CN113255510B - 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 - Google Patents
一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 Download PDFInfo
- Publication number
- CN113255510B CN113255510B CN202110556277.2A CN202110556277A CN113255510B CN 113255510 B CN113255510 B CN 113255510B CN 202110556277 A CN202110556277 A CN 202110556277A CN 113255510 B CN113255510 B CN 113255510B
- Authority
- CN
- China
- Prior art keywords
- electric field
- field signal
- component
- entropy
- signal
- 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
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
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Abstract
本发明针对雷暴云发展过程难以可视化问题,提出一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法;采用CEEMDAN‑SG对时序大气电场信号进行分解后,将重构信号再分解成多组样本数相等的信号分量。根据能反映不同电场信号规则的样本熵,对分量信号进行时序重构,形成多时间尺度电场信号。引入点电荷定位算法,得到对应尺度的点电荷移动路径分支。利用DBSCAN将分支数据进行聚类后,根据原时序进行曲线拟合,实现移动路径成像。结果表明,该方法能够对电场信号进行二次去噪,相比于聚类前,聚类后的成像误差降低了约2.33%。
Description
技术领域
本发明属于雷电探测领域,具体涉及一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法。
背景技术
大气电场是大气物理和空间物理领域的重要物理现象。就全球平均而言,近地面大气电场强度约为0.1kV/m至0.2kV/m,从地面到大气顶部总电势差约为250kV。闪电发生期间地面电场强度峰值可达到达几十千伏/米,呈现脉冲变化特征。一些研究成果还表明大气电场强度与沙尘暴、地震等重大灾害活动有关。基于大气电场测量的雷电预警方法研究,对提高雷电灾害预警防护能力,具有重要的理论和实际应用价值。
近些年,国内外已出现三维大气电场测量的成果。为研究电场信号与雷暴云点电荷方位关系,Xing等人于2019年利用三维大气电场分量,推导出雷暴云点电荷坐标公式,提出了一种点电荷定位算法,取得了一定成果。然而,他们仅利用少量间断时间点的电场数据进行了实验。Tantisattayakul等人设计了能在地面同时测量大气电场垂直和水平分量的混合式大气电场仪,在一次雷暴活动中成功指出闪电密集区域位置,与闪电定位仪数据基本吻合。张星等人研制了由三个正交方向感应片组成的高空三维电场仪,特别设计了保温和电池单元,但主要用于高空三维电场探测。若考虑实际长时序大气电场信号的非线性非平稳特征,这些方法还有待于进一步验证。
发明内容
发明目的:针对以上问题,本发明提出一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,包括如下步骤:
步骤1,利用基于互补集合经验模态对原始大气电场信号分解得到模态分量,并根据各模态分量的自相关函数划分白噪声占主导的模态分量和剩余分量,对白噪声占主导的模态分量进行SG滤波,将滤波后的模态分量与剩余分量进行重构,得到预处理后的大气电场信号,包括:
步骤1.1,对原始大气电场信号加入和减去白噪声,得到第i次加入和减去白噪声后的大气电场信号:
式中,x(n)为原始大气电场信号;ωi(n)为第i次加入和减去的白噪声信号,i=1,2,…,N;N为加入和减去高斯白噪声的次数;为第i次加入白噪声后的大气电场信号;为第i次减去白噪声后的大气电场信号;
步骤1.2,分别对大气电场信号和/>进行分解,得到各自对应的模态分量;其中,/>表示大气电场信号/>分解得到的第j个模态分量,j=1,2,…,M,M表示模态分量的数目,其中大气电场信号/>与大气电场信号/>分解得到的模态分量的数目可能不同;/>表示大气电场信号/>分解得到第j个模态分量;IMF表示固有模态分量;
