CN113361500A - 面向多尺度雷暴的基于dwt和cfsfd的识别算法 - Google Patents

面向多尺度雷暴的基于dwt和cfsfd的识别算法 Download PDF

Info

Publication number
CN113361500A
CN113361500A CN202110906199.4A CN202110906199A CN113361500A CN 113361500 A CN113361500 A CN 113361500A CN 202110906199 A CN202110906199 A CN 202110906199A CN 113361500 A CN113361500 A CN 113361500A
Authority
CN
China
Prior art keywords
lightning
thunderstorm
data
cfsfd
dwt
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
Application number
CN202110906199.4A
Other languages
English (en)
Inventor
孙星明
武庆民
韩进
李晓鹏
周世豪
崔琦
孟若涵
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.)
Jiangsu Yuchi Blockchain Technology Research Institute Co ltd
Original Assignee
Jiangsu Yuchi Blockchain Technology Research Institute 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 Jiangsu Yuchi Blockchain Technology Research Institute Co ltd filed Critical Jiangsu Yuchi Blockchain Technology Research Institute Co ltd
Priority to CN202110906199.4A priority Critical patent/CN113361500A/zh
Publication of CN113361500A publication Critical patent/CN113361500A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向多尺度雷暴的基于DWT和CFSFD的识别算法，是基于栅格的DWT雷暴识别方法，其中DWT是离散小波变换，CFSFD是密度极大值快速搜索算法。该算法先运用DWT对ADTD闪电定位数据进行数据预处理去噪，再利用CFSFD算法进行高效聚类来达到雷暴识别的目的。本发明支持不同的空间分辨率的雷暴识别，可以在同一时刻、同一区域下，识别任意形状、任意数量的雷暴，有效的剔除了一些杂乱零散的闪电数据，提取出密集的雷暴区域，识别效果较好。

