CN111239739A - 气象雷达回波图预测方法、装置、计算机设备和存储介质 - Google Patents
气象雷达回波图预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111239739A CN111239739A CN202010026569.0A CN202010026569A CN111239739A CN 111239739 A CN111239739 A CN 111239739A CN 202010026569 A CN202010026569 A CN 202010026569A CN 111239739 A CN111239739 A CN 111239739A
- Authority
- CN
- China
- Prior art keywords
- radar echo
- network
- historical
- initial
- predicted
- 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
Classifications
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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
- G01S7/35—Details of non-pulse systems
-
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种气象雷达回波图预测方法、装置、计算机设备和存储介质。所述气象雷达回波图预测方法包括:获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。采用本方法能够提升气象雷达回波图的预测准确度,提升基于气象雷达回波图的强天气临近预报的准确度。
Description
技术领域
本发明涉及气象雷达技术领域,特别是涉及一种气象雷达回波图预测方法、装置、计算机设备和存储介质。
背景技术
气象雷达回波,是由雷达发射、经大气及其悬浮物散射而返回的被雷达天线所接收的电磁波。由这些电磁波转换的信号所对应的图像称为气象雷达回波图。分析气象雷达回波图,可及时发现台风、雷暴、暴雨、冰雹、龙卷风等灾害性天气的强度、位置及其移动变化情况。
传统技术中,采用持续性预报法或交叉相关法预报雷暴体的演变和运动。持续性预报法中,假设所有气象雷达回波的大小和强度在预报期间内保持不变,且以固定速度平移;交叉相关法是选取连续两个时刻的气象雷达回波图,将图像区域划分为32×32像素的图像子集,采用交叉相关法计算两幅图像的最佳匹配区域,根据前后图像匹配区域的位置和时间间隔,确定出每个图像子集的移动矢量,根据图像移动矢量集,利用后向轨迹方法对图像作短时外推预测。
但是,上述持续性预报法和交叉相关法,均存在风暴体识别的准确度低的情况,使得强天气临近预报的准确度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升基于气象雷达回波图的强天气临近预报的准确度的气象雷达回波图预测方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供了一种气象雷达回波图预测方法,所述气象雷达回波图预测方法包括:
获取目标区域在多个不同历史时刻的历史气象雷达回波图;
根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
在其中一个实施例中,所述目标生成器网络包括编码递归网络和解码递归网络,所述根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图,包括:
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪;
将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据;
将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图。
在其中一个实施例中,所述编码递归网络包括多个编码子网络;所述将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据,包括:
将裁剪后的各历史气象雷达回波图输入至各所述编码子网络中,得到各所述历史气象雷达回波图的时序特征数据和内容特征数据;不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
在其中一个实施例中,所述解码递归网络包括多个解码子网络;所述将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图,包括:
将各所述编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;不同的解码子网络用于输出不同尺度的回波图;
根据各所述预测时刻对应的多个不同尺度的回波图,生成所述目标区域在各所述预测时刻的预测气象雷达回波图。
在其中一个实施例中,所述目标生成器网络的训练过程包括:
获取多个样本气象雷达回波图;
根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络。
在其中一个实施例中,所述根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络,包括:
将所述多个样本气象雷达回波图输入至所述初始生成器网络,得到多个预测图像;