步骤1.3,将分解后的模态分量进行集成平均,得到新的模态分量;其中,集成平均公式如下:
式中,IMFj(n)表示集成平均后的第j个模态分量;
步骤1.4,分别对集成平均后的模态分量IMFj(n)计算各自的自相关函数IMFj'(n),并根据白噪声与大气电场信号的自相关特性,得到白噪声占主导的模态分量IMF1(n)~IMFk(n);
步骤1.5,对白噪声占主导的模态分量进行SG滤波,得到去噪后的模态分量IMF1”(n)~IMFk”(n);
步骤1.6,将滤波后的模态分量和剩余分量重构,得到预处理后的大气电场信号:
式中,x'(n)表示预处理后的大气电场信号。
若直接利用DBSCAN对电场信号x'(n)进行聚类,可能会出现两个问题:第一,雷暴云点电荷分布的规则会影响分支路径的识别率;第二,这种基于空间的聚类没有考虑时间分布,而是将所有满足要求的点电荷归为一类,导致不同时间出现的点电荷无法区分。
步骤2,参考正弦规则信号熵值,利用样本电场实测数据信息,得到反映不同电场信号规则的样本熵区间,包括规则电场信号熵区间R1、不规则电场信号熵区间R2和介于规则与不规则电场信号熵区间R3,包括:
以设定时间范围内晴天的垂直大气电场数据信息为样本,计算晴天电场信号的样本熵平均值,设置规则电场信号熵区间R1为(0,晴天电场信号的样本熵平均值);
以设定时间范围内雷暴期间的垂直大气电场数据信息为样本,计算雷暴电场信号的样本熵平均值,设置不规则电场信号熵区间R2为(雷暴电场信号的样本熵平均值,+∞);
设置介于规则与不规则电场信号熵区间R3为:
[晴天电场信号的样本熵平均值,雷暴电场信号的样本熵平均值]。
步骤3,利用反映不同电场信号规则的样本熵区间,对预处理后的大气电场信号进行时序重构,形成多时间尺度的时序分量信号,包括如下步骤:
步骤3.1,将预处理后的大气电场信号x'(n)以设定采样频率进行分解,得到多组分量信号xm,t(m)'(n),并利用样本熵法计算分量信号xm,t(m)'(n)的熵值;其中,m表示分量信号的编号,t(m)表示第m个分量信号所对应的时间区间;
步骤3.2,根据分量信号xm,t(m)'(n)各自所属的电场信号规则的样本熵区间,将分量信号对应归类至规则电场信号熵值区间R1、不规则电场信号熵值区间R2或介于规则与不规则电场信号熵值区间R3;
步骤3.3,分别判断属于不同电场信号规则的样本熵区间内的分量信号中是否存在连续的时序分量信号,将样本熵区间内的连续的时序分量信号进行时序重构,得到具有多时间尺度的时序分量信号,同时独立时序分量仍然包含在其原本所属的样本熵区间内。
步骤4,利用点电荷定位算法,分别计算反映不同电场信号规则的样本熵区间中的多时间尺度的时序分量信号的点电荷坐标,并根据时序对点电荷坐标进行排列,得到点电荷移动路径的不同分支数据;
其中,时序分量信号的点电荷坐标的计算方法如下:
以大气电场仪为坐标原点,建立三维直角坐标系;
定义点电荷q的水平偏角和仰角分别为α和β,r为点电荷q到坐标原点的距离;
根据电场分量两两正交性,则多时间尺度的时序分量信号xm,t(m)'(n)在方向x、y、z上的电场分量分别为Ex、Ey和Ez;定义正北方向Ex大于0,正东方向Ey大于0,得到点电荷q的坐标(r,α,β)为:
式中,A和B为中间变量,且ε1、ε2分别为空气介电常数、大气电场仪所在地面的介电常数;
步骤5,利用DBSCAN将步骤4所述不同分支数据进行聚类处理后,利用时序进行曲线拟合,实现点电荷移动路径成像。
有益效果:与现有技术相比,本发明技术方案具有以下有益技术效果:
本发明提供了一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,首次将DBSCAN和样本熵用于雷暴云点电荷移动路径成像,减少雷暴云点电荷定位误差,对点电荷移动路径进行实时跟踪与定位,并能够运用到雷电探测中。本发明所述方法首先利用基于互补集合经验模态分解和SG滤波对时序大气电场信号进行分解后重构,将重构信号再分解成多组样本数相等的信号分量;通过客观规定反映不同电场信号规则的样本熵区间,进而对分量信号进行时序重构,形成多时间尺度电场信号;并引入点电荷定位算法,得到对应尺度的点电荷移动路径分支;最后利用DBSCAN将分支数据进行聚类后,根据原时序进行曲线拟合,实现移动路径成像。该方法不仅能对大气电场信号进行二次去噪,以减少雷暴云点电荷定位误差,而且相比于聚类前,聚类后的成像误差大大降低。
附图说明
图1是一种实施例下2018年10月27日06:00到08:00的垂直大气电场数据图;
图2是一种实施例下晴天垂直电场信号的样本熵变化图;
图3是一种实施例下2018年8月12日20:00到21:30的垂直大气电场数据图;
图4是一种实施例下雷暴天气电场信号的样本熵变化图;
图5是一种实施例下2019年8月4日16:20到16:50的大气电场信号图;
图6是一种实施例下2019年8月4日16:20到16:50的CEEMDAN-SG结果图;
其中,(a)是垂直分量Ez的重构结果;(b)是水平分量Ex的重构结果;(c)是水平分量Ey的重构结果;
图7是一种实施例下各垂直电场信号分量的样本熵分布图;
图8是一种实施例下聚类后的全时序点电荷定位结果;
图9是一种实施例下点电荷移动路径拟合结果图;
其中,(a)是点电荷移动路径俯视图;(b)是点电荷南北方向移动路径;(c)是点电荷东西方向移动路径。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,包括如下步骤:
步骤1,利用基于互补集合经验模态对原始大气电场信号分解得到模态分量,并根据各模态分量的自相关函数划分白噪声占主导的模态分量和剩余分量,对白噪声占主导的模态分量进行SG滤波,将滤波后的模态分量与剩余分量进行重构,得到预处理后的大气电场信号,包括:
步骤1.1,对原始大气电场信号加入和减去白噪声,得到第i次加入和减去白噪声后的大气电场信号:
式中,x(n)为原始大气电场信号;ωi(n)为第i次加入和减去的白噪声信号,i=1,2,…,N;N为加入和减去高斯白噪声的次数;为第i次加入白噪声后的大气电场信号;为第i次减去白噪声后的大气电场信号;
步骤1.2,分别对大气电场信号和/>进行分解,得到各自对应的模态分量;用/>表示大气电场信号/>分解得到的第j个模态分量,j=1,2,…,M,M表示模态分量的数目;/>表示大气电场信号/>分解得到的第j个模态分量;IMF表示固有模态分量;
步骤1.3,将分解后的模态分量进行集成平均,得到新的模态分量;其中,集成平均公式如下:
式中,IMFj(n)表示集成平均后的第j个模态分量;
步骤1.4,分别对集成平均后的模态分量IMFj(n)计算各自的自相关函数IMFj'(n),并根据白噪声与大气电场信号的自相关特性,得到白噪声占主导的模态分量IMF1(n)~IMFk(n);
步骤1.5,对白噪声占主导的模态分量进行SG滤波,得到去噪后的模态分量IMF1”(n)~IMFk”(n);
步骤1.6,将滤波后的模态分量和剩余分量重构,得到预处理后的大气电场信号:
式中,x'(n)表示预处理后的大气电场信号。
若直接利用DBSCAN对电场信号x'(n)进行聚类,可能会出现两个问题:第一,雷暴云点电荷分布的规则会影响分支路径的识别率;第二,这种基于空间的聚类没有考虑时间分布,而是将所有满足要求的点电荷归为一类,导致不同时间出现的点电荷无法区分。
步骤2,参考正弦规则信号熵值,利用样本电场实测数据信息,得到反映不同电场信号规则的样本熵区间,包括规则电场信号熵区间R1、不规则电场信号熵区间R2和介于规则与不规则电场信号熵区间R3,包括:
以设定时间范围内晴天的垂直大气电场数据信息为样本,计算晴天电场信号的样本熵平均值,设置规则电场信号熵区间R1为(0,晴天电场信号的样本熵平均值);
以设定时间范围内雷暴期间的垂直大气电场数据信息为样本,计算雷暴电场信号的样本熵平均值,设置不规则电场信号熵区间R2为(雷暴电场信号的样本熵平均值,+∞);
设置介于规则与不规则电场信号熵区间R3为[晴天电场信号的样本熵平均值,雷暴电场信号的样本熵平均值]。
为了将各分量熵值作为重构分量信号xm,t(m)'(n)的标准,需得到不规则、规则、介于规则与不规则间的电场信号熵值区间;由于现有文献中没有明确的相关规定,所以参考正弦规则信号样本熵0.04、随机信号样本熵2.5,同时结合实测电场数据对熵值进行分类。
参考图1,本实施例下选取2018年10月27日06:00到08:00晴天的垂直大气电场数据,从图1看出,该电场信号在-3.0690kV/m至4.3460kV/m之间平稳变化,具有较强的晴天电场特征。
参考图2,120个区间样本熵中,晴天电场信号的样本熵主要分布在0到0.5之间,平均值为0.3669,中值为0.1593。能够看出,少量样本熵超过了2,同时绝大部分熵值仅比正弦信号熵值大了一个量级。考虑到电场信号本身就是一种非平稳、非线性信号,所以将小于平均熵值的区间(0,0.3669)记为R1,并将此作为判断规则电场信号的熵值区间是合理的。
参考图3,本实施例下选取2018年8月12日20:00到21:30雷暴期间的垂直大气电场数据,由图3可知,雷暴期间的电场信号变化较为剧烈,电场幅度处于-12.8900kV/m到11.2360kV/m间,表现出明显的不规则性。
参考图4,90个区间的样本熵中,阴天电场信号的样本熵主要分布在0.3到1.5之间,平均值为0.4537,中值为0.2907。样本熵值较大的部分超过2.5,相当一部分熵值接近或超过1。而这达到了随机信号熵值量级。所以将大于平均熵值的区间(0.4537,+∞)记为R2,并将此作为判断不规则信号的熵值区间是合理的。
此时,将区间[0.3669,0.4537]作为判断介于不规则与规则间的电场信号熵值区间,记为R3。
步骤3,利用反映不同电场信号规则的样本熵区间,对预处理后的大气电场信号进行时序重构,形成多时间尺度的时序分量信号,包括如下步骤:
步骤3.1,将预处理后的大气电场信号x'(n)以1Hz采样频率进行分解,得到多组分量信号xm,t(m)'(n),并利用样本熵法计算分量信号xm,t(m)'(n)的熵值;其中,m表示分量信号的编号,t(m)表示第m个分量信号所对应的时间区间,此时,大气电场分量信号xm,t'(n)的时间尺度均为60s;
步骤3.2,定义大气电场分量信号xm,t'(n)分为规则类C1、不规则类C2、介于不规则与规则间的C3类;
根据R1、R2和R3的不同区间范围,判断不同分量信号xm,t(m)'(n)的熵值Hm所处的不同区间,将分量xm,t(m)'(n)对应归类;
步骤3.3,当某一类含有的信号中存在连续时序分量时,对这些分量进行时序重组,合并成具有多时间尺度的时序分量信号;反之,独立时序分量无需进行重组,仍包含在其原本所在的类别中。
步骤4,利用点电荷定位算法,分别计算C1、C2、C3这三类中的多时间尺度的时序分量信号的点电荷坐标,并根据时序对点电荷坐标进行排列,得到点电荷移动路径的不同分支数据;
其中,时序分量信号的点电荷坐标的计算方法如下:
以大气电场仪为坐标原点,建立三维直角坐标系;
定义点电荷q的水平偏角和仰角分别为α和β,r为点电荷q到坐标原点的距离;
根据电场分量两两正交性,则多时间尺度的时序分量信号xm,t(m)'(n)在方向x、y、z上的电场分量分别为Ex、Ey和Ez;定义正北方向Ex大于0,正东方向Ey大于0,得到点电荷q的坐标(r,α,β)为:
式中,A和B为中间变量,且ε1、ε2分别为空气介电常数、大气电场仪所在地面的介电常数;
步骤5,对应C1、C2、C3这三类,将分支数据分为规则坐标类RC、不规则坐标类IC和介于不规则与规则间的中间类MC,进一步用于自适应DBSCAN中;利用点电荷坐标数据,在时间与空间尺度上对不同分支数据的移动路径进行三维成像,可用于雷暴云发展过程的研究。
然而,即使在电场信号预处理中已减小了时序误差,空间尺度上的点电荷定位误差仍存在。为此,使用一种基于密度的DBSCAN聚类方法,对各分支数据进行处理。根据原时序,除属于噪声类别的点电荷外,对剩下的点电荷进行曲线拟合,实现点电荷移动路径成像。
根据上述实施例方法,对基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法进行一次验证性实验:
参考图5,在2019年8月4日16:20到16:50期间观测到的三维大气电场数据的时间序列图。从图5可以得知,在雷暴期间,从电场仪获得的Ex、Ey、Ez的波动范围明显大于晴天。同时可以看到三者的最大电场幅度均超过了5kV/m。特别是Ez的波动较大,最大幅度接近25kV/m。此外,在16:43左右电场发生了极性反转,并在之后的时间内发生了多次极性反转,进一步猜想是由于雷暴中的放电活动导致的。
利用CEEMDAN-SG对大气电场信号进行预处理,重构结果参考图6的(a)、(b)和(c)。在图6中,重构后的大气电场信号与图5所示原始信号有所区别,信号中含有一定量级的噪声,特别是在信号剧烈变化时噪声幅度较大。为进一步分析重构前后的电场信号特征,给出了重构前后电场信号的统计结果表,参考表1:
表1重构前后电场信号的统计结果
表1中,阴天垂直电场分量Ez的平均值远大于表1所示的平均值,水平分量平均值也较大。此外,重构前后电场分量Ex、Ey、Ez的标准差均较大。这表明信号波动较大,符合雷暴天气电场特征。整体上,重构后的标准差略小于重构前,从侧面反映出预处理的效果。信噪比方面,重构后的信号信噪比各提高了6.06%、4.37%、4.89%,更能表现出CEEMDAN-SG具有较好的效果。
这里,将重构后的垂直电场信号分解为30个分量xm,t(m)'(n),得到各分量的样本熵如图7所示。根据区间R1、R2、R3,对图7所示的熵值进行分类,实现分量信号时序重构。结果参考表2:
表2 基于样本熵的大气电场信号时序重构结果
从表2中看出,30个信号分量经过基于样本熵的时序重构后,重新组成了7个不同时间尺度的信号分量。其中,x'1至x'3属于规则坐标RC类,x'4至x'6属于不规则坐标IC类,x'7属于MC类。
随后,利用点电荷定位算法,计算各类中的点电荷坐标,得到点电荷移动路径分支。按照时序先后,对各分支数据进行DBSCAN处理,得到如图8所示聚类后的点电荷定位结果。其中点电荷发生在西北方向,随着时间电荷发生了移动,并在东南方向消失。
从图8能够大致看出,从16:20到16:50,雷暴云点电荷从西北方向往东南方向移动,当到达测试点上空时的雷暴活动较弱。此外,由聚类而去除的噪声点达到了42个,使得点电荷成像误差降低了约2.33%。
为更清晰地显示点电荷移动路径,根据时序,对聚类后的数据进行三维多项式拟合,结果见图9。
图9中的曲线展示了不同视角的点电荷移动路径拟合结果。从图9的(a)中看出,在16:20,点电荷发生于北偏西28.07度且距电场仪1.70km处。随着时间的推移,雷暴云往东南方向移动,距离电场仪越来越近。结合图9的(b)和(c),在16:28左右,点电荷位于北偏西方向30.96度处,此时距离电场仪0.71km,正进一步逼近测试点。在16:37分左右,点电荷从电场仪西北方向移动到北偏东72.26度的上空,仅距离电场仪0.51km。此外,仰角达到了66.74度,几乎与电场仪所在坐标系的Z轴垂直。从16:37到16:50,图9的(c)中Z轴高度逐渐降至零左右,说明了该期间的雷暴运动正逐渐减弱至结束。
并且,从图5能够看出,16:20到16:29的电场信号幅度逐渐增大。从16:29到16:44,电场变化剧烈,且在16:38和16:43附近分别出现了一次明显的极性反转现象。从16:44到16:50,电场幅度在剧烈变化中变小,雷暴云活动减弱。这与图9的分析结果基本一致,表明具有较好的成像效果。
Claims (4)
1.一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,其特征在于,包括如下步骤:
步骤1,利用基于互补集合经验模态对原始大气电场信号分解得到模态分量,并根据各模态分量的自相关函数划分白噪声占主导的模态分量和剩余分量,对白噪声占主导的模态分量进行SG滤波,将滤波后的模态分量与剩余分量进行重构,得到预处理后的大气电场信号;
步骤2,参考正弦规则信号熵值,利用样本电场实测数据信息,得到反映不同电场信号规则的样本熵区间,包括规则电场信号熵区间R1、不规则电场信号熵区间R2和介于规则与不规则电场信号熵区间R3;
步骤3,利用反映不同电场信号规则的样本熵区间,对预处理后的大气电场信号进行时序重构,形成多时间尺度的时序分量信号;
步骤3.1,将预处理后的大气电场信号x'(n)以设定采样频率进行分解,得到多组分量信号xm,t(m)'(n),并利用样本熵法计算分量信号xm,t(m)'(n)的熵值;其中,m表示分量信号的编号,t(m)表示第m个分量信号所对应的时间区间;
步骤3.2,根据分量信号xm,t(m)'(n)各自所属的电场信号规则的样本熵区间,将分量信号对应归类至规则电场信号熵值区间R1、不规则电场信号熵值区间R2或介于规则与不规则电场信号熵值区间R3;
步骤3.3,分别判断属于不同电场信号规则的样本熵区间内的分量信号中是否存在连续的时序分量信号,将样本熵区间内的连续的时序分量信号进行时序重构,得到具有多时间尺度的时序分量信号,同时独立时序分量仍然包含在其原本所属的样本熵区间内;
步骤4,利用点电荷定位算法,分别计算反映不同电场信号规则的样本熵区间中的多时间尺度的时序分量信号的点电荷坐标,并根据时序对点电荷坐标进行排列,得到点电荷移动路径的不同分支数据;
步骤5,利用DBSCAN将步骤4所述不同分支数据进行聚类处理后,利用时序进行曲线拟合,实现点电荷移动路径成像。
2.根据权利要求1所述的一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,其特征在于,所述步骤1的具体过程如下:
步骤1.1,对原始大气电场信号加入和减去白噪声,得到第i次加入和减去白噪声后的大气电场信号:
式中,x(n)为原始大气电场信号;ωi(n)为第i次加入和减去的白噪声信号,i=1,2,…,N;N为加入和减去白噪声的次数;为第i次加入白噪声后的大气电场信号;/>为第i次减去白噪声后的大气电场信号;
步骤1.2,分别对大气电场信号和/>进行分解,得到各自对应的模态分量;用表示大气电场信号/>分解得到的第j个模态分量,j=1,2,…,M,M表示模态分量的数目;/>表示大气电场信号/>分解得到的第j个模态分量;IMF表示模态分量;
步骤1.3,将分解后的模态分量进行集成平均,得到新的模态分量;其中,集成平均公式如下:
式中,IMFj(n)表示集成平均后的第j个模态分量;
步骤1.4,分别对集成平均后的模态分量IMFj(n)计算各自的自相关函数IMFj'(n),并根据白噪声与大气电场信号的自相关特性,得到白噪声占主导的模态分量IMF1(n)~IMFk(n);
步骤1.5,对白噪声占主导的模态分量进行SG滤波,得到去噪后的模态分量IMF1”(n)~IMFk”(n);
步骤1.6,将滤波后的模态分量和剩余分量重构,得到预处理后的大气电场信号:
式中,x'(n)表示预处理后的大气电场信号。
3.根据权利要求1所述的一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,其特征在于,步骤2所述利用样本电场实测数据信息,得到反映不同电场信号规则的样本熵区间,方法如下:
以设定时间范围内晴天的垂直大气电场数据信息为样本,计算晴天电场信号的样本熵平均值,设置规则电场信号熵区间R1为(0,晴天电场信号的样本熵平均值);
以设定时间范围内雷暴期间的垂直大气电场数据信息为样本,计算雷暴电场信号的样本熵平均值,设置不规则电场信号熵区间R2为(雷暴电场信号的样本熵平均值,+∞);
设置介于规则与不规则电场信号熵区间R3为:
[晴天电场信号的样本熵平均值,雷暴电场信号的样本熵平均值]。
4.根据权利要求1所述的一种基于多时间尺度DBSCAN和样本熵的雷暴云点电荷移动路径成像方法,其特征在于,步骤4中利用点电荷定位算法,分别计算反映不同电场信号规则的样本熵区间中的多时间尺度的时序分量信号的点电荷坐标,时序分量信号的点电荷坐标计算方法如下:
以大气电场仪为坐标原点,建立三维直角坐标系;
定义点电荷q的水平偏角和仰角分别为α和β,r为点电荷q到坐标原点的距离;
根据电场分量两两正交性,则多时间尺度的时序分量信号xm,t(m)'(n)在方向x、y、z上的电场分量分别为Ex、Ey和Ez;定义正北方向Ex大于0,正东方向Ey大于0,得到点电荷q的坐标(r,α,β)为:
式中,A和B为中间变量,且ε1、ε2分别为空气介电常数、大气电场仪所在地面的介电常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556277.2A CN113255510B (zh) | 2021-05-21 | 2021-05-21 | 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556277.2A CN113255510B (zh) | 2021-05-21 | 2021-05-21 | 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255510A CN113255510A (zh) | 2021-08-13 |
CN113255510B true CN113255510B (zh) | 2023-07-25 |
Family
ID=77183561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556277.2A Active CN113255510B (zh) | 2021-05-21 | 2021-05-21 | 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255510B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078014B (zh) * | 2023-08-23 | 2024-03-01 | 国网山东省电力公司临沂供电公司 | 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870923A (zh) * | 2014-03-03 | 2014-06-18 | 华北电力大学 | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 |
CN106251026A (zh) * | 2016-08-16 | 2016-12-21 | 南京信息工程大学 | 基于pdbscan算法的雷电临近趋势预报方法 |
CN108520023A (zh) * | 2018-03-22 | 2018-09-11 | 合肥佳讯科技有限公司 | 一种基于混合聚类算法的雷暴核识别及追踪方法 |
CN109447161A (zh) * | 2018-10-31 | 2019-03-08 | 桂林电子科技大学 | 一种基于汽车雷达数据的实时增量与自适应聚类方法 |
CN110297284A (zh) * | 2019-07-30 | 2019-10-01 | 南京信息工程大学 | 一种基于三维大气电场仪的雷暴云移动路径跟踪方法 |
CN112766127A (zh) * | 2021-01-12 | 2021-05-07 | 南京信息工程大学 | 基于互补集合模态分解和sg滤波的雷云点电荷定位方法 |
CN112818912A (zh) * | 2021-02-24 | 2021-05-18 | 南京信息工程大学 | 基于集成经验模态分解和极端梯度提升的雷电预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11408978B2 (en) * | 2015-07-17 | 2022-08-09 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
-
2021
- 2021-05-21 CN CN202110556277.2A patent/CN113255510B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870923A (zh) * | 2014-03-03 | 2014-06-18 | 华北电力大学 | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 |
CN106251026A (zh) * | 2016-08-16 | 2016-12-21 | 南京信息工程大学 | 基于pdbscan算法的雷电临近趋势预报方法 |
CN108520023A (zh) * | 2018-03-22 | 2018-09-11 | 合肥佳讯科技有限公司 | 一种基于混合聚类算法的雷暴核识别及追踪方法 |
CN109447161A (zh) * | 2018-10-31 | 2019-03-08 | 桂林电子科技大学 | 一种基于汽车雷达数据的实时增量与自适应聚类方法 |
CN110297284A (zh) * | 2019-07-30 | 2019-10-01 | 南京信息工程大学 | 一种基于三维大气电场仪的雷暴云移动路径跟踪方法 |
CN112766127A (zh) * | 2021-01-12 | 2021-05-07 | 南京信息工程大学 | 基于互补集合模态分解和sg滤波的雷云点电荷定位方法 |
CN112818912A (zh) * | 2021-02-24 | 2021-05-18 | 南京信息工程大学 | 基于集成经验模态分解和极端梯度提升的雷电预警方法 |
Non-Patent Citations (4)
Title |
---|
Recent survey on crowd density estimation and counting for visual surveillance;SAM Saleh等;《Engineering Application of Artificial Intelligence》;第41卷;103-114 * |
地闪不规则先导的多尺度熵特征;李婵等;《应用气象学报》;第25卷(第03期);347-353 * |
基于 DBSCAN 聚类算法的闪电临近预报模型;侯荣涛等;《 计算机应用》;第32卷(第03期);847-851 * |
基于集成经验模态分解和极端梯度提升的雷电预警方法;徐伟等;《仪器仪表学报》;第41卷(第08期);235-243 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255510A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1711843B1 (de) | System und verfahren zum erfassen, übermitteln und auswerten von durch elektromagnetische strahlung anfallenden daten und informationen | |
Aizawa et al. | Physical properties of volcanic lightning: Constraints from magnetotelluric and video observations at Sakurajima volcano, Japan | |
CN106446307B (zh) | 基于气溶胶地基数据的aod垂直订正效果评价方法及系统 | |
Wang et al. | MAX-DOAS retrieval of aerosol extinction properties in Madrid, Spain | |
Lin et al. | An Ensemble Kalman Filter for severe dust storm data assimilation over China | |
CN113255510B (zh) | 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法 | |
Smith et al. | Correlating the electrification of volcanic plumes with ashfall textures at Sakurajima Volcano, Japan | |
CN111398109A (zh) | 大气能见度测量方法、传感器模组、系统和存储介质 | |
CN117242487A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
Yang et al. | Entropy-based thunderstorm imaging system with real-time prediction and early warning | |
CN112766127B (zh) | 基于互补集合模态分解和sg滤波的雷云点电荷定位方法 | |
Yang et al. | A thunderstorm cloud point charge localization method based on CEEMDAN and SG filtering | |
CN110174557A (zh) | 一种基于三维大气电场仪观测视角的雷暴云定位校准方法 | |
CN109917196A (zh) | 一种基于三维大气电场仪视角的雷暴云定位方法 | |
CN111209533B (zh) | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 | |
Bukowiecki et al. | Elucidating local pollution and site representativeness at the Jungfraujoch, Switzerland through parallel aerosol measurements at an adjacent mountain ridge | |
Aranguren et al. | Operational analysis of electric field mills as lightning warning systems in Colombia | |
Charrier et al. | Radio detection of cosmic rays in [1.7–3.7] MHz: The EXTASIS experiment | |
Reeder et al. | The detection of flow asymmetries in the tropical cyclone environment | |
Sulo et al. | Measurement report: Increasing trend of atmospheric ion concentrations in the boreal forest | |
Rojas et al. | Characteristics of lightning-generated electric fields measured in the Bogotá Savanna, Colombia | |
EP2165223B1 (en) | Method and apparatus for monitoring storm activity on the earth's surface in real time | |
CN110361340B (zh) | 基于无人机的大气污染源so2监测方法及系统 | |
Ozerdem et al. | Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns | |
Yang et al. | Multi-Time Scale Thunderstorm Monitoring System With Real-Time Warning and Imaging |
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 |