向量y的过程，即y＝f(x)。当存在多种物理意义不同的输入图像x时，本发明方法提出了多源卷积神经网络模型，也就是构造多个卷积神经网络并进行组合，即
Figure BDA0002071473150000071
f(x)为特征提取函数，也就是将一种图像输入转换为特征的过程。
Figure BDA0002071473150000081
将多个f(x)结果进行拼接作为总的特征提取结果。多源卷积神经网络模型可接受多种气象雷达图像作为输入。本发明的雷雨大风等级预测分类网络模型的构建和训练具体过程按照S21～S23进行：
S21：首先，构建多源卷积神经网络和支持向量机相结合的网络模型，多源卷积神经网络包含多个卷积神经网络和2个全连接层，其结构如图4所示。每个卷积神经网络接收不同的多普勒气象雷达图像作为输入，并将图像输入转为特征向量输出。9张多普勒气象雷达图像通过卷积神经网络输出的特征向量拼接成一个总特征向量，然后再依次输入2个全连接层中。本发明将多源卷积神经网络卷积后得到的全连接层输出作为特征向量，输入到支持向量机分类器中进行训练和分类预测。如图5所示，支持向量机分类器以多源卷积神经网络第一个全连接层的输出结果作为输入进行分类，输出雷雨大风等级结果。
S22：利用S1中得到的训练数据集对雷雨大风等级预测分类网络模型进行训练，训练分为两个步骤进行，先训练多源卷积神经网络参数，然后在训练好的多源卷积神经网络模型的基础上训练支持向量机分类器。
第一步，先训练多源卷积神经网络模型，且在训练过程中，针对不易分类的样本，根据不同样本与样本所属类别的样本中心的距离加入一个惩罚损失，并与交叉熵损失函数结合进行样本权重调整，用于最大化类间间距的同时缩小属于同一类的特征之间的类内距离。样本与样本所属类别的样本中心的距离越大对参数影响越大，提高差异性特征的提取。多源卷积神经网络的2个全连接层中，利用第一个全连接层的输出计算惩罚损失，利用第二个全连接层的输出计算交叉熵损失，将两个损失函数结合作为总的损失函数训练多源卷积神经网络模型。
第二步，在训练好的多源卷积神经网络模型的基础上，将第一个全连接层的输出作为支持向量机的输入数据进行训练和分类预测。选择支持向量机分类器是由于其对小样本数据具有较好的分类效果。
下面针对在步骤S22，给出一种具体实现雷雨大风等级预测分类网络模型的训练方法，其包括如下子步骤：
S221：将S1中的训练样本分批(batch)输入多源卷积神经网络模型中进行训练，由第一个全连接层输出每个训练样本的特征向量xi，用于计算惩罚损失center_loss；惩罚损失对样本中的每一个样本所属类别y都维护一个类中心cy，对每个训练批次计算特征向量与类中心的欧氏距离LCenterLoss：
Figure BDA0002071473150000091
cyi表示第i个样本所属类别的特征中心，即xi所属类别y的类中心cy；m表示当前批次的样本数量；
对距离求梯度得到惩罚损失，并对该批次训练样本计算平均值作为该批次样本的惩罚损失：
Figure BDA0002071473150000092
每训练一个批次(batch)后均对类中心进行更新；
S222：将S221中得到的第一个全连接层输出特征再输入到第二个全连接层，然后对第二个全连接层的输出进行softmax函数运算，将输出转换为属于每个类的概率值；再将softmax函数的输出与真实样本的标签(类别)做交差熵后得到交叉熵损失loss1；
S223：将两个损失函数结合作为总的损失函数进行参数的训练，即多源卷积神经网络模型训练时设定的损失函数loss为：
loss＝tf.reduce_mean(loss1)+lambda*center_loss
其中center_loss为惩罚损失，tf.reduce_mean()函数表示计算loss1中一个批次中样本的平均交差熵，lambda为惩罚损失和交叉熵损失之间的权重；
基于总的损失函数loss，通过梯度下降算法(可采用的是sgd最优化方法)来计算模型参数的最优解，完成多源卷积神经网络模型的训练；
S224：将S1中的训练样本输入训练好的多源卷积神经网络模型中，以第一个全连接层的输出作为支持向量机的输入特征，对支持向量机进行多分类训练，使其能够输出雷雨大风等级。