Description

面向多尺度雷暴的基于DWT和CFSFD的识别算法
技术领域
本发明涉及智能信息处理和雷电监测技术领域，具体涉及一种面向多尺度雷暴的基于DWT和CFSFD的识别算法。
背景技术
雷暴是一种局地性的强对流天气，常见于热带、温带地区，其发生常伴随着雷击、闪电等自然现象，造成了许多难以挽回的经济损失，直接和间接损失也逐年增加。因此对雷暴活动的预报受到气象行业和社会各界的广泛关注。
到目前为止，绝大部分闪电预测方法都在尝试寻找相关气象因素与闪电发生之间的关系，并利用这种关系对雷暴的发生进行预测。雷暴识别是一种常见的用于预防强对流天气影响的识别技术。不同的研究方法使用不同的数据来研究雷暴，雷达回波外推方法被广泛的应用于临近预报中，该方法以雷达数据为基础。但是现存的基于雷达数据的雷暴识别算法复杂度高，而且雷达数据需要解析之后才可以使用，且无法识别任意数量，任意形状的雷暴。而闪电数据本身也是一个有价值的参考因素，因为雷暴活动中始终伴随着强烈的放电现象，闪电数据能够记录闪电发生的具体时刻和具体位置，可以从宏观上看到闪电的分布及走向，很好地反映雷暴活动的强弱变化与移动趋势。目前雷暴识别研究存在三个不足，首先，在算法复杂度方面，绝大部分气象学者提出来的雷暴识别算法在复杂度方面都没有做的很好，例如在雷暴识别追踪发展历程中的两个具有代表性的算法——TITAN算法和SCIT算法，在一定程度上增加计算负担，有着计算时间长，计算效率低的缺点。第二，一些相关研究对不同的空间分辨率，不同尺度的雷暴识别研究有所欠缺，部分研究对小规模雷暴识别效果优异，大规模的雷暴识别效果差。最后，在闪电数据中的噪声数据也会对最终的识别效果产生影响，一些研究无法避免这些噪声带来的影响，导致识别准确率不高。
发明内容
本发明公开了一种面向多尺度雷暴的基于DWT和CFSFD的识别算法，用于准确识别任意形状、任意数量的雷暴。
本发明的技术方案如下：面向多尺度雷暴的基于DWT和CFSFD的识别算法，步骤如下：
步骤1．基于DWT的数据预处理操作：使用DWT对栅格化之后的空间区域进行变换，对数据进行预处理，过滤掉栅格内零散的闪电定位数据；
步骤2．基于CFSFD的雷暴识别：用CFSFD聚类算法进行雷暴识别，实现密集的雷暴区域的提取。
优选的，步骤1具体为：
步骤1.1．运用ArcGIS地理信息系统，将待研究的空间区域切分成m*n个地理栅格，栅格分辨率为r，r的大小根据具体研究的空间区域大小变化；
步骤1.2．根据切分之后栅格的地理范围配合经纬度、闪电数据，确定每个栅格内的闪电条数；
步骤1.3．将闪电数据放入对应栅格之后，根据实际情况确定每个栅格内闪电条数，将每一条闪电数据标记为1，栅格内有L条闪电标记为L，L表示栅格内闪电的条数，闪电数据不为0的栅格表示为正样本区域，没有发生闪电的栅格标记为0，表示为负样本区域；
步骤1.4．每个栅格内的闪电条数称之为特征，切分空间区域并统计栅格闪电数据的过程称为量化，最终形成｛Cij｝，｛Cij｝为该空间区域的量化特征空间，i代表行，j代表列；
步骤1.5．对量化特征空间｛Cij｝的行和列分别进行离散小波变化，形成新特征空间｛Tpq｝，p代表新特征空间的行，q代表新特征空间的列，新特征空间的大小为m/2*n/2，设置阈值K，在新特征空间中进行去噪，将小于阈值K的栅格内的数据置为0，过滤掉零散的闪电数据；
步骤1.6．根据特征映射矩阵，将经过设置阈值K进行过滤之后的新特征空间｛Tpq｝还原到原始的量化特征空间｛Cij｝。
优选的，步骤2具体为：
步骤2.1．采用CFSFD算法对闪电进行聚类，首先定义闪电密度、闪电距离，以这两个值为基准来确定雷暴中心点；
步骤2.2．计算出每条闪电的闪电密度和闪电距离，与设置的ρmin和δmin进行比较，ρmin为设置的最小闪电密度，δmin为设置的最小闪电距离，同时满足闪电密度大于ρmin、闪电距离大于δmin两个条件的闪电被筛选成为雷暴中心点；
步骤2.3．确定雷暴中心点后，剩余的闪电向雷暴中心点“靠拢”，形成一个个簇，最后得到识别结果，实现密集的雷暴区域的提取。
优选的，所述步骤2.3中，剩余的闪电按如下原则向对应的雷暴中心点“靠拢”：剩余的闪电的类别标签与高于该闪电密度的最近闪电的类别一致。
本发明与传统方法相比，具有如下优点：本发明是面向多尺度雷暴的基于DWT和CFSFD的识别算法，将DWT和CFSFD算法结合，是基于栅格的DWT雷暴识别方法。使用DWT对栅格化之后的空间区域进行变换，变换的目的是对数据进行预处理，过滤掉栅格内零散的闪电定位数据，因为这些数据会影响识别准确率；使用CFSFD聚类算法进行雷暴识别，CFSFD聚类算法实现密集的雷暴区域的提取。本发明算法将闪电定位数据投到切分之后的地理栅格内，结合DWT和CFSFD算法，可以在同一时刻、同一区域下，识别任意形状、任意数量的雷暴；剔除零散数据，减小了部分闪电数据对识别效果的影响，从而提高识别的准确率，为后续对雷暴的外推研究提供一个良好的基础。
附图说明
图1本发明的流程图。
图2是本发明实施例中DWT雷暴识别算法示意图。
图3是本发明实施例中CFSFD聚类算法示意图一。
图4是本发明实施例中CFSFD聚类算法示意图二。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
如图1所示，本发明是一种面向多尺度雷暴的基于DWT和CFSFD的识别算法，是基于栅格的DWT雷暴识别方法。先使用DWT对栅格化之后的空间区域进行变换，变换的目的是对数据进行预处理，过滤掉栅格内零散的闪电定位数据，因为这些数据会影响识别准确率；使用CFSFD聚类算法进行雷暴识别，CFSFD聚类算法实现密集的雷暴区域的提取。该算法将闪电定位数据投到切分之后的地理栅格内，结合DWT和CFSFD算法，可以在同一时刻、同一区域下，识别任意形状、任意数量的雷暴；剔除零散数据，减小了部分闪电数据对识别效果的影响，从而提高识别的准确率，为后续对雷暴的外推研究提供一个良好的基础。
如图1所示，本算法包括两个部分：第一部分是基于DWT的数据预处理操作，第二部分是基于CFSFD的雷暴识别，具体步骤如下。
步骤1．使用DWT对栅格化之后的空间区域进行变换，变换的目的是对数据进行预处理，过滤掉栅格内零散的闪电定位数据，因为这些数据会影响识别准确率。
步骤1.1．为了体现不同空间区域的差异性，运用ArcGIS地理信息系统，将待研究的空间区域切分成m*n个地理栅格，栅格分辨率为r，r的大小可根据具体研究的空间区域大小变化。
步骤1.2．根据切分之后栅格的地理范围配合经纬度、闪电数据，可以确定每个栅格内的闪电条数。
步骤1.3．将闪电数据放入对应栅格之后，根据实际情况可以确定每个栅格内闪电条数，将每一条闪电数据标记为1，栅格内有L条闪电标记为L，L表示栅格内闪电的条数，闪电数据不为0的栅格表示为正样本区域，没有发生闪电的栅格标记为0，表示为负样本区域。
步骤1.4．研究的空间区域切分成栅格之后，根据切分之后栅格的地理范围配合经纬度、闪电数据，可以确定每个栅格内的闪电条数，并统计每个地理栅格的闪电数据的条数，每个栅格内的闪电条数称之为特征，切分空间区域并统计栅格闪电数据的过程称为量化，最终形成｛Cij｝，｛Cij｝为该空间区域的量化特征空间，i代表行，j代表列.
步骤1.5．对特征空间｛Cij｝的行和列分别进行离散小波变化，形成新的特征空间｛Tpq｝，p代表新特征空间的行，q代表新特征空间的列，此时的特征空间大小为m/2*n/2，此时设置阈值K，在新的特征空间中进行去噪，将小于阈值K的栅格内的数据置为0即过滤掉零散的闪电数据；
步骤1.6．根据特征映射矩阵，将经过设置阈值进行过滤之后的新的特征空间｛Tpq｝还原到原始特征空间｛Cij｝，得到经过离散小波变化之后的闪电数据。
步骤2．用CFSFD聚类算法进行雷暴识别，实现密集的雷暴区域的提取。
步骤2.1．密度极大值快速搜索算法（clustering by fast search and find ofdensity，CFSFD）可以更高效，更好的对闪电进行聚类，所以采用CFSFD算法，首先定义闪电密度、闪电距离，以这两个值为基准来确定雷暴中心点。
步骤2.2．在定义完闪电密度和闪电距离之后，计算出每条闪电的闪电密度和闪电距离，与设置的ρmin和δmin进行比较，ρmin为设置的最小闪电密度，δmin为设置的最小闪电距离，雷暴中心的筛选需要闪电同时满足其闪电密度大于ρmin，闪电距离大于δmin，同时满足两个条件的闪电被筛选成为雷暴中心点。
步骤2.3．确定雷暴中心点后，对剩余的闪电按照一定的原则：闪电的类别标签与高于该闪电密度的最近闪电的类别一致，分别向雷暴中心“靠拢”，形成一个个簇，最后得到识别结果。
以下为DWT与CFSFD的理论基础说明。
（1）DWT
离散小波变换（DWT）是对基本小波的尺度和平移进行离散化处理，在数字图像处理中得到广泛应用。二值小波是图像处理中常用的小波变换函数。
小波变换只对信号的低频部分做进一步分解，而对高频部分也即信号的细节部分不再继续分解。这就是使用小波处理的理论依据：经小波分解后，信号的小波系数幅值大于噪声的小波系数幅值。所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，不能很好地分解和表示包含大量细节信息（噪声、细小边缘或纹理）的信号。小波变换去噪原理：将含有噪声的信号一层一层分解下去，然后再一层层加回去。由于不能分解噪声，所以一般分解到最后，就很大一部分都是噪声了。所以有用的信号一般都已经在上层中，噪声集中在下层。采用小波变换的快速算法—Mallat算法进行小波分解。从分解得到的近似系数和细节系数可以用两个分析滤波器得到。低通滤波器(H)输出低频部分的近似系数，高通滤波器(G)输出高频部分的详细系数。
分解算法如下：
Figure 169628DEST_PATH_IMAGE001
其中，k为离散时间序列，j是分解层数，Aj,k为信号在第j层的近似系数，Dj,k为信号在第j层的细节系数，H为低通滤波器，G为高通滤波器。
（2）CFSFD聚类算法
CFSFD（clustering by fast search and find of density）是一种与K-medoids方法类似的算法，它的基础只是数据点之间的距离。与DBSCAN和Mean-shift方法一样，它能够检测非球形簇，并自动找到正确的簇数。K-medoids、DBSCAN、Mean-shift是三种不同的聚类算法。然而，与均值漂移方法不同的是，该方法过程不需要将数据嵌入到向量空间中，并显式地最大化每个数据点的密度场。
该算法的假设基础是：聚类中心被局部密度较低的邻居包围，并且它们与任何局部密度较高的点之间的距离相对较大。对于每个闪电数据点i，计算两个量：它的局部密度即闪电密度和它与最大密度点的距离即闪电距离。这两个量只依赖于闪电数据点之间的距离di,j。
定义闪电数据点i的闪电密度ρi为：
Figure 555610DEST_PATH_IMAGE002
其中，
Figure 928823DEST_PATH_IMAGE003
，n为聚类的闪电数目，di,j为两个闪电i、j之间的距离，de为距离阈值。
定义闪电距离δi为：
Figure 792874DEST_PATH_IMAGE004
其中，ρj为闪电j的闪电密度，ρi为闪电i的闪电密度。在定义完闪电密度和闪电距离之后，计算出每条闪电的闪电密度和闪电距离，与设置的ρmin和δmin进行比较，ρmin为设置的最小闪电密度，δmin为设置的最小闪电距离，雷暴中心的筛选需要闪电同时满足其闪电密度大于ρmin，闪电距离大于δmin，同时满足两个条件的闪电被筛选成为雷暴中心点。
本算法使用DWT对闪电定位数据进行预处理，对量化空间区域的行和列分别进行离散小波变化，形成新的特征空间，设置阈值K，在新的特征空间中进行去噪，将小于阈值K的栅格置为0，将影响实验效果的闪电数据去除，使得原始数据更贴合实验算法，提高识别准确率。在雷暴识别方面，通过使用CFSFD算法，定义闪电密度、闪电距离，以这两个值为基准来确定雷暴中心点，通过给定δmin和ρmin筛选出同时满足δ>δmin和ρ>ρmin条件的点作为距离中心点，实现更快更高效的识别。
如图2所示，为本发明DWT雷暴识别算法的一个实施例。图2实施例中第二幅图是切分空间区域并统计栅格闪电数据的过程被称为量化，最终形成｛Cij｝，｛Cij｝为该空间区域的量化特征空间，其中栅格分辨率r为5km*5km，切分的特征空间为m*n，图例中m*n为4*4。图例中｛Cij｝中统计的闪电条数L为28。 图2第三幅图是由第二幅图经过DWT变换得到的新的特征空间｛Tpq｝。
如图3、图4所示，为本发明CFSFD算法实例，即利用CFSFD聚类算法确定雷暴中心。假设图3中有两个雷暴，图中所有闪电的密度值按照由高到低的顺序排列，“1”表示密度最高的点，“2”次之，以此类推。图4中给出了每个闪电的密度与归一化距离之后的分布，纵坐标为相对距离比值δ=δi/δmax。雷暴中心闪电的确认可以通过给定ρmin和δmin筛选出同时满足ρ＞ρmin和δ＞δmin条件的点作为距离中心点。图4中，闪电1与闪电10可以作为雷暴中心；闪电2~8虽然密度大于闪电10，但是其δ＜δmin，因此，不能作为雷暴中心闪电；闪电26~28虽然有较大的δ值，但是其ρ＜ρmin，同样不能作为雷暴聚类的中心。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.面向多尺度雷暴的基于DWT和CFSFD的识别算法，其特征在于步骤如下：
步骤1．基于DWT的数据预处理操作：使用DWT对栅格化之后的空间区域进行变换，对数据进行预处理，过滤掉栅格内零散的闪电定位数据；
步骤2．基于CFSFD的雷暴识别：用CFSFD聚类算法进行雷暴识别，实现密集的雷暴区域的提取。
2.根据权利要求1所述的面向多尺度雷暴的基于DWT和CFSFD的识别算法，其特征在于，步骤1具体为：
步骤1.1．运用ArcGIS地理信息系统，将待研究的空间区域切分成m*n个地理栅格，栅格分辨率为r，r的大小根据具体研究的空间区域大小变化；
步骤1.2．根据切分之后栅格的地理范围配合经纬度、闪电数据，确定每个栅格内的闪电条数；
步骤1.3．将闪电数据放入对应栅格之后，根据实际情况确定每个栅格内闪电条数，将每一条闪电数据标记为1，栅格内有L条闪电标记为L，L表示栅格内闪电的条数，闪电数据不为0的栅格表示为正样本区域，没有发生闪电的栅格标记为0，表示为负样本区域；
步骤1.4．每个栅格内的闪电条数称之为特征，切分空间区域并统计栅格闪电数据的过程称为量化，最终形成｛Cij｝，｛Cij｝为该空间区域的量化特征空间，i代表行，j代表列；
步骤1.5．对量化特征空间｛Cij｝的行和列分别进行离散小波变化，形成新特征空间｛Tpq｝，p代表新特征空间的行，q代表新特征空间的列，新特征空间的大小为m/2*n/2，设置阈值K，在新特征空间中进行去噪，将小于阈值K的栅格内的数据置为0，过滤掉零散的闪电数据；
步骤1.6．根据特征映射矩阵，将经过设置阈值K进行过滤之后的新特征空间｛Tpq｝还原到原始的量化特征空间｛Cij｝，得到经过离散小波变化之后的闪电数据。
3.根据权利要求1所述的面向多尺度雷暴的基于DWT和CFSFD的识别算法，其特征在于，步骤2具体为：
步骤2.1．采用CFSFD算法对闪电进行聚类，首先定义闪电密度、闪电距离，以这两个值为基准来确定雷暴中心点；
步骤2.2．计算出每条闪电的闪电密度和闪电距离，与设置的ρmin和δmin进行比较，ρmin为设置的最小闪电密度，δmin为设置的最小闪电距离，同时满足闪电密度大于ρmin、闪电距离大于δmin两个条件的闪电被筛选成为雷暴中心点；
步骤2.3．确定雷暴中心点后，剩余的闪电向雷暴中心点“靠拢”，形成一个个簇，最后得到识别结果，实现密集的雷暴区域的提取。
4.根据权利要求3所述的面向多尺度雷暴的基于DWT和CFSFD的识别算法，其特征在于，所述步骤2.3中，剩余的闪电按如下原则向对应的雷暴中心点“靠拢”：剩余的闪电的类别标签与高于该闪电密度的最近闪电的类别一致。
CN202110906199.4A 2021-08-09 2021-08-09 面向多尺度雷暴的基于dwt和cfsfd的识别算法 Pending CN113361500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110906199.4A CN113361500A (zh) 2021-08-09 2021-08-09 面向多尺度雷暴的基于dwt和cfsfd的识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110906199.4A CN113361500A (zh) 2021-08-09 2021-08-09 面向多尺度雷暴的基于dwt和cfsfd的识别算法

Publications (1)

Publication Number Publication Date
CN113361500A true CN113361500A (zh) 2021-09-07

Family

ID=77540604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110906199.4A Pending CN113361500A (zh) 2021-08-09 2021-08-09 面向多尺度雷暴的基于dwt和cfsfd的识别算法

Country Status (1)

Country Link
CN (1) CN113361500A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254692A (zh) * 2021-11-09 2022-03-29 国网山东省电力公司检修公司 基于多源闪电数据的多尺度的雷暴智能分类与识别方法
CN117809192A (zh) * 2024-03-01 2024-04-02 南京信息工程大学 一种基于denclue聚类算法的雷暴识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1519301A2 (de) * 2003-09-29 2005-03-30 Biotronik GmbH & Co. KG Vorrichtung zur klassifikation physiologischer Ereignisse
CN108333468A (zh) * 2018-01-05 2018-07-27 南京邮电大学 一种有源配电网下不良数据的识别方法及装置
CN110432898A (zh) * 2019-07-04 2019-11-12 北京大学 一种基于非线性动力学特征的癫痫发作脑电信号分类系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1519301A2 (de) * 2003-09-29 2005-03-30 Biotronik GmbH & Co. KG Vorrichtung zur klassifikation physiologischer Ereignisse
CN108333468A (zh) * 2018-01-05 2018-07-27 南京邮电大学 一种有源配电网下不良数据的识别方法及装置
CN110432898A (zh) * 2019-07-04 2019-11-12 北京大学 一种基于非线性动力学特征的癫痫发作脑电信号分类系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周康辉 等: "《基于闪电数据的雷暴识别、追踪与外推方法》", 《应用气象学报》 *
闫文辉 等: "《基于改进DBSCAN聚类算法的雷暴单体三维结构识别技术介绍》", 《热带气象学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254692A (zh) * 2021-11-09 2022-03-29 国网山东省电力公司检修公司 基于多源闪电数据的多尺度的雷暴智能分类与识别方法
CN117809192A (zh) * 2024-03-01 2024-04-02 南京信息工程大学 一种基于denclue聚类算法的雷暴识别方法
CN117809192B (zh) * 2024-03-01 2024-04-26 南京信息工程大学 一种基于denclue聚类算法的雷暴识别方法

Similar Documents

Publication Publication Date Title
CN107239751B (zh) 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN103034863B (zh) 一种结合核Fisher与多尺度提取的遥感影像道路获取方法
CN113361500A (zh) 面向多尺度雷暴的基于dwt和cfsfd的识别算法
CN104200471B (zh) 基于自适应权值图像融合的sar图像变化检测方法
Myint A robust texture analysis and classification approach for urban land‐use and land‐cover feature discrimination
WO2018000252A1 (zh) 高分辨遥感海洋图像的海背景建模与抑制的方法及系统
Lee et al. Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data
CN114863223B (zh) 结合去噪自编码器与场景增强的高光谱弱监督分类方法
CN110969121A (zh) 一种基于深度学习的高分辨率雷达目标识别算法
CN115482489A (zh) 基于改进YOLOv3的配电房行人检测和轨迹追踪方法及系统
Al-Ghrairi et al. Classification of satellite images based on color features using remote sensing
CN104331711B (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN116129280B (zh) 一种遥感影像雪检测的方法
Pao et al. Locating the typhoon center from the IR satellite cloud images
CN114706900B (zh) 一种基于图像特征组合的降水相似预报方法
CN108447045B (zh) 一种基于sat积分图的sar遥感图像水域检测方法
CN108898052A (zh) 遥感图像中人工地物的检测方法及设备
CN114897395A (zh) 一种风暴潮风险评估与减灾方法
Abraham et al. Automatic building extraction from satellite images using artificial neural networks
CN114140698A (zh) 一种基于FasterR-CNN的水系信息提取算法
Li et al. Research on Thunderstorm Identification Based on Discrete Wavelet Transform
CN116630814B (zh) 一种基于机器学习的建筑灾害快速定位评估方法
Hung et al. Texture features and image texture models
CN117132478B (zh) 一种基于法向量二范数特征参数的轨道点云去噪方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210907

RJ01 Rejection of invention patent application after publication