CN114692692B - 一种基于微波衰减信号融合核极限学习机的降雪识别方法 - Google Patents
一种基于微波衰减信号融合核极限学习机的降雪识别方法 Download PDFInfo
- Publication number
- CN114692692B CN114692692B CN202210351621.9A CN202210351621A CN114692692B CN 114692692 B CN114692692 B CN 114692692B CN 202210351621 A CN202210351621 A CN 202210351621A CN 114692692 B CN114692692 B CN 114692692B
- Authority
- CN
- China
- Prior art keywords
- snowfall
- microwave
- learning machine
- extreme learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 2
- 210000000299 nuclear matrix Anatomy 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims description 2
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/086—Learning methods using 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
- G06F2218/02—Preprocessing
-
- 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
本发明公开了一种基于微波衰减信号融合核极限学习机的降雪识别方法，包括以下步骤：(1)计算原始微波衰减信号强度并对信号进行预处理，通过自适应集成经验模态分解方法获取降雪衰减信号数据；(2)设定核极限学习机模型的输出数据训练信息；(3)构建核极限学习机模型；(4)通过差分演化算法对核极限学习机的参数进行优化，得到最优核极限学习机模型；(5)通过测试集的输入数据，输出对应的信息，得到测试集数据对应的降雪强度信息。本发明利用无线微波通信链路覆盖范围广、反演效果好等特点，采用改进的极限学习机算法，训练结果精度较高，提升了降雪监测手段，实现对降雪强度的大范围监测，能够精确高效地识别出降雪强度。
Description
技术领域
本发明涉及基于微波衰减信号融合核极限学习机的降雪识别方法，属于气象因子监测技术领域。
背景技术
持续高强度降雪会造成雪灾、雪崩等危害，对农业、公路交通乃至人类的生命安全造成极大威胁。准确及时地判别降雪强度、降雪时长及空间分布对农业生产、交通运输和防灾减灾等方面具有重要的作用。在已有的研究中，降雪观测主要包括地面观测和空基观测，通常采用雪量器、雷达、自动雪深观测仪、超声波雪深仪、卫星遥感等对降雪进行观测。雪量器可以直接测量出雪水当量，结果较为精确可靠，但其分布密度低，测量范围有限，不能反映出较大面积的降雪分布；雷达时空分辨率高，监测效果良好，但维护运行成本较高、易受地物的影响、覆盖范围有限，对于偏远地区的降雪监测存在一定难度，存在监测盲区；卫星遥感容易受到下垫面辐射的影响，影响降雪观测的精确性，对降雪监测的能力有限。
我国无线微波通信网络覆盖范围较广，能够较为准确地反映路径上的降水粒子信息，可以进行大范围探测，具有较好的时空分辨率，对于降水天气监测方面具有较大的潜力，能够为地面气象观测质量提供辅助信息，促进实现地面观测自动化，为气象预报以及灾害性天气预警信息发布提供重要的数据支撑。目前，大多数学者将无线微波应用到降雨强度的监测，能够利用微波传播路径上的信号衰减信息反演得到覆盖范围广、高时空分辨率的降水分布信息，反演精度较高。然后，我国降雪资料相对稀少，传统的降雪监测手段往往存在局限性，无线微波衰减信号中存在大量的混杂信号，将降雪导致的信号衰减从总衰减中提取出来，还原出降雪导致的信号衰减存在一定困难，利用无线微波链路对于降雪深度和降雪强度的监测研究较少，其技术手段不够成熟。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于微波衰减信号融合核极限学习机的降雪识别方法，设计了无线微波链路耦合核极限学习机反演区域降雪强度，能够准确精细地监测降雪强度，对暴雪的预警决策提供重要的依据，具有可行性和广泛实用性。
技术方案：为解决上述技术问题，本发明的一种基于微波衰减信号融合核极限学习机的降雪识别方法，包括以下步骤：
(1)提取降雪天气无线微波链路发射端和接收端的信号数据，计算原始微波衰减信号强度，对信号进行预处理，通过自适应集成经验模态分解方法获取可利用的降雪衰减信号数据；
(2)采集所设定时段雪量器的降雪强度监测值，作为核极限学习机模型的输出数据训练信息；
(3)构建核极限学习机模型，将降雪引起的衰减信号作为模型输入值数据，并进行监督学习；
(4)通过差分演化算法对核极限学习机的参数进行优化，得到最优核极限学习机模型；
(5)通过测试集的输入数据，输出对应的信息，得到测试集数据对应的降雪强度信息。
作为优选，所述步骤(1)包含以下步骤：
(11)原始微波衰减信号强度At为所选取时段的发射信号电平(TSL)减去所选取时段的接收信号电平(RSL)；
(12)除去At中不合理的异常数据，根据狄克松检验准则，设定显著性水平α(α＝0.05)，剔除95％的置信区间之外的数据，得到修正微波衰减信号序列Q(t)；
(13)在修正微波衰减信号序列Q(t)中依次添加白噪声
重复N次，l＝1，2，…，N，记为
Ql(t)＝Q(t)+εl(t)；
(14)对Ql(t)进行EMD分解，分解为k+1个分量，即
Ql(t)＝ql1(t)+ql2(t)+…+qlk(t)+rl(t)
其中，qlm(t)为分解后的IMF分量，即添加第l个白噪声后分解得到的第m个本征模态函数分量，m＝1，2，…，k；ri(t)为余项；
(15)计算每个Ql(t)对应的qlm(t)并求第m个IMF分量的算术平均值，得
其中，qm(t)为修正微波衰减信号序列通过EEMD分解后的第m个IMF分量，m＝1，2，…，k；
(16)采用重构、“筛选”形式对每个IMF分量进行处理，得到降雪衰减对应的信号分量。
作为优选，所述步骤(3)中构建核极限学习机模型KELM包含以下步骤：
(31)将步骤(1)中所得到的微波降雪衰减信号和步骤(2)所设定时段内雪量计监测的降雪强度建立非线性的关系，作为样本集进行训练；
(32)采用Kennard-Stone(K/S)算法将样本集转换为训练集和测试集，抽取70％作为训练集，其余30％作为测试集，将微波降雪衰减信号作为模型输入训练值，将降雪强度作为模型输出训练值，假定训练学习样本S＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，(xi∈Rn，yi∈Rn，i＝1，2，…，n)，其中xi代表微波降雪衰减信号训练值，yi代表雪量计监测的降雪强度；
(33)构建KELM网络模型，构建核矩阵ΩELM：
ΩELM＝HHT
式中，H表示ELM网络的隐含层输出矩阵，xi和xj为训练集样本中两个不同的输入向量，K(xi，xj)核函数，i＝1，2，…，n，j＝1，2，…，n，i≠j。
选取径向基函数RBF作为KELM的核函数，表达式为：
其中，γ为核参数。
作为优选，所述步骤(3)中KELM网络模型包括1个输入层、1个隐含层和1个输出层。
所述步骤(32)中Kennard-Stone算法通过计算样本间的欧氏距离划分样本，依次计算所有样本两两之间的距离，选择距离最大的两个划分为训练集样本，计算剩余样本与已选样本之间的距离，将距最初选择的两个样本点最远的样本点选入训练集，不断进行选择，直至达到设定的训练集个数为止，其余30％样本归为测试集。
作为优选，所述步骤(4)包含以下步骤：
(41)将KELM模型的惩罚因子C、核参数γ设置为种群粒子，初始化KELM参数的范围[Cmin，Cmax]、[γmin，γmax]及DE算法的相关系数：种群大小X、变异因子F、交叉因子CR和迭代次数K；
(42)建立适应度函数：
其中，N为样本个数；yi为第i个样本实测值，
为第i个样本的模型预测值。利用样本集训练KELM，依据适应度函数计算种群个体的适应度值；
(43)依次执行变异操作、交叉操作和选择操作；
(44)判断算法是否达到终止条件，如果满足终止条件或最大迭代次数，则终止寻优过程，返回最优个体；否则返回步骤(42)，执行下一代寻优；
(45)输出由DE算法寻优得到的粒子，并对KELM模型的惩罚因子和核参数进行赋值，得到最优KELM模型。
作为优选，所述步骤(5)进一步包括：假定样本D＝{(x′1，y′1)，(x′2，y′2)，…，(x′k，y′k)}，(x′i∈Rn，y′i∈Rn，i＝1，2，…，k)，其中x′i代表微波降雪衰减信号测试集输入值，y′i代表测试集期望输出值，即对应降雪强度。
有益效果：本发明的基于微波衰减信号融合核极限学习机的降雪识别方法，具有以下优点：
(1)本发明利用分布广泛的无线微波通信链路，利用现有的无线基础设施，无需额外的运营维护成本，实现对降雪强度的大范围监测，弥补了传统降雪监测方式的不足，能够为未来实时降雪监测研究提供较高的价值。
(2)本发明采用改进的极限学习机算法建立降雪与微波信号衰减之间的非线性关系，能够大幅提升网络学习速度，相比于传统的极限学习机算法有着更稳定的性能和更好的泛化能力，具有较好的鲁棒性。
(3)本发明采用AEEMD信号分解技术可以有效降低微波信号序列的非线性和非平稳性特征，通过将待分析信号分解成由多个固有模态函数组成的信号，能够减少模态混叠现象，易于分离出降雪对应的信号衰减部分，自适应性较强。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，本发明的基于微波衰减信号融合核极限学习机的降雪识别方法流程图，包括如下步骤：
(1)提取降雪天气无线微波链路发射端和接收端的信号数据，计算原始微波衰减信号强度，对信号进行预处理，通过自适应集成经验模态分解方法获取可利用的降雪衰减信号数据。
上述步骤通过AEEMD方法分离出微波衰减信号的各个谐波、基波，通过希尔伯特变换得到具有清晰的物理意义的信号分量，建立特征向量，进而提取降雪导致的微波信号衰减部分。
(2)采集所设定时段雪量器的降雪强度监测值，作为核极限学习机模型的输出数据训练信息。
(3)构建核极限学习机模型，将降雪引起的衰减信号作为模型输入值数据，并进行监督学习。
上述KELM通过对样本数据进行训练，建立降雪强度与降雪微波信号衰减之间的非线性关系，进而根据未来降雪导致的微波衰减信号监测目标时刻的降雪强度。
(4)通过差分演化算法对核极限学习机的参数进行优化，得到最优核极限学习机模型。
上述差分演化算法可以对KELM的参数进行多次寻优，结构简单，易于实现，具有全局收敛性，从而得到效果更加的KELM网络模型。
(5)通过测试集的输入数据，输出对应的信息，验证模型的适应性，得到测试集数据对应的降雪强度信息。
上述基于微波衰减信号融合核极限学习机的降雪识别方法，通过提取降雪天气无线微波链路发射端和接收端的信号数据，计算原始微波衰减信号强度，对信号进行预处理，通过自适应集成经验模态分解方法获取可利用的降雪衰减信号数据；采集所设定时段雪量器的降雪强度监测值，作为核极限学习机模型的输出数据训练信息；构建核极限学习机模型，将降雪引起的衰减信号作为模型输入值数据，并进行监督学习；通过差分演化算法对核极限学习机的参数进行优化，得到最优核极限学习机模型；通过测试集的输入数据，输出对应的信息，验证模型的适应性，得到测试集数据对应的降雪强度信息。本发明利用无线微波通信链路覆盖范围广、反演效果好等特点，采用改进的极限学习机算法，训练结果精度较高，提升了降雪监测手段，实现对降雪强度的大范围监测，能够精确高效地识别出降雪强度。
在本发明中，对原始微波衰减信号进行预处理，并通过自适应集成经验模态分解方法获取可利用的降雪衰减信号数据的过程包括：
(11)原始微波衰减信号强度At为所选取时段的发射信号电平(TSL)减去所选取时段的接收信号电平(RSL)；
(12)除去At中不合理的异常数据，根据狄克松检验准则，设定显著性水平α(α＝0.05)，剔除95％的置信区间之外的数据，得到修正微波衰减信号序列；
(13)在修正微波衰减信号序列Q(t)中依次添加白噪声
重复N次，l＝1，2，…，N，记为
Ql(t)＝Q(t)+εl(t)；
(14)对Ql(t)进行EMD分解，分解为k+1个分量，即
Ql(t)＝ql1(t)+ql2(t)+…+qlk(t)+rl(t)
其中，qlm(t)为分解后的IMF分量，即添加第l个白噪声后分解得到的第m个本征模态函数分量，m＝1，2，…，k；ri(t)为余项；
(15)计算每个Ql(t)对应的qlm(t)并求第m个IMF分量的算术平均值，得
其中，qm(t)为修正微波衰减信号序列通过EEMD分解后的第m个IMF分量，m＝1，2，…，k；
在一个实施例中，添加的白噪声应当满足以下条件：
(1)均值μn为0，幅值标准差为常数；
(2)加入的白噪声不能改变修正微波衰减信号中高频成分的极值点；
(3)加入的白噪声使修正微波衰减信号中低频成分的极值点分布更加密集、均匀。
在一个实施例中，AEEMD的集成次数服从下式：
其中，N为集成次数；εn为期望的信号相对误差最小值，即输入信号与EEMD分解后IMF的相对误差；α为添加的白噪声的幅值标准差σn与修正微波衰减信号幅值标准差σ0的比值，即α＝σn/σ0。
通常设定εn＝1％。
设ε为修正微波衰减信号中高频成分的幅值标准差σh与修正微波衰减信号幅值标准差σ0的比值，即ε＝σh/σ0。当0＜σn≤σh/3时，添加的辅助白噪声能够有效完成EEMD。
因此，可以得到添加白噪声的准则为：0＜α≤ε/3
确定好α后，从而集成次数N为：
在本发明中，KELM的构建过程包括：
(31)将所得到的微波降雪衰减信号和所设定时段内雪量计监测的降雪强度建立非线性关系，作为样本集进行训练。
(32)采用K/S算法将样本集转换为训练集和测试集，抽取70％作为训练集，其余30％作为测试集。将微波降雪衰减信号作为模型输入训练值，将降雪强度作为模型输出训练值，假定训练学习样本S＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，(xi∈Rn，yi∈Rn，i＝1，2，…，n)，其中xi代表微波降雪衰减信号训练值，表示第i个样本的n维输入向量，xi＝[xi1，xi2，…，xin]，yi代表雪量计监测的降雪强度。
(33)构建KELM网络模型：
其中，yj＝(yj1，yj2，…，yjm)T表示ELM模型的实际输出值，wi＝(wi1，wi2，…，win)T、βi＝(βi1，βi2，…，βim)T分别表示网络的第i个隐含层节点与输入节点间的输入权值向量、输出层节点间的输出权值向量，bi为第i个隐含层节点的隐含层阈值，g(*)为隐含层的映射函数。对于KELM模型，其隐含层的映射函数不必知道其显式形式，可以用隐式函数h(x)代替。
故用矩阵表达式可以简化为：
Hβ＝Y
其中，
H、β、Y分别表示ELM网络的隐含层输出矩阵、输出权值矩阵、目标期望输出矩阵。
在KELM训练过程中，输入权值ω和隐含层阈值b随机生成，隐含层的映射采用核矩阵确定，且隐含层神经元数不再需要指定。
构建核矩阵ΩELM：
式中，H表示ELM网络的隐含层输出矩阵，xi和xj为训练集样本中两个不同的输入向量，K(xi，xj)核函数，i＝1，2，…，n，j＝1，2，…，n，i≠j。核函数的作用是将输入的训练数据映射到高维特征空间中，将原始空间的核函数运算替代变换后高维空间中的内积运算。
选取径向基函数RBF作为KELM的核函数，表达式为：
其中，γ为核参数。
方程Hβ＝Y的解为：
其中，H+表示隐含层输出矩阵H的Moore-Penrose广义逆矩阵，C为惩罚因子
则KELM的最终输出结果可写为：
进一步地，所述KELM网络包括1个输入层、一个隐含层和一个输出层。
进一步地，K/S算法通过计算样本间的欧氏距离划分样本，依次计算所有样本两两之间的距离，选择距离最大的两个划分为训练集样本，计算剩余样本与已选样本之间的距离，将距最初选择的两个样本点最远的样本点选入训练集，不断进行选择，直至达到设定的训练集个数为止，其余30％样本归为测试集。
