CN112964938B - 一种基于人工智能的闪电单站定位方法、装置及系统 - Google Patents
一种基于人工智能的闪电单站定位方法、装置及系统 Download PDFInfo
- Publication number
- CN112964938B CN112964938B CN202110172823.2A CN202110172823A CN112964938B CN 112964938 B CN112964938 B CN 112964938B CN 202110172823 A CN202110172823 A CN 202110172823A CN 112964938 B CN112964938 B CN 112964938B
- Authority
- CN
- China
- Prior art keywords
- lightning
- signal
- electromagnetic field
- station
- electromagnetic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
- G01R29/0842—Measurements related to lightning, e.g. measuring electric disturbances, warning systems
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于人工智能的闪电单站定位方法、装置及系统,基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于闪电放电事件类型,确定对应的闪电单站定位模型;将时间反转信号的电磁场空间分布图和/或电磁信号波形输入至人工智能闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。由此可见,本发明实施例不仅避免大范围布网,降低了安装维护成本,而且具有较高的定位精度。
Description
技术领域
本发明涉及闪电探测技术领域,尤其涉及一种基于人工智能的闪电单站定位方法、装置及系统。
背景技术
雷电具有大电流、强电磁辐射的特点,常常引起严重的自然灾害,需要进行雷电预警和灾害防御,而其中的关键是雷电的准确监测定位。目前业务的雷电定位手段多基于低频信号,采用多站定位系统和单站定位系统实现。虽然多站定位系统具有较高的定位精度,但是多站定位系统需要大范围布网,安装及维护都较为复杂,成本较高。而单站定位技术主要针对地闪回击定位,相比与多站定位技术,结构简单、便于安装、不受通讯等条件限制,便于推广应用。但是,单站采用电磁信号实现方位角和距离的确定,存在定位精度低的不足,探测距离有限,长期以来制约了单站定位技术的发展。本文通过发展新技术来解决单站定位精度差的问题。
发明内容
本发明提供一种基于人工智能技术的闪电单站定位方法、装置及系统,用以解决现有技术中闪电单站定位技术中定位精度偏低的问题。
本发明提供一种基于人工智能的闪电单站定位方法,包括:
基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;
基于所述闪电放电事件类型,确定对应的闪电单站定位模型;
将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;
其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;
其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
根据本发明提供的一种基于人工智能的闪电单站定位方法,所述将所述时间反转信号的电磁场空间分布图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
获取所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
根据本发明提供的一种基于人工智能的闪电单站定位方法,所述将所述时间反转信号的电磁场空间分布图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
对所述时间反转信号的电磁场空间分布图进行特征提取,得到电磁场空间分布特征;
将所述电磁场空间分布特征输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
根据本发明提供的一种基于人工智能的闪电单站定位方法,所述将所述时间反转信号的电磁场空间分布图和所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
确定所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图和所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
根据本发明提供的一种基于人工智能的闪电单站定位方法,所述基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型,包括:
将所述电磁信号波形输入至闪电分类模型,得到所述闪电分类模型输出的闪电分类结果;