将所述多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据所述第一损失值,对所述初始鉴别器网络的参数进行调整;
将所述多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各所述预测图像和对应的真实图像进行比较,得到第三损失值;
根据所述第二损失值和所述第三损失值的和,对所述初始生成器网络的参数进行调整,直至所述第二损失值和所述第三损失值的和小于预设阈值。
在其中一个实施例中,所述初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。
第二方面,本申请实施例提供一种气象雷达回波图预测装置,所述装置包括:
第一获取模块,用于获取目标区域在多个不同历史时刻的历史气象雷达回波图;
预测模块,用于根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的;由此,根据初始生成器网络和初始鉴别器网络训练得到目标生成器网络,在应用中即可根据各历史气象雷达回波图和目标生成器网络来获取目标区域在多个不同预测时刻的预测气象雷达回波图;避免了传统技术中,采用持续性预报法或交叉相关法预报雷暴体的演变和运动,造成的风暴体识别准确度低、强天气临近预报的准确度的问题。本申请基于机器学习模型,即目标生成器网络,来预测气象雷达回波图,能够提升气象雷达回波图的预测准确度,进而提升了基于气象雷达回波图的强天气临近预报的准确度。
附图说明
图1为一个实施例提供的气象雷达回波图预测方法的流程示意图;
图2为一个实施例中多个历史气象雷达回波图的示意图;
图3为一个实施例中多个预测气象雷达回波图的预测效果示意图;
图4为一个实施例中各预测气象雷达回波图分别对应的真实气象雷达回波图的示意图;
图5为一个实施例提供的气象雷达回波图预测方法的流程示意图;
图6为一个实施例提供的气象雷达回波图预测方法的流程示意图;
图7为一个实施例提供的目标生成器网络训练过程的流程示意图;
图8为一个实施例提供的目标生成器网络训练过程中步骤S320的细化步骤示意图;
图9为一个实施例提供的气象雷达回波图预测装置的结构框图;
图10为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的气象雷达回波图预测方法、装置、计算机设备和存储介质,旨在解决传统技术中,基于持续性预报法和交叉相关法的强天气临近预报的准确度低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
需要说明的是,本申请实施例提供的气象雷达回波图预测方法,其执行主体可以是气象雷达回波图预测装置,该气象雷达回波图预测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明,计算机设备可以是服务器;可以理解的是,下述方法实施例提供的气象雷达回波图预测方法,也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
请参考图1,其示出了本申请实施例提供的一种气象雷达回波图预测方法的流程示意图。如图1所示,本实施例气象雷达回波图预测方法可以包括以下步骤:
步骤S100,获取目标区域在多个不同历史时刻的历史气象雷达回波图。
计算机设备获取多个不同历史时刻,目标区域的历史气象雷达回波图。具体地,计算机设备可以通过雷达装置,获取目标区域在每个历史时刻的雷达气象数据,对雷达气象数据进行处理,得到每个历史时刻的历史气象雷达回波图。雷达装置每隔预设时长生成一次雷达气象数据,例如,雷达装置每5分钟生成一次雷达气象数据,则多个不同历史时刻中,相邻历史时刻之间的时间间隔为5分钟。各历史时刻均为最早预测时刻之前的时刻,最早预测时刻为多个不同预测时刻中的最早时刻,例如,多个预测时刻分别为9:00、9:05、9:10、9:15、9:20、9:25、9:30、9:35、9:40、9:45,等等,则最早预测时刻为9:00,各历史时刻分别为:8:10、8:15、8:20、8:25、8:30、8:35、8:40、8:45、8:50、8:55。可以理解的是,预设时长、预测时刻、历史时刻也可以存在其它实施形式。
本实施例中,作为一种实施方式,计算机设备获取最早预测时刻之前,10个不同历史时刻的历史气象雷达回波图,相邻历史时刻之间的时间间隔均为5分钟,则计算机设备获取到10张历史气象雷达回波图。
步骤S200,根据各历史气象雷达回波图和目标生成器网络,获取目标区域在多个不同预测时刻的预测气象雷达回波图。
目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
计算机设备根据获取的多个不同历史时刻的历史气象雷达回波图和目标生成器网络,获取目标区域在多个不同预测时刻的预测气象雷达回波图。
本实施例中,计算机设备基于GAN(Generative Adversarial Network,生成对抗网络)模型框架,训练得到目标生成器。即通过初始生成器网络和初始鉴别器网络在训练过程中的互相对抗来达到更好的生成效果,得到目标生成器。
计算机设备将多个历史气象雷达回波图处理后输入至目标生成器网络,得到多个不同预测时刻的预测气象雷达回波图。计算机设备对多个历史气象雷达回波图进行处理,可以是根据预设尺寸对各历史气象雷达回波图分别进行裁剪,以使裁剪后的各历史气象雷达回波图满足编码递归网络的输入需求。
进一步地,作为一种实施方式,计算机设备获取目标区域在多个不同预测时刻的预测气象雷达回波图后,将多个预测气象雷达回波图整理、可视化显示,方便对目标区域进行强天气临近预报。
本实施例通过获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据各历史气象雷达回波图和目标生成器网络,获取目标区域在多个不同预测时刻的预测气象雷达回波图;目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的;在一次预测过程中,参见图2,图2中的10幅图像,为10个不同历史时刻分别对应的处理后的历史气象雷达回波图,相邻历史时刻之间的时间间隔为5分钟。计算机设备将该处理后的10个历史气象雷达回波图输入至目标生成器网络,得到如图3所示的20个不同预测时刻分别对应的预测气象雷达回波图,相邻预测时刻之间间隔为5分钟;由此,计算机设备根据初始生成器网络和初始鉴别器网络训练得到目标生成器网络,在应用中即可根据各历史气象雷达回波图和目标生成器网络来获取目标区域在多个不同预测时刻的预测气象雷达回波图;避免了传统技术中,采用持续性预报法或交叉相关法预报雷暴体的演变和运动,造成的风暴体识别准确度低、强天气临近预报的准确度的问题。
本实施例基于机器学习模型,即目标生成器网络,来预测气象雷达回波图,能够提升气象雷达回波图的预测准确度,参见图4,图4为后期获取的上述20个不同预测时刻分别对应的真实气象雷达回波图,由此,本实施例提高了预测结果的视觉真实性,提升了基于气象雷达回波图的强天气临近预报的准确度。
图5为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图1所示实施例的基础上,本实施例中,目标生成器网络包括编码递归网络和解码递归网络。如图5所示,本实施例中,步骤S200包括步骤S210、步骤S220和步骤S230,具体地:
步骤S210,根据预设尺寸对各历史气象雷达回波图分别进行裁剪。
计算机设备获取目标区域在多个不同历史时刻的历史气象雷达回波图,根据预设尺寸对各历史气象雷达回波图分别进行裁剪,以使裁剪后的各历史气象雷达回波图满足编码递归网络的输入需求;例如,将各历史气象雷达回波图裁剪为128*128像素,得到多个裁剪后的历史气象雷达回波图。
步骤S220,将裁剪后的各历史气象雷达回波图输入至编码递归网络中,得到各历史气象雷达回波图分别对应的特征数据。
计算机设备将裁剪后的各历史气象雷达回波图输入至编码递归网络中,得到该编码递归网络输出的每个历史气象雷达回波图在不同尺度下的特征数据;例如,语义上的特征数据、状态上的特征数据,等等。
步骤S230,将各特征数据输入至解码递归网络中,得到目标区域在多个不同预测时刻的预测气象雷达回波图。
计算机设备将各历史气象雷达回波图分别对应的特征数据输入至解码递归网络中,得到目标区域在多个不同预测时刻的预测气象雷达回波图。由此,基于编码递归网络和解码递归网络组成的目标生成器网络,来预测气象雷达回波图,提升了气象雷达回波图的预测准确度,提升了基于气象雷达回波图的强天气临近预报的准确度。
参见图6,图6为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图5所示实施例的基础上,本实施例中,编码递归网络包括多个编码子网络,步骤S220具体包括步骤S221:
步骤S221,将裁剪后的各历史气象雷达回波图输入至各编码子网络中,得到各历史气象雷达回波图的时序特征数据和内容特征数据。
不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
本实施例中,编码递归网络包括多个编码子网络;例如,编码递归网络包括第一编码子网络、第二编码子网络和第三编码子网络,计算机设备将处理后的多个历史气象雷达回波图输入至编码递归网络后,第一编码子网络提取每个历史气象雷达回波图的时序特征数据和第一尺度下的内容特征数据,第二编码子网络提取每个历史气象雷达回波图第二尺度下的内容特征数据,第三编码子网络提取每个历史气象雷达回波图第三尺度下的内容特征数据,由此,得到各历史气象雷达回波图的时序特征数据和不同尺度下的内容特征数据。
进一步地,本实施例中,解码递归网络包括多个解码子网络,如图6所示,步骤S230具体包括步骤S231和步骤S232:
步骤S231,将各编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图。
不同的解码子网络用于输出不同尺度的回波图。
计算机设备将各编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中;例如,解码递归网络同样包括第一解码子网络、第二解码子网络和第三解码子网络,计算机设备将第一编码子网络输出的多个历史气象雷达回波图的时序特征数据和第一尺度下的内容特征数据,输入至第一解码子网络,得到每个预测时刻与第一尺度对应的回波图;同理,计算机设备将第二编码子网络输出的多个历史气象雷达回波图在第二尺度下的内容特征数据,输入至第二解码子网络,得到每个预测时刻与第二尺度对应的回波图;计算机设备将第三编码子网络输出的多个历史气象雷达回波图在第三尺度下的内容特征数据,输入至第三解码子网络,得到每个预测时刻与第三尺度对应的回波图,由此,得到每个预测时刻对应的多个不同尺度的回波图。
步骤S232,根据各预测时刻对应的多个不同尺度的回波图,生成目标区域在各预测时刻的预测气象雷达回波图。
计算机设备根据每个预测时刻对应的多个不同尺度的回波图,生成对应预测时刻的一张预测气象雷达回波图输出。
本实施例通过获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据预设尺寸对各历史气象雷达回波图分别进行裁剪;将裁剪后的各历史气象雷达回波图输入至各编码子网络中,得到各历史气象雷达回波图的时序特征数据和内容特征数据;将各编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;根据各预测时刻对应的多个不同尺度的回波图,生成目标区域在各预测时刻的预测气象雷达回波图;由此,在预测过程中,解码递归网络的所有特征数据均来自编码递归网络对多个历史气象雷达回波图的提取,避免了信息丢失及计算资源的额外消耗,减小了计算资源消耗,且目标生成器网络内部结构简单,减小了梯度传播的复杂度,提高了网络的学习效率。本实施例中,编码递归网络提取各历史气象雷达回波图的时序特征数据和不同尺度下的内容特征数据,不同尺度增加了特征数据的丰富性,提升了预测效果;不同的编码子网络及解码子网络分别处理不同尺度的特征数据,提升了数据处理的效率。
在上述图1所示实施例的基础上,参见图7,图7为目标生成器网络训练过程的流程示意图。如图7所示,本实施例目标生成器网络的训练过程包括步骤S310和步骤S320,具体地:
步骤S310,获取多个样本气象雷达回波图。
计算机设备获取目标区域对应的多个样本气象雷达回波图,多个样本气象雷达回波图可以是目标区域在各历史时刻的多个气象雷达回波图。
步骤S320,根据多个样本气象雷达回波图和初始鉴别器网络,训练初始生成器网络,得到目标生成器网络。
计算机设备根据多个样本气象雷达回波图和初始鉴别器网络,训练初始生成器网络,得到目标生成器网络。
本实施例中,作为一种实施方式,参见图8,图8为步骤S320的细化步骤示意图。如图8所示,步骤S320包括步骤S321、步骤S322、步骤S323和步骤S324,具体地:
步骤S321,将多个样本气象雷达回波图输入至初始生成器网络,得到多个预测图像。
在迭代训练过程中,计算机设备将多个样本气象雷达回波图输入至初始生成器网络,得到多个预测图像。
初始生成器网络为参数初始化的生成器网络。
步骤S322,将多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据第一损失值,对初始鉴别器网络的参数进行调整。
计算机设备将多个预测图像和每个预测图像对应的真实图像输入至初始鉴别器网络。初始鉴别器网络对每张图像进行判别,对于每个预测图像或真实图像,初始鉴别器网络都会输出标签0或者1。计算机设备根据初始鉴别器网络对每张图像的判别结果,对初始鉴别器网络给出的标签结果计算交叉熵损失函数得到对应梯度,即第一损失值,再通过反向传播技术对初始鉴别器网络的参数进行调整,从而使初始鉴别器网络得到训练。
进一步地,作为一种实施方式,初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。计算机设备将多个预测图像和每个预测图像对应的真实图像,输入至初始视频鉴别器网络和初始图像鉴别器网络,训练初始视频鉴别器网络和初始图像鉴别器网络。本实施例采用双鉴别器的方式,可以进一步提高预测图像的动态效果和真实性,并加速网络模型的学习速度。
步骤S323,将多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各预测图像和对应的真实图像进行比较,得到第三损失值。
计算机设备将多个预测图像输入至参数调整后的鉴别器网络,得到对应交叉熵损失,即第二损失值。
计算机设备将各预测图像和对应的真实图像进行比较,计算各预测图像和其对应的真实图像的均方值误差,得到图片损失,即第三损失值。
步骤S324,根据第二损失值和第三损失值的和,对初始生成器网络的参数进行调整,直至第二损失值和第三损失值的和小于预设阈值。
计算机设备将第二损失值和第三损失值的和作为梯度,通过反向传播技术对初始生成器网络的参数进行调整,使得初始生成器网络得到训练。
初始生成器网络和初始鉴别器网络在多次迭代过程中,通过相互博弈,参数不断优化,直至第二损失值和第三损失值的和小于预设阈值,预设阈值例如为0.1,则确定模型收敛;此时的生成器网络的参数则确定为目标生成器网络的参数,得到目标生成器网络。
计算机设备将多个样本气象雷达回波图输入至目标生成器网络,即可得到目标生成器网络输出的多个预测结果图像。本实施例中,作为一种实施方式,获取多个预测结果图像分别对应的真实图像对目标生成器网络的效果进行验证,可以理解的是,训练过程中,采用的均为历史数据,多个预测结果图像对应的时刻均有真实的气象雷达回波图,计算机设备将多个预测结果图像与其对应的真实图像进行比较,对目标生成器网络进行验证。
本实施例中,作为一种实施方式,可以定期对目标生成器网络的模型效果进行验证,以修正目标生成器网络的参数,确保模型效果。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种气象雷达回波图预测装置,包括:
第一获取模块10,用于获取目标区域在多个不同历史时刻的历史气象雷达回波图;
预测模块20,用于根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
可选地,所述目标生成器网络包括编码递归网络和解码递归网络;所述预测模块20包括:
裁剪子模块,用于根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪;
提取子模块,用于将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据;
预测子模块,用于将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图。
可选地,所述编码递归网络包括多个编码子网络;所述提取子模块包括:
提取单元,用于将裁剪后的各历史气象雷达回波图输入至各所述编码子网络中,得到各所述历史气象雷达回波图的时序特征数据和内容特征数据;不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
可选地,所述解码递归网络包括多个解码子网络;所述预测子模块包括:
第一预测单元,用于将各所述编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;不同的解码子网络用于输出不同尺度的回波图;
第二预测单元,用于根据各所述预测时刻对应的多个不同尺度的回波图,生成所述目标区域在各所述预测时刻的预测气象雷达回波图。
可选的,所述装置还包括:
第二获取模块,用于获取多个样本气象雷达回波图;
训练模块,用于根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络。
可选地,所述训练模块包括:
第一获取单元,用于将所述多个样本气象雷达回波图输入至所述初始生成器网络,得到多个预测图像;
第一训练单元,用于将所述多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据所述第一损失值,对所述初始鉴别器网络的参数进行调整;
第二获取单元,用于将所述多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各所述预测图像和对应的真实图像进行比较,得到第三损失值;
第二训练单元,用于根据所述第二损失值和所述第三损失值的和,对所述初始生成器网络的参数进行调整,直至所述第二损失值和所述第三损失值的和小于预设阈值。
可选地,所述初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。
本实施例提供的气象雷达回波图预测装置,可以执行上述气象雷达回波图预测方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于气象雷达回波图预测装置的具体限定可以参见上文中对于气象雷达回波图预测方法的限定,在此不再赘述。上述气象雷达回波图预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,还提供了一种如图10所示的计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储气象雷达回波图预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气象雷达回波图预测方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体地计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
在一个实施例中,所述目标生成器网络包括编码递归网络和解码递归网络;处理器执行计算机程序时还实现以下步骤:
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪;将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据;将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图。
在一个实施例中,所述编码递归网络包括多个编码子网络;处理器执行计算机程序时还实现以下步骤:
将裁剪后的各历史气象雷达回波图输入至各所述编码子网络中,得到各所述历史气象雷达回波图的时序特征数据和内容特征数据;不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
在一个实施例中,所述解码递归网络包括多个解码子网络;处理器执行计算机程序时还实现以下步骤:
将各所述编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;不同的解码子网络用于输出不同尺度的回波图;根据各所述预测时刻对应的多个不同尺度的回波图,生成所述目标区域在各所述预测时刻的预测气象雷达回波图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个样本气象雷达回波图;根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述多个样本气象雷达回波图输入至所述初始生成器网络,得到多个预测图像;将所述多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据所述第一损失值,对所述初始鉴别器网络的参数进行调整;将所述多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各所述预测图像和对应的真实图像进行比较,得到第三损失值;根据所述第二损失值和所述第三损失值的和,对所述初始生成器网络的参数进行调整,直至所述第二损失值和所述第三损失值的和小于预设阈值。
在一个实施例中,所述初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Ramb微秒)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标区域在多个不同历史时刻的历史气象雷达回波图;根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
在一个实施例中,所述目标生成器网络包括编码递归网络和解码递归网络;计算机程序被处理器执行时还实现以下步骤:
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪;将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据;将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图。
在一个实施例中,所述编码递归网络包括多个编码子网络;计算机程序被处理器执行时还实现以下步骤:
将裁剪后的各历史气象雷达回波图输入至各所述编码子网络中,得到各所述历史气象雷达回波图的时序特征数据和内容特征数据;不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
在一个实施例中,所述解码递归网络包括多个解码子网络;计算机程序被处理器执行时还实现以下步骤:
将各所述编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;不同的解码子网络用于输出不同尺度的回波图;根据各所述预测时刻对应的多个不同尺度的回波图,生成所述目标区域在各所述预测时刻的预测气象雷达回波图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个样本气象雷达回波图;根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述多个样本气象雷达回波图输入至所述初始生成器网络,得到多个预测图像;将所述多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据所述第一损失值,对所述初始鉴别器网络的参数进行调整;将所述多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各所述预测图像和对应的真实图像进行比较,得到第三损失值;根据所述第二损失值和所述第三损失值的和,对所述初始生成器网络的参数进行调整,直至所述第二损失值和所述第三损失值的和小于预设阈值。
在一个实施例中,所述初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种气象雷达回波图预测方法,其特征在于,所述方法包括:
获取目标区域在多个不同历史时刻的历史气象雷达回波图;
根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述目标生成器网络包括编码递归网络和解码递归网络;所述根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图,包括:
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪;
将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据;
将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图。
3.根据权利要求2所述的方法,其特征在于,所述编码递归网络包括多个编码子网络;所述将裁剪后的各历史气象雷达回波图输入至所述编码递归网络中,得到各所述历史气象雷达回波图分别对应的特征数据,包括:
将裁剪后的各历史气象雷达回波图输入至各所述编码子网络中,得到各所述历史气象雷达回波图的时序特征数据和内容特征数据;不同的编码子网络用于输出不同尺度下的时序特征数据和内容特征数据。
4.根据权利要求3所述的方法,其特征在于,所述解码递归网络包括多个解码子网络;所述将各特征数据输入至所述解码递归网络中,得到所述目标区域在多个不同预测时刻的预测气象雷达回波图,包括:
将各所述编码子网络输出的时序特征数据和内容特征数据输入至对应的解码子网络中,得到每个预测时刻对应的多个不同尺度的回波图;不同的解码子网络用于输出不同尺度的回波图;
根据各所述预测时刻对应的多个不同尺度的回波图,生成所述目标区域在各所述预测时刻的预测气象雷达回波图。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述目标生成器网络的训练过程包括:
获取多个样本气象雷达回波图;
根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多个样本气象雷达回波图和所述初始鉴别器网络,训练所述初始生成器网络,得到所述目标生成器网络,包括:
将所述多个样本气象雷达回波图输入至所述初始生成器网络,得到多个预测图像;
将所述多个预测图像和对应的真实图像输入至初始鉴别器网络,得到第一损失值,并根据所述第一损失值,对所述初始鉴别器网络的参数进行调整;
将所述多个预测图像输入至参数调整后的鉴别器网络,得到第二损失值,并将各所述预测图像和对应的真实图像进行比较,得到第三损失值;
根据所述第二损失值和所述第三损失值的和,对所述初始生成器网络的参数进行调整,直至所述第二损失值和所述第三损失值的和小于预设阈值。
7.根据权利要求6所述的方法,其特征在于,所述初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。
8.一种气象雷达回波图预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域在多个不同历史时刻的历史气象雷达回波图;
预测模块,用于根据各所述历史气象雷达回波图和目标生成器网络,获取所述目标区域在多个不同预测时刻的预测气象雷达回波图;所述目标生成器网络是根据初始生成器网络和初始鉴别器网络训练得到的。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026569.0A CN111239739A (zh) | 2020-01-10 | 2020-01-10 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026569.0A CN111239739A (zh) | 2020-01-10 | 2020-01-10 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111239739A true CN111239739A (zh) | 2020-06-05 |
Family
ID=70870829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026569.0A Pending CN111239739A (zh) | 2020-01-10 | 2020-01-10 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239739A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638496A (zh) * | 2020-06-08 | 2020-09-08 | 上海眼控科技股份有限公司 | 雷达回波数据处理方法、计算机设备和介质 |
CN112363251A (zh) * | 2020-10-26 | 2021-02-12 | 上海眼控科技股份有限公司 | 天气预测模型的生成方法、天气预测方法、装置 |
CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
CN114691918A (zh) * | 2022-04-01 | 2022-07-01 | 北京百度网讯科技有限公司 | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
CN116148801A (zh) * | 2023-04-18 | 2023-05-23 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的目标检测方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07140227A (ja) * | 1993-11-15 | 1995-06-02 | Japan Radio Co Ltd | 気象レーダ画像の3次元表示装置 |
EP1229348A1 (fr) * | 2001-01-30 | 2002-08-07 | Meteo-France | Procédé de détection et de caractérisation d'obstacles par un système radar |
JP2008147943A (ja) * | 2006-12-08 | 2008-06-26 | Mitsubishi Electric Corp | 送受信モジュール装置及び送受信モジュールの駆動方法 |
CN103245950A (zh) * | 2012-02-09 | 2013-08-14 | 北京雷音电子技术开发有限公司 | 配接于多功能雷达的气象终端 |
JP5945014B1 (ja) * | 2015-01-09 | 2016-07-05 | 中国電力株式会社 | 発電量予測装置、発電量予測装置の制御方法及びプログラム |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN108520199A (zh) * | 2018-03-04 | 2018-09-11 | 天津大学 | 基于雷达图像与生成对抗模型的人体动作开集识别方法 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
CN109782241A (zh) * | 2019-03-29 | 2019-05-21 | 北京润科通用技术有限公司 | 一种气象雷达回波模拟方法及系统 |
CN110045335A (zh) * | 2019-03-01 | 2019-07-23 | 合肥工业大学 | 基于生成对抗网络的雷达目标航迹识别方法和装置 |
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN110568442A (zh) * | 2019-10-15 | 2019-12-13 | 中国人民解放军国防科技大学 | 一种基于对抗外推神经网络的雷达回波外推方法 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
-
2020
- 2020-01-10 CN CN202010026569.0A patent/CN111239739A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07140227A (ja) * | 1993-11-15 | 1995-06-02 | Japan Radio Co Ltd | 気象レーダ画像の3次元表示装置 |
EP1229348A1 (fr) * | 2001-01-30 | 2002-08-07 | Meteo-France | Procédé de détection et de caractérisation d'obstacles par un système radar |
JP2008147943A (ja) * | 2006-12-08 | 2008-06-26 | Mitsubishi Electric Corp | 送受信モジュール装置及び送受信モジュールの駆動方法 |
CN103245950A (zh) * | 2012-02-09 | 2013-08-14 | 北京雷音电子技术开发有限公司 | 配接于多功能雷达的气象终端 |
JP5945014B1 (ja) * | 2015-01-09 | 2016-07-05 | 中国電力株式会社 | 発電量予測装置、発電量予測装置の制御方法及びプログラム |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN108520199A (zh) * | 2018-03-04 | 2018-09-11 | 天津大学 | 基于雷达图像与生成对抗模型的人体动作开集识别方法 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
CN110045335A (zh) * | 2019-03-01 | 2019-07-23 | 合肥工业大学 | 基于生成对抗网络的雷达目标航迹识别方法和装置 |
CN109782241A (zh) * | 2019-03-29 | 2019-05-21 | 北京润科通用技术有限公司 | 一种气象雷达回波模拟方法及系统 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
CN110568442A (zh) * | 2019-10-15 | 2019-12-13 | 中国人民解放军国防科技大学 | 一种基于对抗外推神经网络的雷达回波外推方法 |
Non-Patent Citations (3)
Title |
---|
SONAM SINGH; SUDESHNA SARKAR; PABITRA MITRA: "《A deep learning based approach with adversarial regularization for Doppler weather radar ECHO prediction》", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
林开平: "《人工神经网络的泛化性能与降水预报的应用研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
陈元昭;林良勋;王蕊;兰红平;叶允明: "《基于生成对抗网络GAN的人工智能临近预报方法研究》", 《大气科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638496A (zh) * | 2020-06-08 | 2020-09-08 | 上海眼控科技股份有限公司 | 雷达回波数据处理方法、计算机设备和介质 |
CN112363251A (zh) * | 2020-10-26 | 2021-02-12 | 上海眼控科技股份有限公司 | 天气预测模型的生成方法、天气预测方法、装置 |
CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
CN114691918A (zh) * | 2022-04-01 | 2022-07-01 | 北京百度网讯科技有限公司 | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
CN116148801A (zh) * | 2023-04-18 | 2023-05-23 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239739A (zh) | 气象雷达回波图预测方法、装置、计算机设备和存储介质 | |
CN111242372A (zh) | 气象雷达回波图预测方法、装置、计算机设备和存储介质 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
US11983245B2 (en) | Unmanned driving behavior decision-making and model training | |
CN111629262A (zh) | 视频图像处理方法和装置、电子设备及存储介质 | |
Wang et al. | On deep learning-based bias correction and downscaling of multiple climate models simulations | |
US20230117633A1 (en) | Method and apparatus for predicting node state | |
CN111337929A (zh) | 气象云图预测方法、装置、计算机设备和存储介质 | |
CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
JP2020098587A (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN113490965A (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
CN111028260A (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
CN115546519B (zh) | 一种提取伪图像特征的图像和毫米波雷达目标的匹配方法 | |
CN116745653A (zh) | 使用生成式神经网络的临近预报 | |
CN113159434A (zh) | 一种雷达回波预测方法、装置、设备及存储介质 | |
CN115860067B (zh) | 生成对抗网络训练方法、装置、计算机设备及存储介质 | |
CN112528763A (zh) | 一种目标检测方法、电子设备和计算机存储介质 | |
CN111476879A (zh) | 一种点云数据的处理方法、终端及存储介质 | |
CN111507929A (zh) | 气象云图预测方法、装置、计算机设备和存储介质 | |
CN115407299A (zh) | 基于伯努利滤波器算法的弱小目标检测方法和装置 | |
CN109493366A (zh) | 基于探鸟雷达图像的背景建模方法、系统及介质 | |
CN110874553A (zh) | 一种识别模型训练方法及装置 | |
CN111008604A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230509 |