CN112946656B - 基于改进遗传算法的气象雷达探测模式识别方法及系统 - Google Patents

基于改进遗传算法的气象雷达探测模式识别方法及系统 Download PDF

Info

Publication number
CN112946656B
CN112946656B CN202110139163.8A CN202110139163A CN112946656B CN 112946656 B CN112946656 B CN 112946656B CN 202110139163 A CN202110139163 A CN 202110139163A CN 112946656 B CN112946656 B CN 112946656B
Authority
CN
China
Prior art keywords
mode
parameters
parameter
detection
data
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
CN202110139163.8A
Other languages
English (en)
Other versions
CN112946656A (zh
Inventor
郑秀明
李晓宇
张滢
杨道勇
王志锐
黄勇
袁阅
孙世奇
夏一凡
孙国栋
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.)
63796 FORCES PLA
Aerospace New Weather Technology Co ltd
Original Assignee
63796 FORCES PLA
Aerospace New Weather Technology Co ltd
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 63796 FORCES PLA, Aerospace New Weather Technology Co ltd filed Critical 63796 FORCES PLA
Priority to CN202110139163.8A priority Critical patent/CN112946656B/zh
Publication of CN112946656A publication Critical patent/CN112946656A/zh
Application granted granted Critical
Publication of CN112946656B publication Critical patent/CN112946656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于改进遗传算法的气象雷达探测模式识别方法及系统，方法包括：数据获取阶段，通过气象雷达发射和接收电磁波得到气象回波信号，经过预处理生成训练数据和应用数据；离线模式训练过程，利用改进遗传算法以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将对应的模式参数作为匹配模式参数存储在模式库中；在线模式应用过程，根据匹配模式参数应用数据进行数据信号处理得到气象雷达产品。本发明提供的识别方法，能够使气象雷达以最匹配的探测模式工作，适用于需要气象雷达定标、数据对比、机动式气象探测等场景。

Description

基于改进遗传算法的气象雷达探测模式识别方法及系统
技术领域
本发明涉及气象雷达探测技术领域，尤其涉及一种基于改进遗传算法的气象雷达探测模式识别方法及系统。
背景技术
气象雷达作为一类大气遥测感知设备，被越来越多的应用在航空航天、民航机场等军民活动的气象保障服务中，同时在人工影响天气、数值天气预报等科学研究领域发挥着重要作用。常见的气象雷达包括测风雷达(风廓线雷达)、测云雷达、测雨雷达(天气雷达)，能够探测大气风场、云层、降水等相关气象要素信息。
在气象雷达稳定运行之前，为了使气象雷达的探测模式与当前探测环境处于最佳匹配状态，需要调整探测参数。此外，雷达性能评估方或质量控制方经常通过将气象雷达与已经被认可的其他气象探测设备进行探测对比试验的方式，对气象雷达的性能作出评价。此时气象雷达与被认可的设备同时对大气目标进行探测，两者探测数据之间的误差被用来评价气象雷达的探测性能，误差越小则气象雷达的准确率越高，探测数据价值越高。但气象雷达的探测数据直接受到所采用的探测参数的影响，而传统的探测参数调整主要通过调试人员根据以往经验和主观判断进行，这种调整方式效率低下，有效性难以保证。
发明内容
本发明为了克服现有的气象雷达探测参数的调整方式效率低下，且有效性难以保证的缺陷，提出一种基于改进遗传算法的气象雷达探测模式识别方法及系统。
第一方面，本发明实施例提供一种基于改进遗传算法的气象雷达探测模式识别方法包括如下步骤：
步骤S1，数据获取阶段，通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据和应用数据；
步骤S2，离线模式训练过程，利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中；
步骤S3，在线模式应用过程，根据所述匹配模式参数，所述应用数据进行数据信号处理，得到气象雷达产品。
优选地，对于固定式的气象雷达探测设备，按预设时间周期重新将其获取的探测数据与参考数据对比，若误差大于预设阈值则重新进行离线探测模式匹配过程，以此定期对探测模式识别参数进行再匹配，对模式库进行更新。
优选地，步骤S1中数据获取阶段，包括如下步骤：
步骤S11，探测过程，气象雷达向空中发射经过调制的特定频率的电磁波，并接收示踪物反射回来的大气回波模拟信号；
步骤S12，气象雷达对大气回波模拟信号进行采样、滤波、量化得到含有气象信息的数字回波信号；
步骤S13，气象雷达对数字回波信号做进一步滤波，对采用编码的信号进行解码，获得供离线模式训练的训练数据和供在线模式应用的应用数据。
优选地，步骤S2中离线模式训练过程，包括如下步骤：
步骤S21，获取训练数据和作为对照组的参考数据；
步骤S22，在模式库和参数库中随机选择多组初始探测模式参数；其中，模式库存储的是以往的同类别的每一部气象雷达的最优探测模式参数；参数库存储的是当前气象雷达探测模式参数的所有可能的组合；
步骤S23，以所述初始探测模式参数作为初始种群，以所述训练数据经过探测模式参数处理后得到的气象雷达产品与所述参考数据包含的气象雷达产品之间的综合误差作为适应度评价函数，利用改进遗传算法进行探测模式识别得到匹配模式参数；
