CN114624791A - 雨量测量方法、装置、计算机设备及存储介质 - Google Patents
雨量测量方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114624791A CN114624791A CN202210270110.4A CN202210270110A CN114624791A CN 114624791 A CN114624791 A CN 114624791A CN 202210270110 A CN202210270110 A CN 202210270110A CN 114624791 A CN114624791 A CN 114624791A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- rain gauge
- deep learning
- training
- result
- 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
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000013135 deep learning Methods 0.000 claims abstract description 71
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Hydrology & Water Resources (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例公开了雨量测量方法、装置、计算机设备及存储介质。所述方法包括:基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;输出所述测量结果;其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。通过实施本发明实施例的方法可实现雨量测量的精度和准确性高,且实时性高。
Description
技术领域
本发明涉及雨量测量方法,更具体地说是指雨量测量方法、装置、计算机设备及存储介质。
背景技术
目前市面上有大量压电式雨量传感器,其检测的方法都是基于压电元件将雨滴产生的振动信号转化为电信号,并通过测量电信号的强度尝试建立一个模型去预估每一滴雨滴的大小,从而可以进一步预估一段时间内降雨的总量,达到雨量检测的目的。
但是,采用压电式雨量计进行雨量测量的精度和准确性较低,如果采用翻斗式雨量计来进行雨量测量,则存在实时性不高的问题。
因此,有必要设计一种新的方法,实现雨量测量的精度和准确性高,且实时性高。
发明内容
本发明的目的在于克服现有技术的缺陷,提供雨量测量方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:雨量测量方法,包括:
基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;
将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;
输出所述测量结果;
其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。
其进一步技术方案为:所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的,包括:
获取一段震动信号同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签;
对一段震动信号进行划分,以得到初始数据;
构建深度学习网络;
利用所述初始数据对所述深度学习网络进行训练,以得到训练结果;
计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;
判断所述损失值是否趋于平稳;
若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;
若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
其进一步技术方案为:所述深度学习网络为MCNN模型。
其进一步技术方案为:所述深度学习网络包括依序连接的输入层、转换层、卷积层、全连接层以及输出层。
其进一步技术方案为:所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果,包括:
利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据;
将所述转换数据进行卷积、池化并拼接,以得到处理结果;
对所述处理结果采用卷积层进行二次卷积,以得到卷积结果;
对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
其进一步技术方案为:所述计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值,包括:
采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
本发明还提供了雨量测量装置,包括:
信号获取单元,用于基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;
测量单元,用于将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;
输出单元,用于输出所述测量结果。
其进一步技术方案为:还包括:
模型生成单元,用于通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签训练深度学习网络框架,以得到雨量测量模型。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过采用压电式雨量计采集雨滴滴落在压电式雨量计时所得的震动信号,并作为输入信号输入至雨量测量模型内进行雨量测量,且该雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签训练深度学习网络框架,将测量结果输出至终端,实现雨量测量的精度和准确性高,且实时性高。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的雨量测量方法的应用场景示意图;
图2为本发明实施例提供的雨量测量方法的流程示意图;
图3为本发明实施例提供的雨量测量方法的子流程示意图;
图4为本发明实施例提供的雨量测量方法的子流程示意图;
图5为本发明实施例提供的MCNN模型的示意图;
图6为本发明实施例提供的雨量测量装置的示意性框图;
图7为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的雨量测量方法的应用场景示意图。图2为本发明实施例提供的雨量测量方法的示意性流程图。该雨量测量方法应用于服务器中。该服务器分别与压电式雨量计以及终端进行数据交互,采用压电式雨量计采集雨滴滴落在压电式雨量计时所得的震动信号,并作为输入信号输入至雨量测量模型内进行雨量测量,且该雨量测量模型是通过一段时间内的震动信号作为样本集且采用量筒/翻斗式雨量计的标准训练深度学习网络所得的,将测量结果输出至终端,使用深度学习技术将一段时间的雨量信号作为输入,以量筒/翻斗式雨量计作为标准进行对标学习,从而使得训练后的压电式雨量计的测量精度达到翻斗式雨量计同等的检测精度,深度学习可以认为是一种通过数据自动建立输入信号与输出信号内在关联的工具,使用深度学习可以省去大量对于雨量计算的建模过程,通过收集丰富样本的数据即可使用深度学习完成潜在关系的推导,而该潜在关系本身又是现实中物理关系的映射,因此存在合理性。
图2是本发明实施例提供的雨量测量方法的流程示意图。如图2所示,该方法包括以下步骤S110至S130。
S110、基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号。
在本实施例中,当雨滴滴落在压电式雨量计上时,会使得压电式雨量计上的压电传感器产生振动,进而产生震动信号。压电式雨量计上部署的多个传感器都可以检测到该雨滴滴落的信号产生的振动信息。
S120、将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果。
在本实施例中,测量结果是指雨量值,该雨量值以量筒或翻斗式雨量计测量的标准生成。
使用深度学习技术将一段时间的雨量信号作为输入,以量筒/翻斗式雨量计作为标准进行对标学习,从而使得训练后的压电式雨量计的测量精度达到翻斗式雨量计同等的检测精度。深度学习可以认为是一种通过数据自动建立输入信号与输出信号内在关联的工具,使用深度学习可以省去大量对于雨量计算的建模过程,通过收集丰富样本的数据即可使用深度学习完成潜在关系的推导,而该潜在关系本身又是现实中物理关系的映射,因此存在合理性。
其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S128。
S121、获取一段震动信号,同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签。
在本实施例中,一段震动信号是指一段时间内雨滴滴落在压电式雨量计时所得的震动信号,可认为是样本集。
具体地,样本集即输入信号X=[x1,x2,...,xt],t代表时间戳,xt代表t时刻下的震动信号。
量筒/翻斗式雨量计测量的雨量值表示为Y1=[y1,y2,...,yT],T代表时间戳,yT代表T时刻与T-1时刻下的累计雨量,使用量筒或翻斗式雨量计测量值获得。
S122、对一段震动信号进行划分,以得到初始数据。
在本实施例中,初始数据是指将样本集变成张量形式(n,t,v)所得的结果,n代表样本序号,t代表压电信号的时间戳,v代表压电信号的幅值。
由于输出结果的频率一般为小时,样本集因为是震动信号,数据频率为毫秒级,在实验之前需要对样本集进行重新划分,使得样本集该输入网络的数据时间戳与输出结果的时间戳在同一时空内,即输入网络的数据变成张量形式(n,t,v),n代表样本序号,t代表压电信号的时间戳,v代表压电信号的幅值。
S123、构建深度学习网络。
在本实施例中,如图5所示,所述深度学习网络为MCNN模型。
由于原始问题是单时间序列的预测问题,对于模型来说特征表达能力不够,所以在模型选择上采用MCNN(多重卷积神经网络,Multiple Convolutional Neural Network)算法以增强特征表达能力,达到更好的预测效果。
具体地,所述深度学习网络包括依序连接的输入层、转换层、卷积层、全连接层以及输出层。
S124、利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
在本实施例中,训练结果是指得到的雨量值。
具体地,训练结果Y=[y1,y2,...,yT],T代表时间戳,yT代表T时刻与T-1时刻下的累计雨量,使用量筒或翻斗式雨量计的标准来体现。
在一实施例中,请参阅图4,上述的步骤S124可包括步骤S1241~S1244。
S1241、利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据。
在本实施例中,转换数据包括四部分内容:原始数据即初始数据、多频率数据、下采样所得数据以及采用VMD对初始数据进行分解所得的特征。
S1242、将所述转换数据进行卷积、池化并拼接,以得到处理结果。
在本实施例中,处理结果是指对转换数据进行卷积、池化并拼接所得的结果。
S1243、对所述处理结果采用卷积层进行二次卷积,以得到卷积结果。
在本实施例中,卷积结果是指对处理结果进行二次卷积所得的结果。
S1244、对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
初始数据在转换阶段,输入为X,提取了三部分数据,第一部分是初始数据,第二部分是多频率数据,指对初始数据采用移动窗口的形式进行均值、标准差等统计特征,第三部分是对初始数据进行下采样。在本实施例中,转换阶段,加入了VMD(变态模态分解,Variational mode decomposition)作为转化阶段的第四部分特征,VMD是用来专门对信号进行分解,形成若干子序列以增强原始信号的表征能力。然后,转换阶段的输出进行分别卷积、池化并拼接,对拼接后的数据再进行一次卷积并通过一层全连接层,即可得到预测结果
S125、计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
在本实施例中,损失值是指训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的差异程度。
具体地,采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;因为是回归问题,所以在损失函数的选择上采用MSE(均方误差,MeanSquare Error)作为优化目标,即
S126、判断所述损失值是否趋于平稳;
S127、若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;
S128、若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述步骤S124。
当损失值趋于平稳,即趋于不变时,则表明训练后的深度学习网络已经收敛,此时可用于作为雨量测量模型,进行雨量测量,既具备精度高和准确率高,也具备实时性高的效果;当损失值未趋于平稳,即并没有趋于不变时,则表明训练后的深度学习网络未收敛,需要再次调整参数,进行下一轮训练。
另外,在训练过程中,采用60%的初始数据作为训练数据,20%的初始数据作为验证集,20%的初始数据作为测试集。其中,训练数据主要用来求解模型参数,验证集用来选择最优超参(泛化能力、拟合能力),测试集用来查看样本外数据的测试表现。
S130、输出所述测量结果;
将测量结果输出至终端,以供用户查阅。
本实施例使用AI算法完成雨量的标定,数据标签直接使用业界认为是标准答案的翻斗式雨量计或者雨量筒,训练完成后可以将压电式雨量计准确性较低的问题弥补,同时将翻斗式雨量计实时性不高的劣势弥补,直接完成从压电信号到雨量值的转换,中间的复杂的建模过程交给深度学习来完成。
上述的雨量测量方法,通过采用压电式雨量计采集雨滴滴落在压电式雨量计时所得的震动信号,并作为输入信号输入至雨量测量模型内进行雨量测量,且该雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签训练深度学习网络框架,将测量结果输出至终端,实现雨量测量的精度和准确性高,且实时性高。
图6是本发明实施例提供的一种雨量测量装置300的示意性框图。如图6所示,对应于以上雨量测量方法,本发明还提供一种雨量测量装置300。该雨量测量装置300包括用于执行上述雨量测量方法的单元,该装置可以被配置于服务器中。具体地,请参阅图6,该雨量测量装置300包括信号获取单元301、测量单元302以及输出单元303。
信号获取单元301,用于基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;测量单元302,用于将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;输出单元303,用于输出所述测量结果。
在一实施例中,雨量测量装置300还包括模型生成单元,用于通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签训练深度学习网络框架,以得到雨量测量模型。
在一实施例中,所述模型生成单元包括样本集获取子单元、划分子单元、网络构建子单元、训练子单元、计算子单元、判断子单元、确定子单元以及调整子单元。
样本集获取子单元,用于获取一段震动信号同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签;划分子单元,用于对一段震动信号进行划分,以得到初始数据;网络构建子单元,用于构建深度学习网络;训练子单元,用于利用所述初始数据对所述深度学习网络进行训练,以得到训练结果;计算子单元,用于计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;判断子单元,用于判断所述损失值是否趋于平稳;确定子单元,用于若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;调整子单元,用于若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
在一实施例中,所述训练子单元包括转换模块、处理模块、二次卷积模块以及全连接模块。
转换模块,用于利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据;处理模块,用于将所述转换数据进行卷积、池化并拼接,以得到处理结果;二次卷积模块,用于对所述处理结果采用卷积层进行二次卷积,以得到卷积结果;全连接模块,用于对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
在一实施例中,所述计算子单元,用于采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述雨量测量装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述雨量测量装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7,图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图7,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种雨量测量方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种雨量测量方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;输出所述测量结果;
其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。
在一实施例中,处理器502在实现所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的步骤时,具体实现如下步骤:
获取一段震动信号同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签;对一段震动信号进行划分,以得到初始数据;构建深度学习网络;利用所述初始数据对所述深度学习网络进行训练,以得到训练结果;计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;判断所述损失值是否趋于平稳;若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
其中,所述深度学习网络为MCNN模型。
所述深度学习网络包括依序连接的输入层、转换层、卷积层、全连接层以及输出层。
在一实施例中,处理器502在实现所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果步骤时,具体实现如下步骤:
利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据;将所述转换数据进行卷积、池化并拼接,以得到处理结果;对所述处理结果采用卷积层进行二次卷积,以得到卷积结果;对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
在一实施例中,处理器502在实现所述计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值步骤时,具体实现如下步骤:
采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;输出所述测量结果;
其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的步骤时,具体实现如下步骤:
获取一段震动信号同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签;对一段震动信号进行划分,以得到初始数据;构建深度学习网络;利用所述初始数据对所述深度学习网络进行训练,以得到训练结果;计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;判断所述损失值是否趋于平稳;若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
其中,所述深度学习网络为MCNN模型。
所述深度学习网络包括依序连接的输入层、转换层、卷积层、全连接层以及输出层。
在一实施例中,所述处理器在执行所述计算机程序而实现所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果步骤时,具体实现如下步骤:
利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据;将所述转换数据进行卷积、池化并拼接,以得到处理结果;对所述处理结果采用卷积层进行二次卷积,以得到卷积结果;对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值步骤时,具体实现如下步骤:
采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以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,或者该技术方案的全部或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,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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以权利要求的保护范围为准。
Claims (10)
1.雨量测量方法,其特征在于,包括:
基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号;
将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;
输出所述测量结果;
其中,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的。
2.根据权利要求1所述的雨量测量方法,其特征在于,所述雨量测量模型是通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签在深度学习网络框架训练所得的,包括:
获取一段震动信号,同时获取雨量筒/翻斗式雨量计测量的标准雨量值作为标签;
对一段震动信号进行划分,以得到初始数据;
构建深度学习网络;
利用所述初始数据对所述深度学习网络进行训练,以得到训练结果;
计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值;
判断所述损失值是否趋于平稳;
若所述损失值趋于平稳,则确定训练后的深度学习网络作为雨量测量模型;
若所述损失值不趋于平稳,则调整所述深度学习网络的参数,并执行所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果。
3.根据权利要求2所述的雨量测量方法,其特征在于,所述深度学习网络为MCNN模型。
4.根据权利要求2所述的雨量测量方法,其特征在于,所述深度学习网络包括依序连接的输入层、转换层、卷积层、全连接层以及输出层。
5.根据权利要求2所述的雨量测量方法,其特征在于,所述利用所述初始数据对所述深度学习网络进行训练,以得到训练结果,包括:
利用转换层对所述初始数据提取原始数据以及多频率数据,并对所述初始数据进行下采样,且采用VMD提取分解特征,以得到转换数据;
将所述转换数据进行卷积、池化并拼接,以得到处理结果;
对所述处理结果采用卷积层进行二次卷积,以得到卷积结果;
对所述卷积结果采用全连接层进行全连接处理,以得到训练结果。
6.根据权利要求1所述的雨量测量方法,其特征在于,所述计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值,包括:
采用MSE损失函数计算所述训练结果与雨量筒/翻斗式雨量计测量的标准雨量值的损失值。
7.雨量测量装置,其特征在于,包括:
信号获取单元,用于基于压电效应,将雨滴落在压电式雨量计传感面上产生的震动信号转化为电信号震动信号;
测量单元,用于将所述震动信号输入至雨量测量模型内进行雨量换算,以得到测量结果;
输出单元,用于输出所述测量结果。
8.根据权利要求7所述的雨量测量装置,其特征在于,还包括:
模型生成单元,用于通过一段时间内的雨滴震动信号作为样本集且采用量筒/翻斗式雨量计的数据作为标签训练深度学习网络框架,以得到雨量测量模型。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270110.4A CN114624791A (zh) | 2022-03-18 | 2022-03-18 | 雨量测量方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270110.4A CN114624791A (zh) | 2022-03-18 | 2022-03-18 | 雨量测量方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114624791A true CN114624791A (zh) | 2022-06-14 |
Family
ID=81901479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210270110.4A Pending CN114624791A (zh) | 2022-03-18 | 2022-03-18 | 雨量测量方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624791A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994806A (zh) * | 2022-06-15 | 2022-09-02 | 杭州鲁尔物联科技有限公司 | 压电式雨量计的定标方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
CN113496104A (zh) * | 2021-07-16 | 2021-10-12 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及系统 |
CN113791415A (zh) * | 2021-09-15 | 2021-12-14 | 南京信息工程大学 | 一种基于深度学习的雷达定量降水估计方法 |
-
2022
- 2022-03-18 CN CN202210270110.4A patent/CN114624791A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
CN113496104A (zh) * | 2021-07-16 | 2021-10-12 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及系统 |
CN113791415A (zh) * | 2021-09-15 | 2021-12-14 | 南京信息工程大学 | 一种基于深度学习的雷达定量降水估计方法 |
Non-Patent Citations (1)
Title |
---|
漆随平等: "一种基于压力敏感元件的降雨传感器", 《传感技术学报》, vol. 25, no. 6, pages 761 - 765 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994806A (zh) * | 2022-06-15 | 2022-09-02 | 杭州鲁尔物联科技有限公司 | 压电式雨量计的定标方法、装置、计算机设备及存储介质 |
CN114994806B (zh) * | 2022-06-15 | 2024-02-23 | 杭州鲁尔物联科技有限公司 | 压电式雨量计的定标方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
CN110146215B (zh) | 一种带有温度补偿与参数整定措施的气压传感器 | |
CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
CN114624791A (zh) | 雨量测量方法、装置、计算机设备及存储介质 | |
CN114659621B (zh) | 一种桥梁振动监测装置 | |
CN114487976A (zh) | 一种mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
CN117332205B (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN117370913A (zh) | 光伏系统中异常数据的检测方法、装置以及设备 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN116522096A (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
JP7006799B2 (ja) | 情報処理装置、センサ動作最適化方法、およびプログラム | |
CN115618190A (zh) | 基于传感器数据的环境颗粒物浓度估计方法、系统及终端 | |
JP7099623B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
JP2020047847A (ja) | データ処理方法、データ処理装置、およびデータ処理プログラム | |
CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
CN110263811B (zh) | 一种基于数据融合的设备运行状态监测方法及系统 | |
CN115184859B (zh) | 一种构建非视距传播场景下测距和测角误差消除方法 | |
JP7143895B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115792141B (zh) | 一种提高水活度仪平衡检测效率的方法及系统 | |
JP7322918B2 (ja) | プログラム、情報処理装置、及び学習モデルの生成方法 |
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 |