其中,所述闪电分类模型是基于样本闪电的电磁信号波形以及样本闪电的类型标签训练得到。
根据本发明提供的一种基于人工智能的闪电单站定位方法,所述时间反转信号的电磁场空间分布图是基于如下步骤确定的:
基于时间反转法对所述电磁信号波形进行发射,得到闪电的空间电磁场分布;
基于所述闪电的空间电磁场分布,确定所述时间反转信号的电磁场空间分布图。
本发明还提供一种基于人工智能的闪电单站定位装置,包括:
分类预处理单元,用于基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;
智能模型确定单元,用于基于所述闪电放电事件类型,确定对应的闪电单站定位模型;
人工智能定位单元,用于将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;
其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;
其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
本发明还提供一种基于人工智能的闪电单站定位系统,包括:
闪电低频电磁场集成天线,用于探测闪电的低频电场变化信号和磁场变化信号;
电磁信号接收机,所述电磁信号接收机与所述闪电低频电磁场集成天线电连接,用于将闪电低频电场信号和磁场信号依次进行积分、放大以及滤波信号调理;
授时天线,用于通过授时天线接收机获取GPS或BD卫星信号,并处理给出精确时间和位置信息,发送到处理器中;
数据采集模块,所述数据采集模块与所述电磁信号接收机电连接,用于对调理后的电场信号及磁场信号进行触发采集,得到数字化波形信号;所述处理器用于将同步获得的时间信息和数字化波形,形成带时间戳的电场和磁场信号;
闪电定位模块,所述闪电定位模块用于处理所述数据采集模块获得的数字化波形信号,具体用于执行如上所述基于人工智能的闪电定位方法的步骤。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述基于人工智能的闪电单站定位方法的步骤。
本发明还提供一种非暂态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任一种所述基于人工智能的闪电单站定位方法的步骤。
本发明提供的基于人工智能的闪电单站定位方法、装置及系统,基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于闪电放电事件类型,确定对应的闪电单站定位模型;将时间反转信号的电磁场空间分布图和/或电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。由此可见,本发明不仅避免大范围布网,降低了安装维护成本,而且具有较高的定位精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于人工智能的闪电单站定位方法的流程示意图;
图2是本发明提供的闪电单站定位模型的结构示意图;
图3是本发明提供的闪电分类模型的结构示意图;
图4是本发明提供的基于人工智能的闪电单站定位装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
闪电定位是雷电预警和灾害防御的关键手段,目前按照站网形态多采用多站定位系统和单站定位系统进行闪电定位。虽然多站定位系统具有较高的定位精度,但多站定位系统需要大范围布网,安装及维护都较为复杂。单站定位系统具有架设安装方便、单点实现定位功能、保密和安全性高的优点,但单站定位系统大多采用电磁场信号实现方位角和距离的确定,存在定位精度低的不足,长期以来制约了单站定位技术的发展。
对此,本发明提供一种闪电定位方法。图1是本发明提供的闪电定位方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤110、基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图。
具体地,闪电放电的电磁信号波形是指云与云之间、云与地之间或者云体内各部位之间的发生放电现象时形成的电磁场信号波形,不同的电磁信号波形对应的闪电放电事件类型以及闪电的时间反转信号的电磁场空间分布图不同。将电磁信号波形与标准闪电信号波形进行比对,可以确定对应的闪电放电事件类型,其中闪电放电事件类型可以包括云闪、地闪、回击、初始击穿、NBE、K过程、M分量等。例如,若电磁信号波形与标准云闪信号比对匹配成功,则说明对应的闪电放电事件类型为云闪;若电磁信号波形与标准地闪信号比对匹配成功,则说明对应的闪电放电事件类型为地闪,依此类推。确定闪电放电事件类型可以基于人工智能的分类模型,也可基于普通波形或者特征相关方法。
此外,将探测站接收到的电磁信号在接收位置时间反转后,向周围空间发射后,可以得到时间反转信号对应的电磁磁场空间分布信息,进而获取时间反转信号的电磁场空间分布图。
步骤120、基于闪电放电事件类型,确定对应的闪电单站定位模型。
具体地,由于不同闪电放电事件类型对应的闪电放电过程不同,其定位计算遵循的物理规律也不同,则闪电的定位结果也不同。因此,在确定闪电放电事件类型后,可以确定对应的闪电单站定位模型。例如,闪电放电事件类型为云闪,则将云闪对应的闪电单站定位模型用于预测该类型的闪电定位预测。