步骤S24，将匹配模式参数存储进模式库，同时记录匹配模式参数以备在所述在线模式应用过程中使用。
优选地，步骤S22中所述选择初始探测模式参数是按照预设的比例系数，分别在模式库和参数库中随机选择若干组探测模式参数，对于N组初始探测模式参数，和预设比例系数ηN，分别在模式库和参数库中随机抽取[ηN×N]组、N-[ηN×N]组探测模式参数；
其中，N为正整数，0＜ηN＜1，[ηN×N]表示对算式向上取整，当模式库中存储的探测模式参数组数小于需要随机抽取的数量时，不足的部分在参数库中随机抽取补齐。
优选地，所述探测模式参数包括匹配参数和固定参数，其中匹配参数是需要经过离线模式训练确定的参数；固定参数是人为设定的默认参数，在初始探测模式参数进行探测模式识别之前，对初始探测模式参数进行参数分离，得到初始匹配参数和固定参数；初始匹配参数参与探测模式识别过程得到最终匹配参数，最终匹配参数与固定参数再次进行参数合并得到匹配模式参数。
优选地，步骤S23利用改进遗传算法进行探测模式识别得到匹配模式参数的过程，包括如下步骤：
步骤S231，以初始种群作为当前种群，每一组探测模式参数作为对当前种群内的个体，并对每一个个体进行编码；
步骤S232，分别以当前种群内的每一组探测模式参数对训练数据进行处理，并将处理的结果与所述参考数据求误差，将误差代入预设的适应度函数计算适应度；
步骤S233，设置适应度的倒数达到预设阈值或迭代次数达到预设次数作为遗传算法迭代计算的终止条件，若达到终止条件则遗传算法迭代终止并跳至步骤S235，否则执行步骤S234；
步骤S234，对当前种群内的每一个个体对应的编码，根据适应度的大小以轮盘赌算法进行选择，并按照预设的概率进行交叉操作和变异操作，将得到的所有个体作为新的当前种群代入步骤S232重新计算；
步骤S235，将当前种群中适应度最大的个体对应的编码进行解码，得到的探测模式识别参数作为匹配模式参数输出。
优选地，若所述参考数据中每一组数据包括Ne个物理量，每一个物理量对应于一种气象雷达产品，则每一组所述训练数据经过每一组探测模式参数处理后也得到Ne个物理量，两者一一对应；
步骤S232中计算适应度的过程，包括如下步骤：
步骤S2321，对于当前种群内的总计Ng个个体，用变量X表示探测模式参数，分别计算每一个个体处理训练数据得到的Ne个物理量中的每一个物理量与参考数据中对应物理量之间的误差ei(X)，任一组探测模式参数处理训练数据得到的Ne个物理量的误差用向量表示为：
E(X)＝[e1(X),e2(X),……,ei(X),……,eNe(X)]
则Ng组探测模式识别参数有Ng个上述向量，分别为：
E(X1)＝[e1(X1),e2(X1),…,ei(X1),…,eNe(X1)]
E(X2)＝[e1(X2),e2(X2),……,ei(X2),……,eNe(X2)]
……
E(XNg)＝[e1(XNg),e2(XNg),……,ei(XNg),……,eNe(XNg)]
步骤S2322，分别对Ng个向量中的每一个向量的每一个误差ei(X)进行归一化处理：
其中fi(X)表示归一化后的误差，ei(X)min表示Ng个向量中ei(X)的最小值，ei(X)max表示Ng个向量中ei(X)的最大值：
ei(X)min＝min{ei(Xj),j∈[1,2,……,Ng]}
ei(X)max＝max{ei(Xj),j∈[1,2,……,Ng]}
步骤S2323，分别对Ng个向量中的每一个向量计算其适应度：
其中F(X)表示适应度；
ηi表示第i个误差的加权因子，取非负数，表征第i个误差对适应度的贡献的大小；
k表示幂函数调整因子，取正数，用于调整遗传算法的收敛速度。
优选地，步骤S2321中所述的变量X为包含多个子变量的变量集合，每个子变量代表一组探测模式参数中的一个参数，每个子变量代表的参数在数据信号处理过程的多个子过程中的至少一个子过程起作用。
优选地，步骤S234中所述对个体根据适应度的大小以轮盘赌算法进行选择的过程，包括如下步骤：
步骤S2341，当前种群内Ng个个体对应的适应度分别是：F(X1)、F(X2)、……、F(Xi)、……、F(XNg)，选取适应度最大的个体进入下一代种群；
步骤S2342，分别以作为每个个体的抽取概率，从当前种群内Ng个个体中选择一个个体进入下一代种群；
步骤S2343，重复步骤S2342，直至下一代种群中存在Ng个个体。
第二方面，本发明实施例提供一种基于改进遗传算法的气象雷达探测模式识别系统，包括：
数据获取模块：用于通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据并发生给离线模式训练模块，以及生成应用数据发送给在线模式应用模块；
模式库存储模块：用于存储以往每一部同类设备的最优探测模式参数；
参数库模块：用于生成所有可能的气象雷达探测模式参数组合；
离线模式训练模块：用于利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中，同时传递给在线模式应用模块；
在线模式应用模块：用于根据离线模式训练模块传送过来的匹配模式参数，对数据获取模块传送过来的应用数据进行数据信号处理，生成并输出气象雷达产品。
第三方面，本发明实施例提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的基于改进遗传算法的气象雷达探测模式识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于改进遗传算法的气象雷达探测模式识别方法。
本发明技术方案，具有如下优点：
1、本发明实施例提供的基于改进遗传算法的气象雷达探测模式识别方法及系统，寻找与参考数据最匹配的气象雷达探测模式参数为非线性最优化问题，利用改进遗传算法可以有效得到最优解，得到与参考数据最匹配的探测模式识别参数；设置模式库，用来存储以往的每一部气象雷达的最优探测模式参数，当出现同类别气象雷达时，模式库内的最优探测模式参数可作为初始种群，加快遗传算法的收敛速度；将匹配模式参数存储进模式库，更新了模式库，增加了模式库内可供参考的样本数量，可以提高后续同类别气象雷达寻找匹配模式参数的效率。
2、本发明实施例在模式库中选择一部分初始探测模式参数，加快了探测模式识别的匹配速度，在参数库中选择另一部分初始探测模式参数，避免了仅在模式库中选取参数时可能会出现利用遗传算法进行最优探测模式识别匹配过程中陷入局部最优解的情况。方案兼顾了初始探测模式参数的有效性和多样性。
3、本发明实施例利用遗传算法的运算速度与编码长度成正相关关系，编码长度与参数数量成正相关关系，通“参数分离”和“参数合并”过程，使得非关键或者可以人为决定的参数部分不参与遗传算法的迭代搜索过程，提高了遗传算法的效率，减少了运算量，降低了离线模式匹配过程的复杂度。
4、本发明实施例对于有Ne个物理量的参考数据，采取加权求适应度的方法，使得探测模式识别过程转为单一的最优化问题，更容易求解，从而完成离线模式识别过程；在最大误差和最小误差无法准确确定时，采取上述归一化操作，使得误差大小范围可控，且无量纲化便于对不同类型不同单位的误差进行加权求和；采用加权求和的形式计算适应度，可以通过调整加权因子，从而灵活的调整离线探测模式识别过程对不同类型的气象雷达产品的优先匹配，例如对探测精度要求不高的某种气象雷达产品，可调整其加权因子至0，从而使得这类气象雷达产品不影响离线探测模式识别过程。
5、本发明实施例通过调整幂函数调整因子k的大小，可以控制遗传算法的收敛速度，每一次迭代过程中误差对适应度的影响程度变大，不同个体适应度大小的差异将更加显著，更有利于将适应度大的个体选择出来，进而加快遗传算法的收敛速度；
6、本发明实施例选取适应度最大的个体直接进入下一代种群，有利于加快遗传算法收敛速度，提高离线模式识别效率。
附图说明
图1是本发明实施例提供的基于改进遗传算法的气象雷达探测模式识别方法框图。
图2是本发明实施例提供的探测模式参数选择、分离、匹配和合并流程图。
图3是本发明实施例提供的探测模式参数分解为子模式参与数据信号处理过程的示意图。
图4是本发明实施例提供的改进遗传算法的气象雷达探测模式识别系统框图。
图5是本发明实施例提供的计算机设备的一个具体示例的组成图。
具体实施方式
实施例1
本实施例一种基于改进遗传算法的气象雷达探测模式识别方法，适用于需要气象雷达定标、数据对比、模式匹配、数值预报要素获取、机动式气象探测等场景，如图1所示，包括如下步骤：
步骤S1，数据获取阶段，通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据和应用数据；
步骤S2，离线模式训练过程，利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中；
步骤S3，在线模式应用过程，根据所述匹配模式参数，所述应用数据进行数据信号处理，得到气象雷达产品。
本发明实施例中，数据获取过程可由任何一部气象雷达完成，所述气象雷达包括：测风雷达(也称作风廓线雷达)、测云雷达、测雨雷达(也称作天气雷达)等气象雷达探测设备。
本发明所述离线模式训练过程中使用的参考数据可以来源于任何其他气象探测设备的有效探测数据。
本发明所述参考数据对应的气象雷达产品和所述在线模式应用过程输出的气象雷达产品，可以从以下产品数据中选取至少一种：回波强度、径向速度、速度谱宽、极化信息、水平风速、水平风向、垂直气流、大气折射率结构常数Cn 2、大气虚温、风切边、云底云顶高度、粒子相态、偏振参量等等，仅作为举例，不以此为限。
在实际应用中，对于固定式的气象雷达探测设备，按预设时间周期重新将其获取的探测数据与参考数据对比，若误差大于预设阈值则重新进行离线探测模式匹配过程，以此定期对探测模式识别参数进行再匹配，对模式库进行更新，可以提高识别准确率。
本发明实施例提供的识别方法，能够使气象雷达以相对于参考数据或对照数据最匹配的探测模式参数进行探测，适用于需要数据对比、模式匹配、数据预报要素获取等场合，为机动式气象探测应用场景下的气象雷达定标提供了行之有效的具体实现方法，采用本技术方案，机动式气象探测业务可以在探测环境发生变化时快速的完成探测模式匹配和参数调整工作，相比于传统的人为主观调整气象雷达探测参数，效率更高，准确性更强。
实施例2
本发明实施例对实施例1的步骤S1中数据获取阶段进行具体介绍，包括如下步骤：
步骤S11，探测过程，气象雷达向空中发射经过调制的特定频率的电磁波，并接收示踪物反射回来的大气回波模拟信号；
步骤S12，气象雷达对大气回波模拟信号进行采样、滤波、量化得到含有气象信息的数字回波信号；
步骤S13，气象雷达对数字回波信号做进一步滤波，对采用编码的信号进行解码，获得供离线模式训练的训练数据和供在线模式应用的应用数据。
上述步骤为离线模式训练和在线模式应用提供可供时频域分析、信号数据处理的数据。
实施例3
本发明实施例对实施例1的步骤S2的离线模式训练过程进行具体介绍，具体实现过程为：
步骤S21，获取训练数据和作为对照组的参考数据；
步骤S22，在模式库和参数库中共计随机选择N组初始探测模式参数；其中，模式库存储的是以往的每一部气象雷达在每一个部署物理位置时的最优探测模式参数；参数库存储的是当前气象雷达探测模式参数的所有可能的组合；
步骤S23，以所述初始探测模式参数作为初始种群，以所述训练数据经过探测模式参数处理后得到的气象雷达产品与参考数据包含的气象雷达产品之间的综合误差作为适应度评价函数，利用改进遗传算法进行探测模式识别得到匹配模式参数；
步骤S24，将匹配模式参数存储进模式库，同时记录匹配模式参数以备步骤S3所述在线模式应用过程使用。
步骤S2的有益效果是：寻找与参考数据最匹配的气象雷达探测模式参数是非线性最优化问题，利用改进遗传算法可以有效得到最优解；设置模式库，用来存储以往的每一部气象雷达的最优探测模式参数，当出现同类别气象雷达时，模式库内的最优探测模式参数可作为初始种群，加快遗传算法的收敛速度；将匹配模式参数存储进模式库，更新了模式库，增加了模式库内可供参考的样本数量，可以提高后续同类别气象雷达寻找匹配模式参数的效率。
进一步，步骤S22中所述选择初始探测模式参数是按照预设的比例系数，分别在模式库和参数库中随机选择若干组探测模式参数，对于N组初始探测模式参数，和预设比例系数ηN，分别在模式库和参数库中随机抽取[ηN×N]组、N-[ηN×N]组探测模式参数；其中，N为正整数，0＜ηN＜1，[ηN×N]表示对算式向上取整，当模式库中存储的探测模式参数组数小于需要随机抽取的数量时，不足的部分在参数库中随机抽取补齐。
本发明实施例在模式库中选择一部分初始探测模式参数，加快了探测模式识别的匹配速度，在参数库中选择另一部分初始探测模式参数，避免了仅在模式库中选取参数时可能会出现利用遗传算法进行最优探测模式识别匹配过程中陷入局部最优解的情况。方案兼顾了初始探测模式参数的有效性和多样性。
本发明实施例将探测模式参数分为匹配参数和固定参数。其中匹配模式参数是需要经过离线模式训练确定的参数，可取数值较多；固定参数是人为设定的默认参数，可取数值较少；在初始探测模式参数进行探测模式识别之前，对初始探测模式参数进行参数分离，得到初始匹配参数和固定参数；初始匹配参数参与探测模式识别过程得到最终匹配参数，最终匹配参数与固定参数再次进行参数合并得到匹配模式参数，具体流程如图2所示。遗传算法的运算速度与编码长度成正相关关系，编码长度与参数数量成正相关关系，通过上述“参数分离”和“参数合并”过程，使得非关键或者可以人为决定的参数部分不参与遗传算法的迭代搜索过程，提高了遗传算法的效率，减少了运算量，降低了离线模式匹配过程的复杂度。
进一步，步骤S23利用改进遗传算法进行探测模式识别得到匹配模式参数的过程，包括如下步骤：
步骤S231，以初始种群作为当前种群，每一组探测模式参数作为对当前种群内的个体，并对每一个个体进行编码，编码方式采用二进制编码；
步骤S232，分别以当前种群内的每一组探测模式参数对训练数据进行处理，并将处理的结果与所述参考数据求误差，将误差代入预设的适应度函数计算适应度；
步骤S233，设置适应度的倒数达到预设阈值或迭代次数达到预设次数作为遗传算法迭代计算的终止条件，若达到终止条件则遗传算法迭代终止并跳至步骤S235，否则执行步骤S234；
步骤S234，对当前种群内的每一个个体对应的编码，根据适应度的大小以轮盘赌算法进行选择，并按照预设的概率进行交叉操作和变异操作，将得到的所有个体作为新的当前种群代入步骤S232重新计算；
步骤S235，将当前种群中适应度最大的个体对应的编码进行解码，得到的探测模式识别参数作为匹配模式参数输出。通过遗传算法的迭代搜索过程，得到了与参考数据最匹配的探测模式识别参数。
本发明实施例若所述参考数据中每一组数据包括Ne个物理量，每一个物理量对应于一种气象雷达产品，则每一组所述训练数据经过每一组探测模式参数处理后也得到Ne个物理量，两者一一对应；步骤S232中计算适应度的过程，包括如下步骤：
步骤S2321，对于当前种群内的总计Ng个个体，用变量X表示探测模式参数，分别计算每一个个体处理训练数据得到的Ne个物理量中的每一个物理量与参考数据中对应物理量之间的误差ei(X)，任一组探测模式参数处理训练数据得到的Ne个物理量的误差用向量表示为：
E(X)＝[e1(X),e2(X),……,ei(X),……,eNe(X)]
则Ng组探测模式识别参数有Ng个上述向量，分别为：
E(X1)＝[e1(X1),e2(X1),……,ei(X1),……,eNe(X1)]
E(X2)＝[e1(X2),e2(X2),……,ei(X2),……,eNe(X2)]
……
E(XNg)＝[e1(XNg),e2(XNg),……,ei(XNg),……,eNe(XNg)]
步骤S2322，分别对Ng个向量中的每一个向量的每一个误差ei(X)进行归一化处理：
其中fi(X)表示归一化后的误差，ei(X)min表示Ng个向量中ei(X)的最小值，ei(X)max表示Ng个向量中ei(X)的最大值：
ei(X)min＝min{ei(Xj),j∈[1,2,……,Ng]}
ei(X)max＝max{ei(Xj),j∈[1,2,……,Ng]}
步骤S2323，分别对Ng个向量中的每一个向量计算其适应度：
其中F(X)表示适应度；
ηi表示第i个误差的加权因子(非负数)，表征第i个误差对适应度的贡献的大小；
k是幂函数调整因子(正数)，用于调整遗传算法的收敛速度。
本发明实施例对于有Ne个物理量的参考数据，采取加权求适应度的方法，使得探测模式识别过程转为单一的最优化问题，更容易求解，从而完成离线模式识别过程；在最大误差和最小误差无法准确确定时，采取上述归一化操作，使得误差大小范围可控，且无量纲化便于对不同类型不同单位的误差进行加权求和；采用加权求和的形式计算适应度，可以通过调整加权因子，从而灵活的调整离线探测模式识别过程对不同类型的气象雷达产品的优先匹配，例如对探测精度要求不高的某种气象雷达产品，可调整其加权因子至0，从而使得这类气象雷达产品不影响离线探测模式识别过程；通过调整幂函数调整因子k的大小，可以控制遗传算法的收敛速度，例如通过增大k的取值，则每一次迭代过程中误差对适应度的影响程度变大，不同个体适应度大小的差异将更加显著，更有利于将适应度大的个体选择出来，进而加快遗传算法的收敛速度。
实施例4
本实施例对实施例3的步骤S2321中所述的计算误差进行具体实施例介绍，本实施例对参考数据、训练数据都仅为一组数据的情况的误差计算实施过程进行描述。
记所述参考数据中含有Ne个物理量[DO1，DO2，……，DOi，……,DONe]，每一个物理量对应于一种气象雷达产品。
对于当前种群内的总计Ng(取值在10～50之间且为整数)个个体(也即Ng组探测模式参数)，用变量X表示探测模式参数。则所述训练数据经过每一组探测模式参数处理后也得到Ne个物理量，两者一一对应，记第j组探测模式参数处理所述训练数据得到的Ne个物理量为：
[do1(Xj)，do2(Xj)，……，doi(Xj)，……,doNe(Xj)]。
则第j组探测模式参数处理训练数据得到的Ne个物理量中的第i个物理量与参考数据中第i个物理量之间的误差ei(Xj)通过下式子求得：
ei(Xj)＝|doi(Xj)-DOi|
于是有第j组探测模式参数处理训练数据得到的Ne个物理量与参考数据包含的气象雷达产品之间的综合误差用向量表示为：
E(Xj)＝[e1(Xj),e2(Xj),……,ei(Xj),……,eNe(Xj)]
对于Ng组探测模式参数，误差矩阵可表示为：
实施例5
本实施例对实施例3的步骤S2321中所述的计算误差进行另一具体实施例介绍。
本实施例对参考数据、训练数据均为Nk(Nk≥2,Nk∈Z)组数据的情况下的误差计算实施过程进行描述。
记所述“参考数据”每组含有Ne个物理量，每一个物理量对应于一种气象雷达产品，不妨将第k(1≤k≤Nk,k∈Z)组参考数据的Ne个物理量表示为：
Dk＝[Dk,1，Dk,2，……，Dk,i，……,Dk,Ne]
则所述Nk组参考数据的全部物理量表示为：
对于当前种群内的总计Ng(取值在10～50之间且为整数)个个体(也即Ng组探测模式参数)，用变量X表示探测模式参数。
则Nk组参考数据对应于Nk组所述训练数据，每一组所述“训练数据”都可以经过Ng组探测模式参数中的每一组探测模式参数处理后得到Ne个物理量，这Ne个物理量与每一组参考数据中的Ne个物理量一一对应(即代表同一种气象产品信息的数据)，记第j(1≤j≤Ng,j∈Z)组探测模式参数为Xj，第j组探测模式参数处理第k组训练数据得到的Ne个物理量用向量表示为：
dk(Xj)＝[dk,1(Xj)，dk,2(Xj)，……，dk,i(Xj)，……,dk,Ne(Xj)]。
则所述第j组探测模式参数处理全部Nk组训练数据得到的全部物理量表示为：
随探测模式参数Xj(1≤j≤Ng,j∈Z)的变化，将产生Ng组上述物理量矩阵。
进一步，第j(1≤j≤Ng,j∈Z)组探测模式参数处理全部Nk组训练数据得到的结果与Nk组参考数据包含的气象雷达产品之间的综合误差E(Xj)表示为:
E(Xj)＝[e1(Xj),e2(Xj),……,ei(Xj),……,eNe(Xj)]
其中任一误差分量ei(Xj)由下式求得：
也即第i(1≤i≤Ne,i∈Z)个误差分量ei(Xj)是dk,i(Xj)与Dk,i的关于自变量k(1≤k≤Nk,k∈Z)的均方根误差，在计算均方根误差过程中，剔除偏离平均误差3倍标准差以外的粗大误差数据。
对于Ng组探测模式参数，误差矩阵可表示为：
实施例6
本实施例对本实施例3的步骤S234中根据适应度的大小以轮盘赌算法进行选择进行具体实施例介绍。
步骤S2341，记当前种群内Ng个个体对应的适应度分别是：F(X1)、F(X2)、……、F(Xi)、……、F(XNg)选取适应度最大的个体进入下一代种群；
步骤S2342，(a)分别计算序列F(X1)、F(X2)、……、F(Xi)、……、F(XNg)的前j项和，记为：S(1)、S(2)、……、S(i)、……、S(Ng)；
(b)明显的，由于Ng个个体的适应度均大于零，所以序列{S(j),1≤j≤Ng}是单调递增序列；
(c)以序列{S(j),1≤j≤Ng}中的元素作边界值得到Ng个互相无交集且全集为(0,S(Ng)]的区间：
(0,S(1)]、(S(1),S(2)]、(S(2),S(3)]、……、(S(i-1),S(i)]、……、(S(Ng-1),S(Ng)]
(d)在区间(0,S(Ng)]内产生随机数rx，检验rx属于上述Ng个区间中的哪个区间，不妨记为区间(S(m-1),S(m)]，其中1≤m≤Ng且m∈Z；
(e)将当前种群内Ng个个体中的第m个体选中进入下一代种群；
步骤S2343，重复步骤S2342，直至下一代种群中存在Ng个个体。
本发明实施例选取适应度最大的个体直接进入下一代种群，有利于加快遗传算法收敛速度，提高离线模式识别效率。
实施例7
本实施例对实施例1中步骤S2和步骤S3中数据在模式参数下进行数据信号处理过程做具体实施例介绍，流程图如图3所示。
数据信号处理过程输入为：气象回波信号经过预处理后形成的数据，可以为训练数据，也可以为应用数据。
数据信号处理过程输出为：气象雷达产品，可以作为步骤S2中与参考数据进行误差计算的数据样本，也可以作为步骤S3中最终输出的气象雷达产品。
数据信号处理过程即为预处理数据在特定的模式参数下，按照预设的运算法则进行计算的过程。
在本实施例中，如图3所示，数据信号处理过程分为时域处理、频谱分析、数据处理三个子过程，预处理后的数据顺次经过三个子过程后输出结果。同时，模式参数X也分为三部分：
X＝[XA,XB,XC]
SC1，其中子模式XA作用于时域处理子过程，子模式XA由所包含的所有参数的取值的组合构成，可以为Na个模式态中的任意一种模式态，即：
XA∈[a1,a2,…，aNa]
上式中右侧集合中的每一个元素ai(1≤i≤Na)均为子模式XA所包含的所有参数的某个取值的组合，且基于集合的性质有：ai≠aj(当i≠j时)；
于是有：其中Na表示子模式XA对应的模式态的总数，Xai表示子模式XA的第i个参数的合法取值数量，Ya表示子模式XA含有的参数数量；
SC2，子模式XB作用于频谱分析子过程，子模式XB由所包含的所有参数的取值的组合构成，可以为Nb个模式态中的任意一种模式态，即：
XB∈[b1,b2,…，bNb]
上式中右侧集合中的每一个元素bi(1≤i≤Nb)均为子模式XB所包含的所有参数的某个取值的组合，且基于集合的性质有：bi≠bj(当i≠j时)；
于是有：其中Nb表示子模式XB对应的模式态的总数，Xbi表示子模式XB的第i个参数的合法取值数量，Yb表示子模式XB含有的参数数量；
SC3，子模式XC作用于频谱分析子过程，子模式XC由所包含的所有参数的取值的组合构成，可以为Nc个模式态中的任意一种模式态，即：
XC∈[c1,c2,……，cNc]
上式中右侧集合中的每一个元素ci(1≤i≤Nc)均为子模式XC所包含的所有参数的某个取值的组合，且基于集合的性质有：ci≠cj(当i≠j时)；
于是有：其中Nc表示子模式XC对应的模式态的总数，Xci表示子模式XC的第i个参数的合法取值数量，Yc表示子模式XC含有的参数数量。
实施例8
本发明实施例具体以一部风廓线雷达为例，介绍本发明提供的技术方案的具体实现过程。
步骤S1，数据获取阶段，风廓线雷达通过发射和接收电磁波得到大气湍流回波信号，并通过预处理生成数字化的时域数据作为训练数据和应用数据；
步骤S2，离线模式训练过程，利用改进遗传算法，以模式库中存储的模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的水平风速、水平风向、垂直气流大小与参考数据提供的水平风速、水平风向、垂直气流大小之间的综合误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中；
步骤S3，在线模式应用过程，根据所述匹配模式参数，所述应用数据进行数据信号处理，得到气象雷达产品，包括但不限于水平风速、水平风向、垂直气流大小。
优选的，对于固定式的风廓线雷达，每1～6个月重新将探测数据与参考数据对比，若误差大于预设阈值则重新进行离线探测模式匹配过程，以此定期对探测模式识别参数进行再匹配，对模式库进行更新。
进一步，步骤S2中，离线模式训练过程具体实现为：
步骤S21，获取训练数据和作为对照组的参考数据；
步骤S22，在模式库和参数库中分别随机选择25组初始探测模式参数，如果模式库中的样本不足25个，则用参数库中的样本补齐；其中，模式库存储的是以往的每一部风廓线雷达在每一个部署物理位置时的最优探测模式参数；参数库存储的是当前风廓线雷达探测模式参数的所有可能的组合；
步骤S23，以S22所述“初始探测模式参数”作为初始种群，以S21所述“训练数据”经过探测模式参数处理后得到的水平风速、水平风向、垂直气流大小与参考数据提供的水平风速、水平风向、垂直气流大小之间的综合误差作为适应度评价函数，利用改进遗传算法进行探测模式识别得到匹配模式参数；
步骤S24，将匹配模式参数存储进模式库，同时记录匹配模式参数以备步骤S3所述“在线模式应用过程”使用。
进一步，步骤S23所述“适应度评价函数”，计算过程如下：
所述“参考数据”一共有20组，其中每一组数据含有Ne＝3个物理量，分别对应于水平风速、水平风向和垂直气流大小，所述“训练数据”对应的也有20组，每一组所述“训练数据”经过每一组探测模式参数处理后也得到这三个物理量。
对于当前种群内的总计Ng＝50个个体(也即Ng组探测模式参数)，用变量X表示探测模式参数，分别计算每一个个体处理“训练数据”得到的3个物理量中的每一个物理量与参考数据中对应物理量之间的误差e1(X)、e2(X)、e3(X)，采用均方根误差作为误差结果，同时计算误差时剔除偏离平均误差3倍标准差以外的数据。
记任一组探测模式参数处理“训练数据”得到的3个物理量的误差用向量表示为：
E(X)＝[e1(X),e2(X),e3(X)]
则50组探测模式识别参数有50个上述向量，分别为：
E(X1)＝[e1(X1),e2(X1),e3(X1)]
E(X2)＝[e1(X2),e2(X2),e3(X2)]
……
E(X50)＝[e1(X50),e2(X50),e3(X50)]
分别对这50个向量中的每一个向量的每一个误差ei(X)进行归一化处理：
其中fi(X)表示归一化后的误差，ei(X)min表示50个向量中ei(X)的最小值，ei(X)max表示50个向量中ei(X)的最大值，即：
ei(X)min＝min{ei(Xj),j∈[1,2,……,50]}
ei(X)max＝max{ei(Xj),j∈[1,2,……,50]}
分别对50个向量中的每一个向量计算其适应度：
其中F(X)表示适应度；
ηi表示第i个误差的加权因子(非负数)，表征第i个误差对适应度的贡献的大小，本实施例中取η1＝η2＝η3＝1；
k是幂函数调整因子(正数)，用于调整遗传算法的收敛速度，本实施例中取k＝1。
实施例9
本发明实施例提供一种基于改进遗传算法的气象雷达探测模式识别系统，如图4所示，包括：
数据获取模块：用于通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据并发生给离线模式训练模块，以及生成应用数据发送给在线模式应用模块；
模式库存储模块：用于存储以往每一部同类设备的最优探测模式参数；
参数库模块：用于生成所有可能的气象雷达探测模式参数组合；
离线模式训练模块：用于利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中，同时传递给在线模式应用模块；
在线模式应用模块：用于根据离线模式训练模块传送过来的匹配模式参数，对数据获取模块传送过来的应用数据进行数据信号处理，生成并输出气象雷达产品。
本实施例提供的基于改进遗传算法的气象雷达探测模式识别系统，寻找与参考数据最匹配的气象雷达探测模式参数为非线性最优化问题，利用改进遗传算法可以有效得到最优解，得到与参考数据最匹配的探测模式识别参数；设置模式库，用来存储以往的每一部气象雷达的最优探测模式参数，当出现同类别气象雷达时，模式库内的最优探测模式参数可作为初始种群，加快遗传算法的收敛速度；将匹配模式参数存储进模式库，更新了模式库，增加了模式库内可供参考的样本数量，可以提高后续同类别气象雷达寻找匹配模式参数的效率。
实施例10
本发明实施例提供一种计算机设备，如图5所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1-7中的基于改进遗传算法的气象雷达探测模式识别方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1-7中的基于改进遗传算法的气象雷达探测模式识别方法。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1-7中的基于改进遗传算法的气象雷达探测模式识别方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1-7中的基于改进遗传算法的气象雷达探测模式识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固降硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (12)

1.一种基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，包括如下步骤：
步骤S1，数据获取阶段，通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据和应用数据；
步骤S2，离线模式训练过程，利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中，其中离线模式训练过程，包括如下步骤：
步骤S21，获取训练数据和作为对照组的参考数据；
步骤S22，在模式库和参数库中随机选择多组初始探测模式参数；其中，模式库存储的是以往的同类别的每一部气象雷达的最优探测模式参数；参数库存储的是当前气象雷达探测模式参数的所有可能的组合；
步骤S23，以所述初始探测模式参数作为初始种群，以所述训练数据经过探测模式参数处理后得到的气象雷达产品与所述参考数据包含的气象雷达产品之间的综合误差作为适应度评价函数，利用改进遗传算法进行探测模式识别得到匹配模式参数；
步骤S24，将匹配模式参数存储进模式库，同时记录匹配模式参数以备在在线模式应用过程中使用；
步骤S3，在线模式应用过程，根据所述匹配模式参数，所述应用数据进行数据信号处理，得到气象雷达产品。
2.根据权利要求1所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，对于固定式的气象雷达探测设备，按预设时间周期重新将其获取的探测数据与参考数据对比，若误差大于预设阈值则重新进行离线探测模式匹配过程，以此定期对探测模式识别参数进行再匹配，对模式库进行更新。
3.根据权利要求1所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，步骤S1中数据获取阶段，包括如下步骤：
步骤S11，探测过程，气象雷达向空中发射经过调制的预设频率的电磁波，并接收示踪物反射回来的大气回波模拟信号；
步骤S12，气象雷达对大气回波模拟信号进行采样、滤波、量化得到含有气象信息的数字回波信号；
步骤S13，气象雷达对数字回波信号做进一步滤波，对采用编码的信号进行解码，获得供离线模式训练的训练数据和供在线模式应用的应用数据。
4.根据权利要求1所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，步骤S22中选择初始探测模式参数是按照预设的比例系数，分别在模式库和参数库中随机选择若干组探测模式参数，对于N组初始探测模式参数，和预设比例系数ηN，分别在模式库和参数库中随机抽取[ηN×N]组、N-[ηN×N]组探测模式参数；
其中，N为正整数，0<ηN<1，[ηN×N]表示对算式向上取整，当模式库中存储的探测模式参数组数小于需要随机抽取的数量时，不足的部分在参数库中随机抽取补齐。
5.根据权利要求4所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，所述探测模式参数包括匹配参数和固定参数，其中匹配参数是需要经过离线模式训练确定的参数；固定参数是人为设定的默认参数，在初始探测模式参数进行探测模式识别之前，对初始探测模式参数进行参数分离，得到初始匹配参数和固定参数；初始匹配参数参与探测模式识别过程得到最终匹配参数，最终匹配参数与固定参数再次进行参数合并得到匹配模式参数。
6.根据权利要求1所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，步骤S23利用改进遗传算法进行探测模式识别得到匹配模式参数的过程，包括如下步骤：
步骤S231，以初始种群作为当前种群，每一组探测模式参数作为对当前种群内的个体，并对每一个个体进行编码；
步骤S232，分别以当前种群内的每一组探测模式参数对训练数据进行处理，并将处理的结果与所述参考数据求误差，将误差代入预设的适应度函数计算适应度；
步骤S233，设置适应度的倒数达到预设阈值或迭代次数达到预设次数作为遗传算法迭代计算的终止条件，若达到终止条件则遗传算法迭代终止并跳至步骤S235，否则执行步骤S234；
步骤S234，对当前种群内的每一个个体对应的编码，根据适应度的大小以轮盘赌算法进行选择，并按照预设的概率进行交叉操作和变异操作，将得到的所有个体作为新的当前种群代入步骤S232重新计算；
步骤S235，将当前种群中适应度最大的个体对应的编码进行解码，得到的探测模式识别参数作为匹配模式参数输出。
7.根据权利要求6所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于，若所述参考数据中每一组数据包括Ne个物理量，每一个物理量对应于一种气象雷达产品，则每一组所述训练数据经过每一组探测模式参数处理后也得到Ne个物理量，两者一一对应；
步骤S232中计算适应度的过程，包括如下步骤：
步骤S2321，对于当前种群内的总计Ng个个体，用变量X表示探测模式参数，分别计算每一个个体处理训练数据得到的Ne个物理量中的每一个物理量与参考数据中对应物理量之间的误差ei(X)，任一组探测模式参数处理训练数据得到的Ne个物理量的误差用向量表示为：
E(X)＝[e1(X),e2(X),……,ei(X),……,eNe(X)]
则Ng组探测模式识别参数有Ng个上述向量，分别为：
E(X1)＝[e1(X1),e2(X1),……,ei(X1),……,eNe(X1)]
E(X2)＝[e1(X2),e2(X2),……,ei(X2),……,eNe(X2)]
……
E(XNg)＝[e1(XNg),e2(XNg),……,ei(XNg),……,eNe(XNg)]
步骤S2322，分别对Ng个向量中的每一个向量的每一个误差ei(X)进行归一化处理：
其中fi(X)表示归一化后的误差，ei(X)min表示Ng个向量中ei(X)的最小值，ei(X)max表示Ng个向量中ei(X)的最大值：
ei(X)min＝min{ei(Xj),j∈[1,2,……,Ng]}
ei(X)max＝max{ei(Xj),j∈[1,2,……,Ng]}
步骤S2323，分别对Ng个向量中的每一个向量计算其适应度：
其中F(X)表示适应度；
ηi表示第i个误差的加权因子，取非负数，表征第i个误差对适应度的贡献的大小；
k表示幂函数调整因子，取正数，用于调整遗传算法的收敛速度。
8.根据权利要求7所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于步骤S2321中所述的变量X为包含多个子变量的变量集合，每个子变量代表一组探测模式参数中的一个参数，每个子变量代表的参数在数据信号处理过程的多个子过程中的至少一个子过程起作用。
9.根据权利要求6所述的基于改进遗传算法的气象雷达探测模式识别方法，其特征在于步骤S234中对个体根据适应度的大小以轮盘赌算法进行选择的过程，包括如下步骤：
步骤S2341，当前种群内Ng个个体对应的适应度分别是：F(X1)、F(X2)、……、F(Xi)、……、F(XNg)，选取适应度最大的个体进入下一代种群；
步骤S2342，分别以作为每个个体的抽取概率，从当前种群内Ng个个体中选择一个个体进入下一代种群；
步骤S2343，重复步骤S2342，直至下一代种群中存在Ng个个体。
10.一种基于改进遗传算法的气象雷达探测模式识别系统，其特征在于，包括：
数据获取模块：用于通过气象雷达发射和接收电磁波得到气象回波信号，并其经过预处理生成训练数据并发生给离线模式训练模块，以及生成应用数据发送给在线模式应用模块；
模式库存储模块：用于存储以往每一部同类设备的最优探测模式参数；
参数库模块：用于生成所有可能的气象雷达探测模式参数组合；
离线模式训练模块：用于离线模式训练过程，利用改进遗传算法，以模式库中存储的历史模式参数为初始样本，在参数库中寻找最佳的模式参数，使得训练数据在所述最佳的模式参数下进行数据信号处理得到的结果与参考数据的误差最小，将误差最小时对应的模式参数作为匹配模式参数，并将匹配模式参数存储在模式库中，同时传递给在线模式应用模块；
离线模式训练过程，包括如下步骤：
步骤S21，获取训练数据和作为对照组的参考数据；
步骤S22，在模式库和参数库中随机选择多组初始探测模式参数；其中，模式库存储的是以往的同类别的每一部气象雷达的最优探测模式参数；参数库存储的是当前气象雷达探测模式参数的所有可能的组合；
步骤S23，以所述初始探测模式参数作为初始种群，以所述训练数据经过探测模式参数处理后得到的气象雷达产品与所述参考数据包含的气象雷达产品之间的综合误差作为适应度评价函数，利用改进遗传算法进行探测模式识别得到匹配模式参数；
步骤S24，将匹配模式参数存储进模式库，同时记录匹配模式参数以备在在线模式应用过程中使用；
在线模式应用模块：用于根据离线模式训练模块传送过来的匹配模式参数，对数据获取模块传送过来的应用数据进行数据信号处理，生成并输出气象雷达产品。
11.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-9中任一所述的基于改进遗传算法的气象雷达探测模式识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行1-9中任一所述的基于改进遗传算法的气象雷达探测模式识别方法。
CN202110139163.8A 2021-02-01 2021-02-01 基于改进遗传算法的气象雷达探测模式识别方法及系统 Active CN112946656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139163.8A CN112946656B (zh) 2021-02-01 2021-02-01 基于改进遗传算法的气象雷达探测模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139163.8A CN112946656B (zh) 2021-02-01 2021-02-01 基于改进遗传算法的气象雷达探测模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN112946656A CN112946656A (zh) 2021-06-11
CN112946656B true CN112946656B (zh) 2024-03-29

Family

ID=76241177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139163.8A Active CN112946656B (zh) 2021-02-01 2021-02-01 基于改进遗传算法的气象雷达探测模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN112946656B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796611A (en) * 1994-10-04 1998-08-18 Nippon Telegraph And Telephone Corporation Weather forecast apparatus and method based on recognition of echo patterns of radar images
JP2007256005A (ja) * 2006-03-22 2007-10-04 Toshiba Corp レーダ観測システムとそのパラメータ最適化方法
CN108983177A (zh) * 2018-06-28 2018-12-11 浙江大学 一种参数最优的雷达海杂波预报系统及方法
CN111537987A (zh) * 2020-05-07 2020-08-14 中国科学院地质与地球物理研究所 一种基于遗传算法的非相干散射雷达数据反演方法
CN111680748A (zh) * 2020-06-08 2020-09-18 中国人民解放军63920部队 航天器状态模式的识别方法及识别装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796611A (en) * 1994-10-04 1998-08-18 Nippon Telegraph And Telephone Corporation Weather forecast apparatus and method based on recognition of echo patterns of radar images
JP2007256005A (ja) * 2006-03-22 2007-10-04 Toshiba Corp レーダ観測システムとそのパラメータ最適化方法
CN108983177A (zh) * 2018-06-28 2018-12-11 浙江大学 一种参数最优的雷达海杂波预报系统及方法
CN111537987A (zh) * 2020-05-07 2020-08-14 中国科学院地质与地球物理研究所 一种基于遗传算法的非相干散射雷达数据反演方法
CN111680748A (zh) * 2020-06-08 2020-09-18 中国人民解放军63920部队 航天器状态模式的识别方法及识别装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CFL-16B对流层风廓线雷达与L波段二次测风雷达数据对比分析;张滢 等;《第十二届全国信号和智能信息处理与应用学术会议论文集》;第181-186页 *
颜雪松 等.《遗传算法及其应用》.中国地质大学出版社,2018,第12页. *

Also Published As

Publication number Publication date
CN112946656A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN110298663B (zh) 基于序列宽深学习的欺诈交易检测方法
Zeng et al. SMO-based pruning methods for sparse least squares support vector machines
Bhagwat et al. Multistep-ahead river flow prediction using LS-SVR at daily scale
CN111723523B (zh) 一种基于级联神经网络的河口余水位预测方法
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN111366820A (zh) 局部放电信号的模式识别方法、装置、设备及存储介质
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN113379059A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN113961765A (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
Dang et al. SAR target recognition via incremental nonnegative matrix factorization with L p sparse constraint
CN115097451A (zh) 一种基于sar卫星数据的海浪多参数反演方法及系统
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN117407781B (zh) 基于联邦学习的设备故障诊断方法及装置
CN112946656B (zh) 基于改进遗传算法的气象雷达探测模式识别方法及系统
CN113449778A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN117288441A (zh) 一种Langley定标辅助方法及系统
CN117171681A (zh) 非平衡小样本下的无人机舵面智能故障诊断方法及装置
CN117114090A (zh) 一种基于置信度深度森林的降雪反演方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN109061544B (zh) 一种电能计量误差估计方法
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
CN114819107B (zh) 基于深度学习的混合数据同化方法

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