S3：基于S2中的训练结果，导入多源卷积神经网络模型的最优参数和支持向量机的最优分类器支持向量，形成训练完毕的雷雨大风等级预测分类网络模型。然后将目标区域的9张实时多普勒气象雷达图像(类别与训练样本相同)输入到多源卷积神经网络模型对应的通道，然后将第一个全连接层的输出作为支持向量机的输入数据，得到雷雨大风等级的分类预测结果。
本发明的上述方法可以用于预测局部雷雨大风等级的应用中，能有效的使用惩罚损失提高对差异性特征的提取。另外，采用多源卷积神经网络对多张气象雷达图像一起进行特征的提取训练并使用支持向量机进行分类，提高了局部雷雨大风等级的预测准确率。
下面基于该方法，结合具体实施例对本发明的实现效果进行展示。
实施例
本实施例中，基于多源卷积神经网络的雷雨大风等级预测分类方法的流程如图1所示，基本步骤如前述的S1～S3。下面具体描述各步骤的实现过程。
(1)如图2所示，基于多普勒气象雷达图像数据的训练样本生成的流程为：
(1-1)查询自动气象站历史数据。在某省自动气象站数据库中筛选以某地区(东经121.5094度，北纬30.0697度)为圆心，220公里(最大测量范围230公里)内包括省内省外所有类型自动气象站的站点信息。按照时间顺序，从这些自动气象站数据中统计小时极大风速，查询出小时极大风速出现对应时间，初步筛选出小时极大风速≥13.9m/s、小时极大风速≥5.5m/s并且<13.9m/s、小时极大风速<5.5m/s的三类数据，这些类数据记为大风事件数据。
(1-2)根据每个雷雨大风事件发生的时间，从图像历史数据中选取发生大风事件前30分钟内的9类气象预测常用的多普勒气象雷达图像数据，即组合反射率R值、0度层组合反射率R值、-10度层组合反射率R值、层云对流分类R值、0.5度径向速度R值、1.5度径向速度R值、2.4度径向R值、VIL产品R值、VILD产品R值；
(1-3)在(1-2)选取的雷达图像中以时间偏移[-4，+4]获取雷达图像，若记录到该大风事件数据的自动气象站影响半径范围内(R＝5公里)存在对流云点并且该自动气象站影响半径范围内存在强回波(ref 3*3>＝40，ref 0>＝30，Ref10>＝25)，则判断该大风事件为局部雷雨大风事件；进而获取最强回波位置(ref 3*3>＝40)、获取最强速度位置(vel3*3>＝15)、获取最强VIL位置(vil3*3>＝15)，对存在的最强位置进行加权平均，得到强对流位置作为该局部雷雨大风事件的发生位置。然后在9类多普勒气象雷达数据上，分别以该局部雷雨大风事件的发生位置为中心截取一张多普勒气象雷达图像，由此一共得到9张不同类别的多普勒气象雷达图像。
(1-4)构建样本库。根据每个局部雷雨大风事件对应的风速大小进行雷雨大风等级划分，并赋予样本标签。将提取的雷雨大风事件样本分为3类，分别表示4级以下局部雷雨大风(小时极大风速<5.5m/s)，4-7级局部雷雨大风(小时极大风速>＝5.5m/s并且<13.9m/s)，7级以上局部雷雨大风(小时极大风速>＝13.9m/s)，对应的样本标签分别为0，1，2。将得到的9张图像和对应的雷雨大风等级构建一个训练样本。所有局部雷雨大风事件的训练样本构成训练数据集，用于进行后续的训练。
(2)多源卷积神经网络和支持向量机相结合的网络模型构建和训练：
(2-1)本发明方法采用多源卷积神经网络模型对输入的9张雷达图像进行特征提取，然后采用支持向量机进行分类预测。
已有卷积神经网络模型主要对单张图像进行特征提取，已有卷积神经网络模型如附图3所示。本实施例中卷积神经网络模型采用残差结构卷积神经网络模型。残差网络模型由building block结构组成，building block结构包含一个残差支路和short-cut支路，比传统的卷积结构多了一个short-cut支路，用于传递低层的信息使得网络能够训练地很深。本实施例采用3×3卷积核，padding设置为'SAME'，具体的卷积过程如下：首先经过一个初始卷积层，输出通道为16，步长2，输出8*8*16的特征，然后输入building block残差块中计算。残差结构采用非bottleneck结构(包含两个3*3的卷积子层)，当上下组的卷积层通道数不同，使得短路连接不能直接相加，需要在上下组的卷积层通道数不同时连接上一组的第一个卷积层的短路连接通路添加投影卷积。本发明共有3组残差块conv1、conv2、conv3，每组输出channel数分别为16、32、64，每组残差块包含5个building block，每个buildingblock包含2个卷积层，最后对卷积的输出进行非线性激活函数处理和均值池化，输出1个4*4*64的特征序列。
但影响局部雷雨大风天气的因素很多，单张图像并不能融合多普勒气象雷达获取的信息。当存在多种物理意义不同的输入图像x时，本发明方法提出了多源卷积神经网络模型，也就是构造多个残差结构的卷积神经网络进行组合，如附图4所示，多源卷积神经网络包含多个卷积神经网络和2个全连接层。多源卷积神经网络模型可接受多种多普勒气象雷达图像作为输入。本发明将9张多普勒气象雷达图像分别通过图3中拥有30个卷积层的残差网络模型生成一个特征向量，然后将9个卷积结果拼接成一个总的特征值序列，然后再依次输入2个全连接层中。本发明将多源卷积神经网络卷积后得到的全连接层输出作为特征向量，输入到支持向量机分类器中进行训练和分类预测。如图5所示，支持向量机分类器以多源卷积神经网络第一个全连接层的输出结果作为输入进行分类，输出雷雨大风等级结果。在训练时，多源卷积神经网络模型在经过2个全连接层进行损失函数的计算和权值训练。在实时预测时，多源卷积神经网络模型输出再经过一个全连接层直接作为支持向量机分类器的输入。支持向量机分类器对小样本数据具有较好的分类效果。
(2-2)多源卷积神经网络模型参数训练：
针对不易分类的样本，本发明根据样本与样本所属类别的样本中心的距离加入一个惩罚性的损失(center_loss)，样本与样本所属类别的样本中心的距离越大对参数影响越大，提高差异性特征的提取。
将训练样本分批(batch)输入多源卷积神经网络模型中进行训练，由第一个全连接层输出每个训练样本的特征向量xi，用于计算惩罚损失center_loss；惩罚损失对样本中的每一个样本所属类别y都维护一个类中心cy，对每个训练批次计算特征向量与类中心的欧氏距离LCenterLoss：
Figure BDA0002071473150000121
cyi表示第i个样本所属类别的特征中心，即xi所属类别y的类中心cy；m表示当前批次的样本数量；
对距离求梯度得到惩罚损失，并对该批次训练样本计算平均值作为该批次样本的惩罚损失：
Figure BDA0002071473150000122
每训练一个批次(batch)后均对类中心进行更新；
然后，将第一个全连接层输出特征再输入到第二个全连接层，然后对第二个全连接层的输出(输出为每个类别的值)进行softmax函数运算，将输出转换为属于每个类的概率值；再将softmax函数的输出与真实样本的标签(类别)做交差熵后得到交叉熵损失loss1；
最后，将两个损失函数结合作为总的损失函数进行参数的训练，即多源卷积神经网络模型训练时设定的损失函数loss为：
loss＝tf.reduce_mean(loss1)+lambda*center_loss
其中center_loss为一个批次的惩罚损失，tf.reduce_mean()函数表示计算loss1中一个批次中样本的平均交差熵，lambda为惩罚损失和交叉熵损失之间的权重；
基于总的损失函数loss，通过梯度下降算法(采用sgd最优化方法)来计算模型参数的最优解，完成多源卷积神经网络模型的训练。
本实施例中在训练时，由于保存的9张气象雷达图像数据被组合才一起，为48*48*3大小的数据。所以首先使用tf.image.crop_to_bounding_box()函数从左到右、从上到下截取9个16*16*3的数据，截取的数据序列分别表示组合反射率R值、0度层组合反射率R值、-10度层组合反射率R值、层云对流分类R值、0.5度径向速度R值、1.5度径向速度R值、2.4度径向R值、VIL产品R值、VILD产品R值图片序列。准备好训练数据后可以不断迭代一个batch的数据，并通过损失函数的梯度来更新参数，Batch大小为128。学习速率从0.1开始，在4K，9K，10k迭代时除以10。一个完整的训练在10K迭代时完成，实现模型的训练。
(2-3)支持向量机分类器的训练：
多源卷积神经网络训练好参数后，一般采用softmax进行分类，但支持向量机对小样本数据具有较好的分类效果，本发明将所有的样本输入到训练好的多源卷积神经网络模型中，将前端卷积的第一个全连接层的输出数据输入支持向量机的核函数中进行训练和多分类训练，由此在深度残差网络模型进行特征提取的基础上对支持向量机进行训练获得支持向量。本实施例使用python中的klearn下的支持向量机包，该包封装了进行支持向量机训练、分类等各种函数。本发明采用支持向量机的核函数进行多分类问题。核函数分为多种，每个核函数又需要设置多个参数，本发明使用“网格搜索”来寻找最优的参数。网格搜索法是指定参数值的一种穷举搜索方法，枚举了'linear'、'poly'、'rbf'、'sigmoid'四种核函数，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。然后将各组合用于支持向量机训练，在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。最后使用得到的最优核函数的参数预测。
(3)雷雨大风等级的实时分类预测：
在实时分类预测时，首先导入多源卷积神经网络模型的参数和支持向量机的分类器支持向量，如图5所示；然后将多普勒气象雷达对应的图像输入到多源卷积神经网络模型对应的通道，采用支持向量机分类器的预测函数即可得到分类预测结果。
在本实施例中，对采用不同的分类器和卷积神经网络模型的分类预测准确率进行了测试，其测试结果如下表1所示，另外对不通雷达图像在卷积神经神经网络模型下进行了测试，其测试准确率如下表2所示。对表1和表2的结果分析可得，通过单个卷积神经网络模型进行特征提取，最高预测分类准确率为73.97％。采用本发明的多源卷积神经网络模型得到的准确率为78.4％。
表1不同的分类器和卷积神经网络模型的预测准确率
Figure BDA0002071473150000141
表2单类雷达图像在Resnet30单个卷积神经网络模型上做雷雨大风分类
单类雷达图像 平均准确率/％
组合反射率 73.22
0度层以上组合反射率 71.90
-10度层以上组合反射率 72.42
层云对流云分类 70.97
0.5度仰角层径向速度 68.05
1.5度仰角层径向速度 71.23
2.4度仰角层径向速度 71.10
VIL 72.34
VILD 73.97
由于真实的场景中，信息往往是多个的，本发明使用多源卷积神经网络对多张雷达图像一起进行特征的提取，得到的信息完整度更高，并通过惩罚损失对差异性特征的进行权重调整，提高了预测的准确率。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种基于多源卷积神经网络的雷雨大风等级预测分类方法，其特征在于包括以下步骤：
S1：基于多普勒气象雷达图像数据，按照S11～S13生成若干训练样本，形成训练数据集：
S11：从历史气象数据中，初步筛选待预测的目标区域范围内发生的局部雷雨大风事件，确定每个局部雷雨大风事件的发生时间、风速大小和发生位置；
S12：针对每个局部雷雨大风事件，根据该事件的发生时间，从雷达历史数据中选取N类能够用于预测局部雷雨大风事件的多普勒气象雷达数据，然后在每一类多普勒气象雷达数据上，以该事件的发生位置为中心截取一张多普勒气象雷达图像；
S13：根据每个局部雷雨大风事件对应的风速大小进行雷雨大风等级划分，并赋予样本标签；然后将每个局部雷雨大风事件的N张多普勒气象雷达图像和其对应的雷雨大风等级作为一个训练样本；
S2：按照S21～S23构建并训练雷雨大风等级预测分类网络模型：
S21：构建多源卷积神经网络和支持向量机相结合的网络模型，所述的多源卷积神经网络包含多个卷积神经网络和2个全连接层，每个卷积神经网络接收不同的多普勒气象雷达图像作为输入，并将图像输入转为特征向量输出；所有卷积神经网络输出的特征向量拼接成一个总特征向量；支持向量机分类器以多源卷积神经网络的输出结果作为输入进行分类，输出雷雨大风等级结果；
S22：利用S1中得到的训练数据集对雷雨大风等级预测分类网络模型进行训练，训练分为两个步骤进行：
第一步，先训练多源卷积神经网络模型，且在训练过程中，根据不同样本与样本所属类别的样本中心的距离加入一个惩罚损失，用于缩小属于同一类的特征之间的类内距离；多源卷积神经网络的2个全连接层中，利用第一个全连接层的输出计算所述惩罚损失，利用第二个全连接层的输出计算交叉熵损失，将两个损失函数结合作为总的损失函数训练多源卷积神经网络模型；
第二步，在训练好的多源卷积神经网络模型的基础上，将第一个全连接层的输出作为支持向量机的输入数据进行训练和预测分类；
S3：基于S2中训练完毕的雷雨大风等级预测分类网络模型，将目标区域的实时多普勒气象雷达图像输入到多源卷积神经网络模型对应的卷积神经网络，然后将第一个全连接层的输出作为支持向量机的输入数据，得到雷雨大风等级的分类预测结果；
所述的步骤S11的具体实现步骤如下：
S111：查询目标区域范围内的所有自动气象站历史数据，按照时间先后顺序，从自动气象站小时资料中统计小时极大风速，初步筛选出小时极大风速≥13.9m/s、小时极大风速≥5.5m/s并且<13.9m/s、小时极大风速<5.5m/s的大风事件数据，并查询出每个大风事件的发生时间；
S112：根据每个大风事件出现的时间，获取该事件之前的预测时段内的雷达图像，若雷达图像中在自动气象站影响半径范围内存在对流云点，且自动气象站影响半径范围内存在强回波，则判断该大风事件为局部雷雨大风事件，获取强对流位置作为该局部雷雨大风事件的发生位置；
所述的步骤S22中，雷雨大风等级预测分类网络模型的训练包括如下步骤：
S221：将S1中的训练样本分批输入多源卷积神经网络模型中进行训练，由第一个全连接层输出每个训练样本的特征向量xi，用于计算惩罚损失center_loss；惩罚损失对样本中的每一个样本所属类别y都维护一个类中心cy，对每个训练批次计算特征向量与类中心的欧氏距离LCenterLoss：
Figure FDA0002743263960000021
cyi表示第i个样本所属类别的特征中心，即xi所属类别y的类中心cy；m表示当前批次的样本数量；
对距离求梯度得到惩罚损失，并对该批次训练样本计算平均值作为该批次样本的惩罚损失：
Figure FDA0002743263960000022
每训练一个批次后均对类中心进行更新；
S222：将S221中得到的第一个全连接层输出特征再输入到第二个全连接层，然后对第二个全连接层的输出进行softmax函数运算，将输出转换为属于每个类的概率值；再将softmax函数的输出与真实样本的标签做交差熵后得到交叉熵损失loss1；
S223：将两个损失函数结合作为总的损失函数进行参数的训练，即多源卷积神经网络模型训练时设定的损失函数loss为：
loss＝tf.reduce_mean(loss1)+lambda*center_loss
其中center_loss为惩罚损失，tf.reduce_mean()函数表示计算loss1中一个批次中样本的平均交差熵，lambda为惩罚损失和交叉熵损失之间的权重；
基于总的损失函数loss，通过梯度下降算法来计算模型参数的最优解，完成多源卷积神经网络模型的训练；
S224：将S1中的训练样本输入训练好的多源卷积神经网络模型中，以第一个全连接层的输出作为支持向量机的输入特征，对支持向量机进行多分类训练，使其能够输出雷雨大风等级。
2.如权利要求1所述的基于多源卷积神经网络的雷雨大风等级预测分类方法，其特征在于，所述的预测时段为该事件发生时间之前的30分钟内。
3.如权利要求1所述的基于多源卷积神经网络的雷雨大风等级预测分类方法，其特征在于，所述的步骤S12中，N＝9，用于预测局部雷雨大风事件的多普勒气象雷达数据包括组合反射率R值、0度层组合反射率R值、-10度层组合反射率R值、层云对流分类R值、0.5度径向速度R值、1.5度径向速度R值、2.4度径向R值、VIL产品R值、VILD产品R值。
4.如权利要求1所述的基于多源卷积神经网络的雷雨大风等级预测分类方法，其特征在于，所述的步骤S13中，雷雨大风等级划分为3类：小时极大风速≥13.9m/s为4级以下局部雷雨大风，小时极大风速≥5.5m/s并且<13.9m/s为4-7级局部雷雨大风，小时极大风速<5.5m/s为7级以上局部雷雨大风。
CN201910439037.7A 2019-05-24 2019-05-24 基于多源卷积神经网络的雷雨大风等级预测分类方法 Active CN110197218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910439037.7A CN110197218B (zh) 2019-05-24 2019-05-24 基于多源卷积神经网络的雷雨大风等级预测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910439037.7A CN110197218B (zh) 2019-05-24 2019-05-24 基于多源卷积神经网络的雷雨大风等级预测分类方法

Publications (2)

Publication Number Publication Date
CN110197218A CN110197218A (zh) 2019-09-03
CN110197218B true CN110197218B (zh) 2021-02-12

Family

ID=67753061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910439037.7A Active CN110197218B (zh) 2019-05-24 2019-05-24 基于多源卷积神经网络的雷雨大风等级预测分类方法

Country Status (1)

Country Link
CN (1) CN110197218B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110568441B (zh) * 2019-09-09 2023-04-07 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN111062401A (zh) * 2019-09-27 2020-04-24 商汤国际私人有限公司 堆叠物体的识别方法及装置、电子设备和存储介质
CN110824478B (zh) * 2019-10-23 2022-04-01 成都信息工程大学 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置
CN111062410B (zh) * 2019-11-05 2023-05-30 复旦大学 基于深度学习的星型信息桥气象预测方法
CN111079999A (zh) * 2019-12-04 2020-04-28 中国地质大学（武汉） 一种基于cnn和svm的洪水灾害易发性预测方法
CN111008604A (zh) * 2019-12-09 2020-04-14 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质
CN111191733B (zh) * 2020-01-02 2020-09-29 平安科技（深圳）有限公司 多数据来源的数据融合方法、装置、电子设备及存储介质
CN111325239A (zh) * 2020-01-21 2020-06-23 上海眼控科技股份有限公司 一种基于图像的天气识别的方法及设备
CN111382791B (zh) * 2020-03-07 2023-12-26 北京迈格威科技有限公司 深度学习任务处理方法、图像识别任务处理方法和装置
CN111428862B (zh) * 2020-03-17 2024-03-22 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
CN111427101B (zh) * 2020-04-07 2022-04-26 南京气象科技创新研究院 一种雷雨大风分级预警方法、系统、存储介质
CN111783821B (zh) * 2020-05-19 2023-09-12 知天(珠海横琴)气象科技有限公司 强对流阵风的判别方法及系统
CN111814960B (zh) * 2020-07-03 2023-10-24 国家气候中心 天气气候系统的识别方法、装置、存储介质及处理器
CN113376711B (zh) * 2020-08-19 2022-11-04 兰州大学 基于卷积神经网络的闪电频数预报方法
CN112016615A (zh) * 2020-08-27 2020-12-01 西安易辑数字科技有限公司 一种基于卷积神经网络学习的强对流天气识别算法
CN111766641B (zh) * 2020-09-01 2020-12-01 南京信大气象科学技术研究院有限公司 一种基于深度神经网络的强对流天气识别方法
CN112149536B (zh) * 2020-09-11 2022-11-29 国网浙江省电力有限公司电力科学研究院 一种飑线风风速预测方法
CN112070241A (zh) * 2020-09-11 2020-12-11 腾讯科技（深圳）有限公司 基于机器学习模型的植物生长预测方法、装置和设备
CN112686290B (zh) * 2020-12-24 2022-10-21 河南省气象台 一种基于卷积神经网络的飑线识别方法
CN113189594B (zh) * 2020-12-28 2022-11-25 北京理工大学 一种基于时间连续性特征的天气雷达回波分类方法
CN113537336A (zh) * 2021-03-10 2021-10-22 沈阳工业大学 基于XGBoost的短临雷雨大风的预测方法
CN113065592A (zh) * 2021-03-31 2021-07-02 上海商汤智能科技有限公司 图像分类方法、装置、电子设备及存储介质
CN112800691B (zh) * 2021-04-15 2021-07-30 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建降水等级预测模型的方法及装置
CN113268627B (zh) * 2021-06-08 2022-03-25 河北省科学院应用数学研究所 一种暴雨相似天气自动检索方法
CN113343106A (zh) * 2021-06-29 2021-09-03 山东建筑大学 学生智能推荐方法及系统
CN113965389B (zh) * 2021-10-26 2024-05-03 天元大数据信用管理有限公司 一种基于防火墙日志的网络安全管理方法、设备及介质
CN114244873B (zh) * 2022-02-28 2022-05-13 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法
CN116819654B (zh) * 2023-08-25 2023-10-27 深圳市昆特科技有限公司 天气预测方法及相关装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596242B2 (en) * 1995-06-07 2009-09-29 Automotive Technologies International, Inc. Image processing for vehicular applications
CN101881842A (zh) * 2010-04-02 2010-11-10 刘文祥 网络气象
CN104050518A (zh) * 2014-07-04 2014-09-17 国家电网公司 一种基于多普勒天气雷达的电网对流致灾大风预警方法
WO2016022095A1 (en) * 2014-08-04 2016-02-11 Cummins, Inc. Road grade prediction based on current and previous grade history
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108845536A (zh) * 2018-04-20 2018-11-20 燕山大学 一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法
CN109214581A (zh) * 2018-09-20 2019-01-15 中南大学 一种考虑风向和置信区间的铁路沿线风速预测方法
CN109508852A (zh) * 2018-09-18 2019-03-22 武汉水院电气有限责任公司 一种基于线路走廊的配电线路雷害风险评估方法
WO2019079909A1 (en) * 2017-10-27 2019-05-02 Ecole De Technologie Superieure SYSTEM FOR CLASSIFYING INTRA-AURICULAR NON-VERB AUDIO EVENTS AND ASSOCIATED METHOD

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080154629A1 (en) * 1997-10-22 2008-06-26 Intelligent Technologies International, Inc. Vehicle Speed Control Method and Arrangement

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596242B2 (en) * 1995-06-07 2009-09-29 Automotive Technologies International, Inc. Image processing for vehicular applications
CN101881842A (zh) * 2010-04-02 2010-11-10 刘文祥 网络气象
CN104050518A (zh) * 2014-07-04 2014-09-17 国家电网公司 一种基于多普勒天气雷达的电网对流致灾大风预警方法
WO2016022095A1 (en) * 2014-08-04 2016-02-11 Cummins, Inc. Road grade prediction based on current and previous grade history
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN107526083A (zh) * 2017-10-18 2017-12-29 国网新疆电力公司电力科学研究院 一种基于天气雷达数据的强对流风力等级预测方法
WO2019079909A1 (en) * 2017-10-27 2019-05-02 Ecole De Technologie Superieure SYSTEM FOR CLASSIFYING INTRA-AURICULAR NON-VERB AUDIO EVENTS AND ASSOCIATED METHOD
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108845536A (zh) * 2018-04-20 2018-11-20 燕山大学 一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法
CN109508852A (zh) * 2018-09-18 2019-03-22 武汉水院电气有限责任公司 一种基于线路走廊的配电线路雷害风险评估方法
CN109214581A (zh) * 2018-09-20 2019-01-15 中南大学 一种考虑风向和置信区间的铁路沿线风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Grade prediction in MOOCs;Xiu Li等;《2016 IEEE International Conference on Computational Science and Engineering》;20161231;第386-391页 *
尾流间隔与终端区容量增强;崔智峰;《科学之友》;20110430;第135-137页 *

Also Published As

Publication number Publication date
CN110197218A (zh) 2019-09-03

Similar Documents

Publication Publication Date Title
CN110197218B (zh) 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN112285807B (zh) 一种气象信息预测方法及装置
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN110555841B (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN110766046A (zh) 一种双通道卷积神经网络集成学习的空气质量测量方法
CN109344999A (zh) 一种径流概率预报方法
CN113592132B (zh) 一种基于数值天气预报和人工智能的降水客观预报方法
CN110751209A (zh) 一种融合深度图像分类和检索的智能台风定强方法
CN115223063B (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN106993296A (zh) 终端的性能评估方法及装置
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN111427101B (zh) 一种雷雨大风分级预警方法、系统、存储介质
CN114386654A (zh) 一种多尺度数值天气预报模式融合的天气预报方法及装置
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN116109007B (zh) 发电功率确定方法、服务器及存储介质
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN112348700B (zh) 一种结合som聚类与ifou方程的线路容量预测方法
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
CN114067126A (zh) 一种红外图像目标检测方法
CN117131783B (zh) 基于多模态学习的输电线路风险预测模型、方法和系统
CN116992781B (zh) 基于深度学习的多步多要素风浪预报方法

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