步骤130、将时间反转信号的电磁场空间分布图和/或电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果;
其中,闪电单站定位模型是基于卷积神经网络或支持向量机构建的;卷积神经网络包括卷积层、池化层及全连接层,卷积层通过由小到大的卷积核提取电磁信号波形及时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;全连接层通过对特征向量和闪电位置回归关系得到闪电的定位结果;
其中,闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。在对闪电单站定位模型训练过程中通过调整上述特征向量大小使全连接层对其的信息提取效率达到最优,以优化模型的训练效果。
具体地,本发明实施例包括三种可选的方案:一是基于时间反转信号的电磁场空间分布图,确定闪电的定位结果;二是基于电磁信号波形,确定闪电的定位结果;三是基于时间反转信号的电磁场空间分布图以及电磁信号波形,确定闪电的定位结果,具体为:
(1)基于时间反转信号的电磁场空间分布图,确定闪电的定位结果:将时间反转信号的电磁场空间分布图输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。
具体地,闪电时间反转电磁场空间分布随闪电空间位置的变化而变化,该电磁场分布包含了实际地表的影响,因此,电磁场强度(包括电场强度和磁场强度)可以作为闪电定位的依据。将时间反转信号的电磁场空间分布图输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型(关于闪电单站定位模型的概述如上);具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的时间反转信号的电磁场空间分布图,通过人工标注确定样本闪电的位置标签。随即,样本闪电的时间反转信号的电磁场空间分布图以及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。其中,由于电磁场空间分布包含了真实地表的影响,因此,采用电磁场空间分布和闪电发生位置的关系,可以提高闪电定位的准确度。
(2)基于电磁信号波形,确定闪电的定位结果:由于电磁信号波形以及电磁场信号相对幅度与闪电的位置存在函数关系,因此本发明实施例将电磁信号波形输入至闪电单站定位模型后,可以得到闪电单站定位模型输出的闪电的定位结果。其中,在将电磁信号波形输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型,具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的电磁信号波形,通过人工标注确定样本闪电的位置标签。随即,样本闪电的电磁信号波形以及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。
(3)基于时间反转信号的电磁场空间分布图以及电磁信号波形,确定闪电的定位结果:由于时间反转信号的电磁场空间分布图可以表征电磁磁场强度与闪电空间位置的关系,以及电磁信号波形可以表征电磁场波形与闪电距离的关系,将时间反转信号的电磁场空间分布图和电磁信号波形输入至闪电单站定位模型,使得闪电单站定位模型同时学习到真实地表情况下的电磁磁场空间分布信息以及电磁信号波形信息,使得最终输入的闪电的定位结果更准确,鲁棒性更高。其中,在时间反转信号的电磁场空间分布图和电磁信号波形输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型,具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的时间反转信号的电磁场空间分布图和样本闪电的电磁信号波形,通过人工标注确定样本闪电的位置标签。随即,样本闪电的时间反转信号的电磁场空间分布图、样本闪电的电磁信号波形以及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。
由此可见,本发明实施例将时间反转信号的电磁场空间分布图和 /或电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,相较于传统的多站定位系统,避免大范围布网,降低了安装维护成本;相较于传统的单站定位系统,本发明实施例基于闪电单站定位模型的人工智能方法获取闪电的定位结果,定位精度更高。
本发明实施例提供的闪电定位方法,基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于闪电放电事件类型,确定对应的闪电单站定位模型;将时间反转信号的电磁场空间分布图和/或电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。由此可见,本发明实施例不仅避免大范围布网,降低了安装维护成本,而且具有较高的定位精度。
基于上述实施例,将时间反转信号的电磁场空间分布图输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,包括:
获取时间反转信号的电磁场空间分布图对应的RGB图;
将RGB图输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。
具体地,由于闪电单站定位模型学习有电磁磁场强度与闪电位置之间的距离关系,因此将时间反转信号的电磁场空间分布图对应的 RGB图输入至闪电单站定位模型后,可以准确得到闪电的定位结果。其中,闪电单站定位模型可以基于卷积神经网络训练得到,也可以基于支持向量机训练得到,本发明实施例对此不作具体限定。如图2所示,闪电单站定位模型可以是由输入层(Input)、卷积层(Convolution)、池化层(pooling)及输出层(Output)组成的卷积神经网络。
在将时间反转信号的电磁场空间分布图输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型,具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的时间反转信号的电磁场空间分布图,通过人工标注确定样本闪电的位置标签。随即,样本闪电的时间反转信号的电磁场空间分布图以及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。
由此可见,本发明实施例将时间反转信号的电磁场空间分布图对应的RGB图输入至闪电单站定位模型,确定闪电的定位结果,相较于传统的多站定位系统,避免大范围布网,降低了安装维护成本;相较于传统的单站定位系统中采用电磁信号确定方位角和距离,定位精度更高。
基于上述任一实施例,将时间反转信号的电磁场空间分布图输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,包括:
对时间反转信号的电磁场空间分布图进行特征提取,得到电磁场空间分布特征;
将电磁场空间分布特征输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。
具体地,通常时间反转信号的电磁场空间分布图较大,为了避免直接将时间反转信号的电磁场空间分布图输入至模型中导致模型计算量增加,降低闪电定位效率,在获取时间反转信号的电磁场空间分布图后进行特征提取,得到的电磁场空间分布特征不仅能用于表征真实地表的电磁磁场的空间强度信息,而且提取的电磁场空间分布特征相较于时间反转信号的电磁场空间分布图,大幅度减少了模型的计算量,提高了闪电定位效率。此外,闪电单站定位模型学习不同闪电类型对应的电磁场空间分布与闪电空间位置之间的关系,因此将磁场空间分布特征输入至闪电单站定位模型后,可以准确得到闪电的定位结果。其中,闪电单站定位模型可以基于卷积神经网络训练得到,也可以基于支持向量机训练得到,本发明实施例对此不作具体限定。
在将电磁场空间分布特征输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型,具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的电磁场空间分布特征,通过人工标注确定样本闪电的位置标签。随即,样本闪电的电磁场空间分布特征以及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。其中,样本闪电的电磁场空间分布特征是对样本闪电的时间反转信号的电磁场空间分布图进行特征提取得到,从而可以避免在模型训练过程中,由于样本闪电的时间反转信号的电磁场空间分布图过大增加模型计算量导致模型训练效率降低的问题,由此可见,闪电单站定位模型不仅能够准确获取闪电定位结果,而且是基于占用空间较小的电磁场空间分布特征获取定位结果,降低了闪电单站定位模型的计算量,提高了闪电定位效率。
由此可见,本发明实施例将电磁场空间分布特征输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,相较于传统的多站定位系统,避免大范围布网,降低了安装维护成本;相较于传统的单站定位系统中采用电磁信号确定方位角和距离,定位精度更高。
基于上述任一实施例,将时间反转信号的电磁场空间分布图和电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,包括:
确定时间反转信号的电磁场空间分布图对应的RGB图;
将RGB图和电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果。
具体地,由于时间反转信号的电磁场空间分布图可以表征电磁场强度与闪电空间位置之间的关系,电磁信号波形可以表征电磁场波形与闪电发生距离之间的关系,即可以理解为基于时间反转信号的电磁场空间分布图和电磁信号进行闪电定位时,使得确定的闪电定位结果同时融合了考虑实际地表的电磁场空间信息以及电磁信号波形信息,定位精度更高。
因此,闪电单站定位模型不仅学习有不同闪电类型对应的电磁磁场强度与闪电空间位置的关系,而且学习有不同闪电类型对应的电磁场波形与闪电发生距离之间的距离关系,因此将时间反转信号的电磁场空间分布图以及电磁信号波形输入至闪电单站定位模型后,可以更加准确得到闪电的定位结果。其中,闪电单站定位模型可以基于卷积神经网络训练得到,也可以基于支持向量机训练得到,本发明实施例对此不作具体限定。
在将时间反转信号的电磁场空间分布图以及电磁信号波形输入至闪电单站定位模型之前,可以通过训练得到闪电单站定位模型,具体可以通过如下步骤训练闪电单站定位模型:首先,收集大量样本闪电的时间反转信号的电磁场空间分布图和样本闪电的电磁信号波形,通过人工标注确定样本闪电的位置标签。随即,样本闪电的时间反转信号的电磁场空间分布图、样本闪电的电磁信号波形及样本闪电的位置标签对初始模型进行训练,从而得到闪电单站定位模型。
由此可见,本发明实施例将时间反转信号的电磁场空间分布图对应的RGB图和电磁信号波形输入至闪电单站定位模型,得到闪电单站定位模型输出的闪电的定位结果,相较于传统的多站定位系统,避免大范围布网,降低了安装维护成本;相较于传统的单站定位系统中采用电磁信号确定方位角和距离,定位精度更高。
基于上述任一实施例,基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型,包括:
将电磁信号波形输入至闪电分类模型,得到闪电分类模型输出的闪电分类结果;
其中,闪电分类模型是基于样本闪电的电磁信号波形以及样本闪电的类型标签训练得到。
具体地,由于电磁信号波形可以用于表征对应闪电放电事件类型的特征信息,因此基于电磁信号波形可以确定对应的闪电放电事件类型。闪电分类结果可以为各类型闪电的概率,也可以为对应的闪电放电事件的类型。在将电磁信号波形输入至闪电分类模型之前,还可以对电磁信号波形依次进行带通滤波及归一化处理,使得处理后的电磁信号波形滤除噪声干扰,进而使得闪电分类结果更准确。
此外,在将电磁信号波形输入至闪电分类模型之前,可以通过训练得到闪电分类模型,具体可以通过如下步骤训练闪电分类模型:首先,收集大量样本闪电的电磁信号波形,通过人工标注确定样本闪电的类型标签。随即,基于样本闪电的电磁信号波形以及样本闪电的类型标签对初始模型进行训练,从而得到闪电分类模型。可以理解的是,在将样本闪电的电磁信号波形输入闪电分类模型训练之前,还可以对样本闪电的电磁信号波形依次进行带通滤波及归一化处理,使得处理后的信号数据滤除噪声干扰,进而提高模型的训练效果。
在对闪电分类模型进行训练时,基于已有的闪电定位网络,收集闪电电磁波形信号和对应的闪电类型数据,对该数据进行带通滤波及归一化处理构建闪电波形、位置数据库。从闪电波形、类型数据库里选取数据作为训练集和测试集,各种类型以及区域内各类型的数据集数量相同(如云闪和地闪对应的电磁波信号数据量相同),确保训练闪电分类模型对各个类型识别精度。通过对神经网络进行训练,得到闪电分类模型,其中输入可以为定长闪电信号波形,输出为不同类别闪电信号的概率。如图3所示的闪电分类模型结构,闪电分类模型基于样本闪电的电磁信号数据以及样本闪电的类型标签训练,学习不同闪电类型波形的特征并通过不同的测试集观察模型的学习进度,得到分类精度高、鲁棒性强的模型。
基于上述任一实施例,时间反转信号的电磁场空间分布图是基于如下步骤确定的:
基于时间反转法对电磁信号波形进行发射,得到闪电的空间电磁场分布;
基于闪电的空间电磁场分布,确定时间反转信号的电磁场空间分布图。
具体地,将传感器接收到的闪电电磁信号波形通过时间反转方法向空间发射,获得一定区域内的空间电磁场分布,并进行归一化处理,将二维电场分布保存成RGB图像。其中,在时间反转电磁信号过程中,可以考虑地表参量,通过数值计算反演时间反转电磁信号的空间分布,从而使得获取的时间反转信号的电磁场空间分布图能够更加准确表征磁场的分布信息。
下面对本发明提供的基于人工智能的闪电单站定位装置进行描述,下文描述的基于人工智能的闪电单站定位装置与上文描述的基于人工智能的闪电单站定位方法可相互对应参照。
基于上述任一实施例,如图4所示,本发明提供一种闪电定位装置,该装置包括:
分类预处理单元410,用于基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;
智能模型确定单元420,用于基于所述闪电放电事件类型,确定对应的闪电单站定位模型;
人工智能定位单元430,用于将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;
其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;
其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
基于上述任一实施例,人工智能定位单元430,用于:
获取所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
基于上述任一实施例,人工智能定位单元430,用于:
对所述时间反转信号的电磁场空间分布图进行特征提取,得到电磁场空间分布特征;
将所述电磁场空间分布特征输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
基于上述任一实施例,人工智能定位单元430,用于:
确定所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图和所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
基于上述任一实施例,分类预处理单元410,用于:
将所述电磁信号波形输入至闪电分类模型,得到所述闪电分类模型输出的闪电分类结果;
其中,所述闪电分类模型是基于样本闪电的电磁信号波形以及样本闪电的类型标签训练得到。
基于上述任一实施例,还包括分布图确定单元,用于:
基于时间反转法对所述电磁信号波形进行发射,得到闪电的空间电磁场分布;
基于所述闪电的空间电磁场分布,确定所述时间反转信号的电磁场空间分布图。
基于上述任一实施例,本发明提供一种基于人工智能的闪电单站定位系统,包括:
闪电低频电磁场集成天线,用于探测闪电的低频电场变化信号和磁场变化信号;
电磁信号接收机,电磁信号接收机与闪电低频电磁场集成天线电连接,用于将闪电低频电场信号和磁场信号依次进行积分、放大以及滤波信号调理;
授时天线和接收机,用于通过授时天线接收机获取GPS或BD 卫星信号,并处理给出精确时间和位置信息,发送到处理器中;
数据采集模块,数据采集模块与电磁信号接收机电连接,用于对调理后的电场信号及磁场信号进行触发采集,得到数字化波形信号;处理器用于将同步获得的时间信息和数字化波形,形成带时间戳的电场和磁场信号;
闪电定位模块,闪电定位模块用于处理数据采集模块获得的数字化波形信号,具体用于执行如上任一实施例所述基于人工智能的闪电定位方法的步骤。
具体地,闪电定位系统为单站定位系统,包括闪电低频电磁场集成天线、电磁信号接收机、授时天线、处理器、数据采集模块和闪电定位模块。其中,闪电低频电磁场集成天线包括平板电天线和正交磁天线,用于接收闪电电磁信号输入到电磁信号接收机转换成所需模拟信号。授时天线可以为GPS天线或BD天线,用于接收到电磁信号后通过其接收机获得精确时间信号。数据采集模块用于对上述的电磁模拟信号就行分段触发采集并标记触发时间戳;处理器将采集到的分段信号进行寻峰运算,找到包含有低频脉冲的电磁场信号。闪电定位模块用于将该低频电磁场信号输入到训练好的闪电分类模型,获得闪电信号分类结果,并进行闪电放电事件计数,然后将符合预设条件的闪电放电事件的波形或时间反转的信息或者两者结合输入到已经训练好的闪电单站定位模型,获得闪电的定位结果。此外,闪电单站定位系统还可将闪电的定位结果,闪电的分类结果及闪电发生时间打包,输出到网口,以便后续对闪电事件进行分析。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行基于人工智能的闪电单站定位方法,该方法包括:基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于所述闪电放电事件类型,确定对应的闪电单站定位模型;将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于人工智能的闪电单站定位方法,该方法包括:基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于所述闪电放电事件类型,确定对应的闪电单站定位模型;将所述时间反转信号的电磁场空间分布图和/ 或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于人工智能的闪电单站定位方法,该方法包括:基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;基于所述闪电放电事件类型,确定对应的闪电单站定位模型;将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;其中,所述闪电单站定位模型是基于卷积神经网络或支持向量机构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形及所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的闪电单站定位方法,其特征在于,包括:
基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;
基于所述闪电放电事件类型,确定对应的闪电单站定位模型;
将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;
其中,所述闪电单站定位模型是基于卷积神经网络构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形和/或所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;
其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
2.根据权利要求1所述的基于人工智能的闪电单站定位方法,其特征在于,所述将所述时间反转信号的电磁场空间分布图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
获取所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
3.根据权利要求1所述的基于人工智能的闪电单站定位方法,其特征在于,所述将所述时间反转信号的电磁场空间分布图输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
对所述时间反转信号的电磁场空间分布图进行特征提取,得到电磁场空间分布特征;
将所述电磁场空间分布特征输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
4.根据权利要求1所述的基于人工智能的闪电单站定位方法,其特征在于,所述将所述时间反转信号的电磁场空间分布图和所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果,包括:
确定所述时间反转信号的电磁场空间分布图对应的RGB图;
将所述RGB图和所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果。
5.根据权利要求1至4任一项所述的基于人工智能的闪电单站定位方法,其特征在于,所述基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型,包括:
将所述电磁信号波形输入至闪电分类模型,得到所述闪电分类模型输出的闪电分类结果;
其中,所述闪电分类模型是基于样本闪电的电磁信号波形以及样本闪电的类型标签训练得到。
6.根据权利要求1至4任一项所述的基于人工智能的闪电单站定位方法,其特征在于,所述时间反转信号的电磁场空间分布图是基于如下步骤确定的:
基于时间反转法对所述电磁信号波形进行发射,得到闪电的时间反转信号的空间电磁场分布;
基于所述闪电的时间反转信号的空间电磁场分布,确定所述时间反转信号的电磁场空间分布图。
7.一种基于人工智能的闪电单站定位装置,其特征在于,包括:
分类预处理单元,用于基于待定位闪电放电的电磁信号波形,确定闪电放电事件类型以及时间反转信号的电磁场空间分布图;
智能模型确定单元,用于基于所述闪电放电事件类型,确定对应的闪电单站定位模型;
人工智能定位单元,用于将所述时间反转信号的电磁场空间分布图和/或所述电磁信号波形输入至所述闪电单站定位模型,得到所述闪电单站定位模型输出的闪电的定位结果;
其中,所述闪电单站定位模型是基于卷积神经网络构建的;所述卷积神经网络包括卷积层、池化层及全连接层,所述卷积层通过由小到大的卷积核提取所述电磁信号波形和/或所述时间反转信号的电磁场空间分布图数据特征并构建整体特征向量;所述全连接层通过对所述特征向量和闪电位置回归关系得到闪电的定位结果;
其中,所述闪电单站定位模型是基于样本闪电的时间反转信号的电磁场空间分布图和/或样本闪电的电磁信号波形,以及样本闪电的位置标签训练得到。
8.一种基于人工智能的闪电单站定位系统,其特征在于,包括:
闪电低频电磁场集成天线,用于探测闪电的低频电场变化信号和磁场变化信号;
电磁信号接收机,所述电磁信号接收机与所述闪电低频电磁场集成天线电连接,用于将闪电低频电场信号和磁场信号依次进行积分、放大以及滤波信号调理;
授时天线,用于通过授时天线接收机获取GPS或BD卫星信号,并处理给出精确时间和位置信息,发送到处理器中;
数据采集模块,所述数据采集模块与所述电磁信号接收机电连接,用于对调理后的电场信号及磁场信号进行触发采集,得到数字化波形信号;所述处理器用于将同步获得的时间信息和数字化波形,形成带时间戳的电场和磁场信号;
闪电定位模块,所述闪电定位模块用于处理所述数据采集模块获得的数字化波形信号,具体用于执行如权利要求1至6任一项所述基于人工智能的闪电单站 定位方法的步骤。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于人工智能的闪电单站定位方法的步骤。
10.一种非暂态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如权利要求1至6任一项所述基于人工智能的闪电单站定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172823.2A CN112964938B (zh) | 2021-02-08 | 2021-02-08 | 一种基于人工智能的闪电单站定位方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172823.2A CN112964938B (zh) | 2021-02-08 | 2021-02-08 | 一种基于人工智能的闪电单站定位方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112964938A CN112964938A (zh) | 2021-06-15 |
CN112964938B true CN112964938B (zh) | 2022-01-04 |
Family
ID=76275531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172823.2A Active CN112964938B (zh) | 2021-02-08 | 2021-02-08 | 一种基于人工智能的闪电单站定位方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112964938B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960375A (zh) * | 2021-10-18 | 2022-01-21 | 特斯联科技集团有限公司 | 用于森林草原火灾预警的人工智能雷电探测系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1485721A2 (en) * | 2002-02-13 | 2004-12-15 | Vaisala, Inc. | Lightning detection and data acquisition system |
CN101609145A (zh) * | 2009-07-29 | 2009-12-23 | 中国气象科学研究院 | 甚低频与甚高频结合的全闪电定位系统 |
CN103250072B (zh) * | 2010-04-27 | 2017-02-22 | 哈里伯顿能源服务公司 | 通过使用钻头地震对断裂的干涉测量钻头成像、时间反演成像来进行断裂表征、和经由时间反演的声学和电震对断裂产生的监测 |
US9465067B2 (en) * | 2013-04-08 | 2016-10-11 | ECOLE POLYTECHNIQUE FéDéRALE DE LAUSANNE | Efficient method based on the electromagnetic time reversal to locate faults in power network |
JP6351879B1 (ja) * | 2016-10-18 | 2018-07-04 | 三菱電機株式会社 | 電磁駆動型アクチュエータの位置制御装置及び位置制御方法 |
CN208444006U (zh) * | 2018-03-19 | 2019-01-29 | 贵州电网有限责任公司 | 一种基于时间反转镜成像技术的电磁波透地探测设备 |
CN110969123A (zh) * | 2019-12-02 | 2020-04-07 | 集美大学 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
CN111313932B (zh) * | 2020-02-07 | 2021-07-13 | 西安交通大学 | 一种基于电磁时间反演的传递函数相关性的传输线及网络故障定位方法 |
-
2021
- 2021-02-08 CN CN202110172823.2A patent/CN112964938B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112964938A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581546B (zh) | 基于微波链路衰减及偏振信息的降雨类型识别方法 | |
US20180357788A1 (en) | UAV Inspection Method for Power Line Based on Human Visual System | |
CN110427878B (zh) | 一种快速射电暴信号识别方法与系统 | |
CN111913156A (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN104869630B (zh) | 基于离线指纹库的伪基站快速定位方法与系统 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN112307969A (zh) | 一种脉冲信号的分类辨识方法、装置及计算机设备 | |
CN112964938B (zh) | 一种基于人工智能的闪电单站定位方法、装置及系统 | |
CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
CN114200387A (zh) | 一种tacan空间信号场型的飞行校验评估方法 | |
CN112881812B (zh) | 基于机器学习编码的全闪实时定位方法及装置 | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
CN115508800A (zh) | 一种电离层频高图扩展f现象雷达图形的筛选方法及系统 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN113406439A (zh) | 一种配电网故障定位方法 | |
CN111539372B (zh) | 病虫害分布的监测方法、设备、存储介质及装置 | |
CN111522016A (zh) | 空间目标激光测距微弱信号识别模型构建方法及装置 | |
CN115588439A (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN114627468A (zh) | 一种基于生成对抗网络的麦田障碍物检测方法 | |
CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN117119434B (zh) | 人员识别的方法、装置、设备及存储介质 | |
CN116647617B (zh) | 一种野外低信号环境的手机信号接收增强方法及装置 | |
CN114390535B (zh) | 小区覆盖范围的展示方法、装置、设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |