CN110989040A - 一种基于切片处理的人工智能雷电临近预警方法及系统 - Google Patents
一种基于切片处理的人工智能雷电临近预警方法及系统 Download PDFInfo
- Publication number
- CN110989040A CN110989040A CN201911201934.0A CN201911201934A CN110989040A CN 110989040 A CN110989040 A CN 110989040A CN 201911201934 A CN201911201934 A CN 201911201934A CN 110989040 A CN110989040 A CN 110989040A
- Authority
- CN
- China
- Prior art keywords
- lightning
- grid
- processing
- early warning
- artificial intelligence
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 39
- 238000013459 approach Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013144 data compression Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于切片处理的人工智能雷电临近预警方法及系统，包括步骤有：步骤S1：对输入的雷达或闪电分布图像进行压缩处理；步骤S2：对压缩后的雷达或闪电分布图像根据某个格点的预报需求进行切片处理；步骤S3：建立深度学习模型，利用步骤S1与步骤S2处理过后的训练集对建立的深度学习模型进行训练；步骤S4：将待预测的数据经步骤S1与步骤S2处理后输入步骤S3训练好的深度学习模型中进行预测。本发明满足气象预报格点图片输入、像素级格点图片输出的业务要求，还降低了人工智能雷电临近预警算法的计算量。
Description
技术领域
本发明涉及雷电临近预警技术领域，特别是一种基于切片处理的人工智能雷电临近预警方法及系统。
背景技术
雷电临近预警。气象预报一般把0-2小时的预报称为临近预警，目前雷电临近预警的主流技术，是通过对雷达资料、闪电定位资料的变化趋势进行判断、外推，得到未来时刻雷达、闪电数据的可能位置和数值，再结合雷达、闪电的预测数值大小与雷电发生的阈值关系，或根据历史过程回归得到雷达、闪电与雷电发生的线性或多元多次方程，进而得到雷电预警结果的方法。
现有的气象雷电临近预警算法在处理雷达、闪电与雷电发生的关系方程上，主要以线性或简单的非线性函数为主，非线性化程度低，而雷电的发生与雷达、闪电的关系较为复杂，实践表明在雷电临近预报领域，弱的非线性函数在某些环境下并不能取得较好的预报效果（如现有算法在平原地区外推预报效果好，在福建这样的多山地地区预警效果不佳；现有算法偏向于已经生成系统的推演，而弱于对流天气系统的生成预报）。
现有人工智能图形处理主流技术对雷达、闪电分布图片进行训练预测时，难以满足图片输入图片输出的气象预报需求（当前主流的人工智能图形处理算法适用于图片输入有限节点输出的情况）。
当直接运用人工智能算法进行雷电临近预警应用时，由于计算量非常庞大，对计算机资源要求很高，使得人工智能的雷电临近预警算法无法在一般机器上快速训练、预测，影响了该应用技术的普及与推广。
发明内容
有鉴于此，本发明的目的是提出一种基于切片处理的人工智能雷电临近预警方法及系统，能够满足气象预报格点图片输入、像素级格点图片输出的业务要求，还降低了人工智能雷电临近预警算法的计算量。
本发明采用以下方案实现：一种基于切片处理的人工智能雷电临近预警方法，具体包括以下步骤：
步骤S1：对输入的雷达或闪电分布图像进行压缩处理；
步骤S2：对压缩后的雷达或闪电分布图像根据某个格点的预报需求进行切片处理；
步骤S3：建立深度学习模型，利用步骤S1与步骤S2处理过后的训练集对建立的深度学习模型进行训练；
步骤S4：将待预测的数据经步骤S1与步骤S2处理后输入步骤S3训练好的深度学习模型中进行预测。
进一步地，步骤S1具体为：
对每个原始输入的雷达（包含组合反射率图（MCR）、液态水含量（VIL）、回波顶高（ET）三种产品）或闪电（云地闪电）分布图像，对其进行分格，依次选取其中的m×m个网格压缩为一个网格，得到压缩后的图片，其中m小于当前样本图片每行或每列的网格数；其压缩方法为：将选取的m×m个网格的所有数值提取出来作为一个样本序列，取这个样本序列的统计特征值来表征该m×m个网格压缩后的网格的信息。
进一步地，步骤S1中，所述统计特征值包括但不限于样本序列的最大值、中位数、1/4分位数、或3/4分位数中的一种或多种，还可为其他分位数，由具体需求设定该处的统计特征值。其中，每一个统计特征值将新建为一个新通道的图片。
进一步地，步骤S2具体包括以下步骤：
步骤S21：将压缩后的图片切分为一个以上的小格，根据实际需求选取一个格点，选取其属性Y作为某次样本采集的标签；其中属性Y为：设此时时刻为t，设雷电临近预警的时效为x分钟，若该格点在[t,t+x]的时段内探测到雷电，标记Y=1，否则标记为Y=0；
步骤S22：以该选定的格点为中心，根据实际需求向四周拓展预设的格点数，每个拓展的格点分别对应一个通道，该选定格点及其拓展格点形成一个小图片矩阵；
步骤S23：将一个小图片矩阵中每个格点的数据爬取下来，并将每个格点爬取下来的数据分别对应不同的通道，形成具有多个通道的格点化数据矩阵，并将其作为一个实际样本；
步骤S24：当已完成所有格点的选取则进入步骤S15，否则根据实际需求选取另一个格点作为选定格点，并返回步骤S12；
步骤S25：完成图像的切片处理，得到切片处理后的图片。
进一步地，步骤S3中，所述深度学习模型依次包括：两个卷积层、池化层、两个卷积层、池化层、Flatten层、两个全连接层、sigmoid激活输出层。
进一步地，每个卷积层采用2×2滤波器，移动步长为1，采用边界不填0的卷积处理方式，通道数按输入通道数的1.25倍数取整递增，采用BatchNormalization对每层输入值进行规范化处理，最后按relu激活函数对卷积层做非线性激活，取dropout=0.15防止模型的过拟合，将结果传递到下一层模型中。
进一步地，每个池化层按MaxPooling模式进行池化操作，移动步长为2，采用边界不填0的卷积处理方式。
进一步地，每个全连接层都采用BatchNormalization对输入值进行规范化处理，选用relu激活函数，取dropout=0.15防止模型的过拟合。
本发明还提供了一种基于切片处理的人工智能雷电临近预警系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序，所述处理器在运行该计算机程序时，实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，所述计算机程序在被处理器运行时实现如上文所述的方法步骤。
与现有技术相比，本发明有以下有益效果：
1、本发明解决了现有气象雷电临近预警算法非线性化程度低的不足，通过深度学习的网络模型表征出更复杂的雷达、闪电与雷电预警结果之间的关系，
2、本发明满足气象预报格点图片输入、像素级格点图片输出的业务要求，实现人工智能技术在气象雷电临近预警领域的格点化预报应用。
3、本发明提出的数据压缩模型大大降低了人工智能雷电临近预警算法的计算量，降低了预测计算时间，使得人工智能的雷电临近预警产品在一般的计算资源上也可以得到训练和预测，提高了本项技术的普及与推广。
附图说明
图1为本发明实施例的某参数某通道数据3×3压缩方法示意图。
图2为本发明实施例的单个格点的切片处理方法示意图。
图3为本发明实施例的卷积神经网络设计示意图。
图4为本发明实施例的输入的雷达图片（以组合反射率MCR为例）。
图5为本发明实施例的输入的闪电分布图片。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于切片处理的人工智能雷电临近预警方法，具体包括以下步骤：
步骤S1：对输入的雷达或闪电分布图像进行压缩处理；其中，输入的雷达图像（以组合反射率MCR为例）如图4所示，输入的闪电分布图像如图5所示；
步骤S2：对压缩后的雷达或闪电分布图像根据某个格点的预报需求进行切片处理；
步骤S3：建立深度学习模型，利用步骤S1与步骤S2处理过后的训练集对建立的深度学习模型进行训练；
步骤S4：将待预测的数据经步骤S1与步骤S2处理后输入步骤S3训练好的深度学习模型中进行预测。
在本实施例中，由于气象格点化数据比较庞大，如果用于神经网络训练的设备不够高端或训练时间要求较短时，可以采用下面方式对原始“图片”进行数据压缩，具体处理方式如图1所示，假设原来网格单元为0.01°×0.01°，步骤S1具体为：
对每个原始输入的雷达（包含组合反射率图（MCR）、液态水含量（VIL）、回波顶高（ET）三种产品）或闪电（云地闪电）分布图像，对其进行分格，依次选取其中的m×m个网格压缩为一个网格，得到压缩后的图片，其中m小于当前样本图片每行或每列的网格数；其压缩方法为：将选取的m×m个网格的所有数值提取出来作为一个样本序列，取这个样本序列的统计特征值来表征该m×m个网格压缩后的网格的信息。
较佳的，本实施例中，如图1所示，选取m=3，即把某参数、某通道切片的每9个网格压缩成1个网格，每个网格储存原9个网格数值的最大值、中位数两个数值信息，即实现了2/9的压缩、提取，大大减少了计算量，在不降低准确率的情况下极大地降低了硬件与时间的要求。
在本实施例中，步骤S1中，所述统计特征值包括但不限于样本序列的最大值、中位数、1/4分位数、或3/4分位数中的一种或多种，还可为其他分位数，由具体需求设定该处的统计特征值。其中，每一个统计特征值将新建为一个新通道的图片，如图1所示。
如图2所示，在本实施例中，步骤S2具体包括以下步骤：
步骤S21：将经步骤S1压缩后的图片切分为一个以上的小格，根据实际需求选取一个格点（如图中的灰度点），选取其属性Y作为某次样本采集的标签；其中属性Y为：设此时时刻为t，设雷电临近预警的时效为x分钟，若该格点在[t,t+x]的时段内探测到雷电，标记Y=1，否则标记为Y=0；
步骤S22：以该选定的格点为中心，根据实际需求向四周拓展预设的格点数，每个拓展的格点分别对应一个通道（即t时刻往前n个时刻的历史雷达或闪电分布图），该选定格点及其拓展格点形成一个小图片矩阵；
步骤S23：将一个小图片矩阵中每个格点的数据爬取下来，并将每个格点爬取下来的数据分别对应不同的通道，形成具有多个通道的格点化数据矩阵，并将其作为一个实际样本；
步骤S24：当已完成所有格点的选取则进入步骤S15，否则根据实际需求选取另一个格点作为选定格点，并返回步骤S12，对本次灰度格点所在的大图片进行不同灰度格点的循环，根据实际需求遴选更符合训练特征需求的灰度格点，进而得到更多的样本数据；
步骤S25：对现有所有灰度格点的Y属性大图片进行上述步骤S11-步骤S14的循环，得到所有可用于训练的样本，完成图像的切片处理，得到切片处理后的图片。
特别的，在本实施例中，雷达选用组合反射率（MCR）、液态水含量(VIL)、回波顶高(ET)三种产品；t时刻往前的n个时刻中，n的取值可根据计算资源选择3或更多；闪电分布图按对应时刻至下一个时刻雷电分布的频次格点图计算；切片的前后左右拓展距离也可根据计算资源大小以及预警点时间的远近来设定。
在本实施例中，步骤S3中，所述深度学习模型依次包括：两个卷积层、池化层、两个卷积层、池化层、Flatten层、两个全连接层、sigmoid激活输出层。具体如图3所示。
在本实施例中，每个卷积层采用2×2滤波器，移动步长为1，采用边界不填0的卷积处理方式（不填0主要是考虑使用的四个参数的数值存在较多0值的情况，如果采用0值填边的话会使神经网络在训练时以为边界没有天气活动，进而引起较大的误差），通道数按输入通道数的1.25倍数取整递增，采用BatchNormalization对每层输入值进行规范化处理，最后按relu激活函数对卷积层做非线性激活，取dropout=0.15防止模型的过拟合，将结果传递到下一层模型中。
在本实施例中，每个池化层按MaxPooling模式进行池化操作，移动步长为2，采用边界不填0的卷积处理方式，理由同卷积层。
在本实施例中，在两次卷积-池化操作后，将输出的多通道图片按单列格点展开，进行全连接操作。全连接共两层，全连接节点设置为64、32，每个全连接层都采用BatchNormalization对输入值进行规范化处理，选用relu激活函数，取dropout=0.15防止模型的过拟合。最后使用sigmoid激活函数对前面神经网络运算结果进行最后预测，得到0、1的二分类结果。
较佳的，按上述模型对训练数据进行训练后，得到的模型可以实现对某一个格点进行预测的功能，在实际业务应用中，可设定模型实时等待输入数据的文件存在情况，然后对每个格点进行循环预测，即可得到完整的格点化人工智能雷电临近预警产品。
本实施例还提供了一种基于切片处理的人工智能雷电临近预警系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序，所述处理器在运行该计算机程序时，实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，所述计算机程序在被处理器运行时实现如上文所述的方法步骤。
综上，本实施例采用切片处理方法处理人工智能气象预报对图片输入、图片输出的需求。切片式处理模式还可以实现对一个时刻训练图片获得多个训练样本的功能，规避气象数据虽然庞大但灾害数据并不多的难点；同时训练样本的提取完全可以通过程序实现全自动化样本遴选、标签标识，避免大工作量人力操作。同时本实施例采用人工智能算法实现雷电临近预警功能。利用人工智能神经网络的非线性特点，提高现有雷电临近预警气象算法非线性程度低的不足，挖掘雷达、闪电因子与雷电的发生之间更深层次的关系，达到更普适性的预报效果。另外本实施例提出了对矩阵格点数值用一定的统计特征值代替的数据压缩算法。针对计算载荷能力无法满足完整运行气象格点数据的不足，提出的上述数据压缩算法可以在不影响准确率的前提下极大降低计算负荷，实现人工智能雷电临近预警算法更加普遍的应用。
特别的，如果采用人工智能的方法来进行雷电临近预报的话，目前主流的人工智能技术可以实现对一张图片属于什么类别进行预测，而本实施例所涉及的雷电临近预警，要求一张雷达图片（或闪电分布图片）能够得到一个地域范围内（如一个省）所有格点的雷电临近预警结果，可以理解为要求输入图片，输出也是图片的需求，这和现有人工智能图形处理的主流技术结构相比，具有显著的进步性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于切片处理的人工智能雷电临近预警方法，其特征在于，包括以下步骤：
步骤S1：对输入的雷达或闪电分布图像进行压缩处理；
步骤S2：对压缩后的雷达或闪电分布图像根据某个格点的预报需求进行切片处理；
步骤S3：建立深度学习模型，利用步骤S1与步骤S2处理过后的训练集对建立的深度学习模型进行训练；
步骤S4：将待预测的数据经步骤S1与步骤S2处理后输入步骤S3训练好的深度学习模型中进行预测。
2.根据权利要求1所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，步骤S1具体为：
对每个原始输入的雷达或闪电分布图像，对其进行分格，依次选取其中的m×m个网格压缩为一个网格，得到压缩后的图片，其中m小于当前样本图片每行或每列的网格数；其压缩方法为：将选取的m×m个网格的所有数值提取出来作为一个样本序列，取这个样本序列的统计特征值来表征该m×m个网格压缩后的网格的信息。
3.根据权利要求1所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，步骤S2具体为：
步骤S21：将压缩后的图片切分为一个以上的小格，根据实际需求选取一个格点，选取其属性Y作为某次样本采集的标签；其中属性Y为：设此时时刻为t，设雷电临近预警的时效为x分钟，若该格点在[t,t+x]的时段内探测到雷电，标记Y=1，否则标记为Y=0；
步骤S22：以该选定的格点为中心，根据实际需求向四周拓展预设的格点数，每个拓展的格点分别对应一个通道，该选定格点及其拓展格点形成一个小图片矩阵；
步骤S23：将一个小图片矩阵中每个格点的数据爬取下来，并将每个格点爬取下来的数据分别对应不同的通道，形成具有多个通道的格点化数据矩阵，并将其作为一个实际样本；
步骤S24：当已完成所有格点的选取则进入步骤S25，否则根据实际需求选取另一个格点作为选定格点，并返回步骤S22；
步骤S25：完成图像的切片处理，得到切片处理后的图片。
4.根据权利要求2所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，步骤S1中，所述统计特征值包括但不限于样本序列的最大值、中位数、1/4分位数、或3/4分位数中的一种或多种。
5.根据权利要求1所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，步骤S3中，所述深度学习模型依次包括：两个卷积层、池化层、两个卷积层、池化层、Flatten层、两个全连接层、sigmoid激活输出层。
6.根据权利要求5所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，每个卷积层采用2×2滤波器，移动步长为1，采用边界不填0的卷积处理方式，通道数按输入通道数的1.25倍数取整递增，采用BatchNormalization对每层输入值进行规范化处理，最后按relu激活函数对卷积层做非线性激活，取dropout=0.15防止模型的过拟合，将结果传递到下一层模型中。
7.根据权利要求5所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，每个池化层按MaxPooling模式进行池化操作，移动步长为2，采用边界不填0的卷积处理方式。
8.根据权利要求5所述的一种基于切片处理的人工智能雷电临近预警方法，其特征在于，每个全连接层都采用BatchNormalization对输入值进行规范化处理，选用relu激活函数，取dropout=0.15防止模型的过拟合。
9.一种基于切片处理的人工智能雷电临近预警系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序，其特征在于，所述处理器在运行该计算机程序时，实现如权利要求1-9任一项所述的方法步骤。
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，其特征在于，所述计算机程序在被处理器运行时实现如权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201934.0A CN110989040B (zh) | 2019-11-29 | 2019-11-29 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201934.0A CN110989040B (zh) | 2019-11-29 | 2019-11-29 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110989040A true CN110989040A (zh) | 2020-04-10 |
| CN110989040B CN110989040B (zh) | 2021-11-30 |
Family
ID=70088478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911201934.0A Expired - Fee Related CN110989040B (zh) | 2019-11-29 | 2019-11-29 | 一种基于切片处理的人工智能雷电临近预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110989040B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009192311A (ja) * | 2008-02-13 | 2009-08-27 | Nippon Telegr & Teleph Corp <Ntt> | 発雷予測装置およびその方法、プログラム |
| CA2845319A1 (en) * | 2013-05-17 | 2014-11-17 | The Boeing Company | Systems and methods for detection of clear air turbulence |
| EP2891904A1 (en) * | 2014-01-07 | 2015-07-08 | ABB Technology AB | Solar irradiance forecasting |
| CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
| CN109101732A (zh) * | 2018-08-15 | 2018-12-28 | 四川大学 | 基于地形特征界线的无汊河道二维结构网格剖分方法 |
| CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
-
2019
- 2019-11-29 CN CN201911201934.0A patent/CN110989040B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009192311A (ja) * | 2008-02-13 | 2009-08-27 | Nippon Telegr & Teleph Corp <Ntt> | 発雷予測装置およびその方法、プログラム |
| CA2845319A1 (en) * | 2013-05-17 | 2014-11-17 | The Boeing Company | Systems and methods for detection of clear air turbulence |
| EP2891904A1 (en) * | 2014-01-07 | 2015-07-08 | ABB Technology AB | Solar irradiance forecasting |
| CN108508505A (zh) * | 2018-02-05 | 2018-09-07 | 南京云思创智信息科技有限公司 | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 |
| CN109101732A (zh) * | 2018-08-15 | 2018-12-28 | 四川大学 | 基于地形特征界线的无汊河道二维结构网格剖分方法 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
| CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 省发改委: "福建省发布百项人工智能深度应用场景并面向全国征集解决方案", 《综合服务平台-厦门市中小企业公共服务示范平台》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
| CN113204903B (zh) * | 2021-04-29 | 2022-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110989040B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182474B (zh) | 一种预流失用户的识别方法 | |
| CN114549563A (zh) | 一种基于DeepLabV3+的复合绝缘子实时分割方法及系统 | |
| CN105184367A (zh) | 深度神经网络的模型参数训练方法及系统 | |
| WO2020207393A1 (zh) | 算子运算调度方法和装置 | |
| CN112541584B (zh) | 深度神经网络模型并行模式选择方法 | |
| CN115457389B (zh) | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 | |
| CN114154646A (zh) | 一种移动边缘网络中联邦学习的效率优化方法 | |
| CN112417752A (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
| CN113535831A (zh) | 一种基于大数据的报表分析方法、装置、设备和介质 | |
| CN110989040B (zh) | 一种基于切片处理的人工智能雷电临近预警方法及系统 | |
| CN101908214A (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
| CN104794726B (zh) | 一种水下图像并行分割方法及装置 | |
| CN112634158A (zh) | 人脸图像恢复方法、装置、计算机设备及存储介质 | |
| CN115511186A (zh) | 一种深度学习训练时长的预测管理方法、装置及设备 | |
| CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
| CN114169506A (zh) | 一种基于工业物联网平台的深度学习边缘计算系统框架 | |
| CN112711985B (zh) | 基于改进solo网络的果实识别方法、装置及机器人 | |
| CN115604131B (zh) | 一种链路流量预测方法、系统、电子设备及介质 | |
| CN116106909A (zh) | 一种雷达回波外推方法、系统及存储介质 | |
| CN112487911B (zh) | 智能监控环境下基于改进yolov3的实时行人检测方法及装置 | |
| CN115052154A (zh) | 一种模型训练和视频编码方法、装置、设备及存储介质 | |
| CN114363951B (zh) | 一种多小区间流量协同预测方法及装置 | |
| CN116345498B (zh) | 数据-模型混合驱动的电力系统的频率紧急协调控制方法 | |
| CN115879747B (zh) | 一种数字化防汛抗旱调度方法和系统 | |
| LIU et al. | A case study on intelligent operation system for wireless networks |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |