CN112085060A - 基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置 - Google Patents

Abstract

本发明提供了种基于SVT‑DTSVMs的双偏振气象雷达降水粒子分类方法及装置，所述方法包括：获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类，通过本发明提供的方法及装置可以缓解现有技术中存在的双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失的技术问题。

Description

基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置

技术领域

本发明涉及气象分析的技术领域，尤其是涉及一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置。

背景技术

降水粒子分类研究对于灾害天气的识别、预警、数值预报以及人工影响天气的作业指挥和效果评估都有十分重要的意义。双偏振气象雷达与传统雷达相比可额外获取差分反射率、差分传播相移、差分传播相移率以及互相关系数等偏振参量，是近年降水粒子分类研究领域的研究热点。

双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失问题。产生数据缺失的主要原因包括：①双偏振气象雷达对降水的定量测量的能力完全依赖于降水粒子满足瑞利散射条件这一假设条件，一旦某些较大降水粒子不满足瑞利散射条件，根据米散射理论，计算雷达偏振参量时会产生很多异常值，常用的处理方法是剔除异常值转化为数据缺失问题。②地杂波抑制通常采用频域高通滤波法，当气象回波与地杂波偏振参量取值相似时，会将气象回波一同滤除，从而造成雷达回波数据缺失。③受到雷达系统本身误差、电磁波信号衰减、以及人为操作失误等多种因素的影响，雷达获得的偏振参量数据容易产生缺失和异常值。当某一雷达偏振参量存在数据缺失时，其产生的原因、数据缺失的位置和缺失规模不尽相同，称这种数据缺失为随机缺失，随机缺失将对下一步的数据处理以及降水粒子分类造成较大影响。

发明内容

有鉴于此，本发明的目的在于提供一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置，以缓解现有技术中存在的双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失的技术问题。

本发明提供了一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法，应用于服务器，包括：

获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类。

优选的，在步骤1)中：获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据中，包括所述双偏振雷达气象数据包括反射率因子、差分反射率因子、零滞后互相关系数；

具体采用如下公式获取收缩阈值τ：

双偏振雷达气象数据的矩阵奇异值向量为q＝(q₁,q₂,…,q_N)；

当Δq_i<η≤Δq_i+1(i＝37,38,…,360)时，收缩阈值τ＝q_i+1；

η-下降比率门限；

具体采用如下公式进行迭代

B为迭代过程的辅助矩阵，B⁰＝0；

D_τ(B)＝UD_τ(Σ)V^T-奇异值收缩算子；

迭代后获取误差比率

(||·||_F表示矩阵的F-范数)并与终止门限ε(一般取5％≤ε≤10％)比较大小，若

则停止迭代，输出重构结果，反之继续迭代。

优选的，所述利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重构后的数据进行降水粒子分类的步骤中：

对反射率因子、差分反射率因子、零滞后互相关系数进行数据重构后，设置DTSVMs分类器输出为地杂波C₁、冰晶C₂、干雪C₃、湿雪C₄、雨C₅、暴雨C₆、大雨滴C₇、霰C₈、雨夹雹C₉9种结果，记训练样本(z_i,c_i),i＝1,...,n，其中

c_i∈{-1,+1}，-1代表一种降水粒子，+1代表余下8种降水粒子，且ω·z+b＝0使训练样本恰好分开，并满足分类间隔最大；

求解线性约束

采用如下公式获取最优分类公式：

z_k,z_l(k∈{1,2…,n},l∈{1,2…,n})分别表示第k和第l号训练样本；

反射率因子、差分反射率因子、零滞后互相关系数

Z_H-反射率因子；Z_DR-差分反射率因子；

-零滞后互相关系数。

本发明提供了一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类装置，包括：

数据重构模块：用于获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

分类训练模块：用于利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类。

本发明实施例带来了以下有益效果：本发明提供了一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置，所述方法包括：获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重构后的数据进行降水粒子分类，通过本发明提供的方法及装置可以缓解现有技术中存在的双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法流程图；

图2为图1为本发明实施例提供的一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失，基于此，本发明实施例提供的基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置，可以缓解现有技术中双偏振气象雷达降水粒子分类算法需要计算雷达偏振参量作为分类特征，而得到偏振参量可能存在数据缺失的技术问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法进行详细介绍。

实施例一：

本发明提供了一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法，应用于服务器，包括：

获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类。

优选的，在步骤：获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据中，包括：

所述双偏振雷达气象数据包括反射率因子、差分反射率因子、零滞后互相关系数；

具体采用如下公式获取收缩阈值τ：

双偏振雷达气象数据的矩阵奇异值向量为q＝(q₁,q₂,…,q_N)；

当Δq_i<η≤Δq_i+1(i＝37,38,…,360)时，收缩阈值τ＝q_i+1；

进一步的，双偏振雷达气象数据为360*2000的矩阵，因此，双偏振雷达气象数据的矩阵奇异值向量为1*360维的矩阵，保留前10％的奇异值；

因此，

η-下降比率门限；

具体采用如下公式进行迭代

B为迭代过程的辅助矩阵，B⁰＝0；

D_τ(B)＝UD_τ(Σ)V^T-奇异值收缩算子；

迭代后获取误差比率

(||·||_F表示矩阵的F-范数)并与终止门限ε(一般取5％≤ε≤10％)比较大小，若

则停止迭代，输出重构结果，反之继续迭代。

同时，为了防止迭代不收敛，在此可设置迭代次数，当迭代次数超过该值则停止迭代并输出当前重构结果。

优选的，所述利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重构后的数据进行降水粒子分类的步骤中：

对反射率因子、差分反射率因子、零滞后互相关系数进行数据重构后，设置DTSVMs分类器输出为地杂波C₁、冰晶C₂、干雪C₃、湿雪C₄、雨C₅、暴雨C₆、大雨滴C₇、霰C₈、雨夹雹C₉9种结果，记训练样本(z_i,c_i),i＝1,...,n，其中

c_i∈{-1,+1}，-1代表一种降水粒子，+1代表余下8种降水粒子，且ω·z+b＝0使训练样本恰好分开，并满足分类间隔最大；

求解线性约束

在本发明提供的实施例中，引入拉格朗日乘子求解上式，则拉格朗日目标函数为：

其中，α_i≥0为各样本对应的拉格朗日系数；

采用如下公式获取最优分类公式：

z_k,z_l(k∈{1,2…,n},l∈{1,2…,n})分别表示第k和第l号训练样本；

“sgn”表示符号函数：

Z_H-反射率因子；Z_DR-差分反射率因子；

-零滞后互相关系。

为了对本发明的方法进行验证，本发明通过对数据完整的原始偏振参量样本进行随机去除，模拟区域式随机缺失和散点式随机缺失，对其进行矩阵填充获得重构数据矩阵，并以原始数据作为参照计算重构误差。

具体方法如下：

学习好的DTSVMs分类原理是：测试数据z＝[Z_H Z_DR ρ_HV]^T输入到SVM1，设SVM1中c＝-1代表第k类降水粒子，c＝+1表示除k外余下8类降水粒子。根据公式(11)，若f(x)＝-1则DTSVMs的输出为C＝k；若f(x)＝+1则将x继续输入到SVM2分类器中。重复判断直到f(x)＝-1，即在SVM中被分到一类降水粒子侧。完成DTSVMs对双偏振气象雷达的降水粒子分类。

本文采用NOAA数据库中美国KTLX雷达于2018年6月24日获取一组的偏振参量标准数据(360×1200)。

1)区域式随机缺失重构

对三种偏振参量的数据矩阵进行区域式随机去除，对上述区域式随机缺失偏振参量数据，分别计算其收缩阈值τ，同时对迭代步长δ、终止门限ε及终止迭代次数K进行设置，参数值如表1所示：

表1区域式缺失重构参数值表

利用所提方法分别对以上存在区域式随机缺失的反射率因子、差分反射率因子、零滞后互相关系数进行数据重构，表2给出了三种偏振参量的区域式随机缺失型样本重构矩阵与原数据矩阵在数据缺失区域内的平均误差及误差比率。结合图表可以看出：本文所提方法对双偏振气象雷达的偏振参量区域式随机缺失样本的重构效果较好，三种偏振参量的误差比率均小于5％，与标准数据相似度较高。

表2区域式随机缺失偏振参量样本的重构误差

2)散点式随机缺失重构

对三种偏振参量的数据矩阵进行散点式随机去除，只保留50％有效数据作为数据缺失样本，对上述散点式随机缺失偏振参量数据，分别计算其收缩阈值τ、，同时对迭代步长δ、终止门限ε及终止迭代次数K进行设置，参数值如表3所示。

表3散点式缺失重构参数值表

利用本发明所提方法分别对以上存在散点式随机缺失的反射率因子、差分反射率因子、零滞后互相关系数进行数据重构，表4给出了三种偏振参量的散点式随机缺失型样本重构矩阵与原数据矩阵在数据缺失区域内的平均误差及误差比率。结合图表可以看出：本发明的方法对双偏振气象雷达的偏振参量散点式随机缺失样本的重构效果整体优于区域式重构，误差比率均小于4％。

表4散点式随机缺失偏振参量样本的重构误差

利用DTSVMs对重构后的偏振参量数据进行降水粒子分类，结果可知：DTSVMs方法对两类重构数据的分类结果相似，受重构误差影响较小，仅存在一定程度的误识别，对湿雪和雨的分类不够准确。由此说明SVT矩阵填充方法会对数据矩阵造成一定的损失，部分散点数据在重构过程中被均衡化，但由于DTSVMs方法采用数据训练的方式得到分类参数，具有较强的鲁棒性，因此对两类重构数据的整体分类效果较好，与NOAA提供的分类结果相似度较高。

实施例二：

本发明一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类装置，包括：

数据重构模块：用于获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

分类训练模块：用于利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法，应用于服务器，其特征在于，包括：

1)获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

2)利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重构后的数据进行降水粒子分类。

2.根据权利要求1所述的方法，其特征在于，在步骤1)中：获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据中，包括所述双偏振雷达气象数据包括反射率因子、差分反射率因子、零滞后互相关系数；

具体采用如下公式获取收缩阈值τ：

双偏振雷达气象数据的矩阵奇异值向量为q＝(q₁,q₂,…,q_N)；

当Δq_i<η≤Δq_i+1(i＝37,38,…,360)时，收缩阈值τ＝q_i+1；

η—下降比率门限；

具体采用如下公式进行迭代

B为迭代过程的辅助矩阵，B⁰＝0；

D_τ(B)＝UD_τ(Σ)V^T—奇异值收缩算子；

迭代后获取误差比率

(||·||_F表示矩阵的F-范数)并与终止门限ε(一般取5％≤ε≤10％)比较大小，若

则停止迭代，输出重构结果，反之继续迭代。

3.根据权利要求1所述的方法，其特征在于，在步骤2)中，所述利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重构后的数据进行降水粒子分类的步骤中：

对反射率因子、差分反射率、零滞后互相关系数进行数据重构后，设置DTSVMs分类器输出为地杂波C₁、冰晶C₂、干雪C₃、湿雪C₄、雨C₅、暴雨C₆、大雨滴C₇、霰C₈、雨夹雹C₉9种结果，记训练样本(z_i,c_i),i＝1,...,n，其中

c_i∈{-1,+1}，-1代表一种降水粒子，+1代表余下8种降水粒子，且ω·z+b＝0使训练样本恰好分开，并满足分类间隔最大；

求解线性约束

采用如下公式获取最优分类公式：

z_k,z_l(k∈{1,2…,n},l∈{1,2…,n})分别表示第k和第l号训练样本；

反射率因子、差分反射率因子、零滞后互相关系数

Z_H-反射率因子；Z_DR-差分反射率因子；

-零滞后互相关系数。

4.一种基于SVT-DTSVMs的双偏振气象雷达降水粒子分类装置，其特征在于，包括：

数据重构模块：用于获取双偏振雷达气象数据、获取收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K，并基于收缩阈值τ、迭代步长δ、终止门限ε及终止迭代次数K采用SVT算法对缺失的双偏振雷达气象数据进行重构以获取重构数据；

分类训练模块：用于利用SVM算法建立DTSVMs分类器，利用训练数据对SVM分类器进行学习，并基于训练数据降水粒子之间聚类中心距的欧式距离将SVM分类器组合形成DTSVMs分类器，并利用DTSVMs分类器对重后数据进行降水粒子分类。

Images