在一个实施例中，通过差分演化算法对KELM的参数进行优化，具体包括：
(41)将KELM模型的惩罚因子C、核参数γ设置为种群粒子，初始化KELM参数的范围[Cmin，Cmax]、[γmin，γmax]及DE算法的相关系数：种群大小X、变异因子F、交叉因子CR和迭代次数K。
(42)建立适应度函数：
其中，N为样本个数；yi为第i个样本实测值，
为第i个样本的模型预测值。利用样本集训练KELM，依据适应度函数计算种群个体的适应度值。
初始化种群：xij，0＝xj，min+rand[0，1]·(xj，max-xj，min)
其中，i∈[1，2，…，X]，xij，0表示第0代个体的第i个参数向量中的第j个参数，rand[0，1]是指在区间[0，1]内生成的均匀分布随机数，xj，min和xj，max分别表示第j维的下界和上界。
(43)执行变异操作：vi，G＝xr1，G+F·(xr2，G-xr3，G)
其中，vi，G是第G代变异操作得到的新个体，xr1，G、xr2，G、xr3，G是第G代种群中随机抽取的三个不同的个体，F是变异因子，其取值在(0，1]之间。
采用二项式模型，执行交叉操作：
其中，uij，G是第G代交叉操作得到的新个体，CR是交叉因子。
执行变异操作：
其中，变异操作是指对当代种群的每个个体xi，G与交叉个体uij，G进行贪婪选择，保留两者中的最优个体作为下一代种群个体；
(44)判断算法是否达到终止条件，如果满足终止条件或最大迭代次数，则终止寻优过程，返回最优个体；否则返回步骤(42)，执行下一代寻优；
(45)输出由DE算法寻优得到的粒子，并对KELM模型的惩罚因子和核参数进行赋值，得到最优KELM模型。
在一个实施例中，步骤(5)进一步包括：假定样本D＝{(x′1，y′1)，(x′2，y′2)，…，(x′k，y′k)}，(x′i∈Rn，y′i∈Rn，i＝1，2，…，k)，其中x′i代表微波降雪衰减信号测试集输入值，y′i代表测试集期望输出值，即对应降雪强度。向训练好的模型输入测试集输入信息，经过KELM网络运算，得到降雪强度信息。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于微波衰减信号融合核极限学习机的降雪识别方法，其特征在于，包括以下步骤：
（1）提取降雪天气无线微波链路发射端和接收端的信号数据，计算原始微波衰减信号强度，对信号进行预处理，通过自适应集成经验模态分解方法获取可利用的降雪衰减信号数据；
（2）采集所设定时段雪量器的降雪强度监测值，作为核极限学习机模型的输出数据训练信息；
（3）构建核极限学习机模型，将降雪引起的衰减信号作为模型输入值数据，并进行监督学习；
（4）通过差分演化算法对核极限学习机的参数进行优化，得到最优核极限学习机模型；
（5）通过测试集的输入数据，输出对应的信息，得到测试集数据对应的降雪强度信息；
所述步骤（1）包含以下步骤：
（11）原始微波衰减信号强度 为所选取时段的发射信号电平减去所选取时段的接收信号电平；
（12）除去中不合理的异常数据，根据狄克松检验准则，设定显著性水平，，剔除95%的置信区间之外的数据，得到修正微波衰减信号序列；
（13）在修正微波衰减信号序列中依次添加白噪声，重复N次，，记为
；
（14）对进行EMD分解，分解为个分量，即
其中，为分解后的IMF分量，即添加第个白噪声后分解得到的第个本征模态函数分量，；为余项；
（15）计算每个对应的并求第个IMF分量的算术平均值，得
其中，为修正微波衰减信号序列通过EEMD分解后的第个IMF分量，，AEEMD的集成次数服从下式：
其中，N为集成次数；为期望的信号相对误差最小值，即输入信号与EEMD分解后IMF的相对误差；为添加的白噪声的幅值标准差与修正微波衰减信号幅值标准差的比值，即，通常设定；
（16）采用重构、“筛选”形式对每个IMF分量进行处理，得到降雪衰减对应的信号分量；
所述步骤（3）中构建核极限学习机模型KELM包含以下步骤：
（31）将步骤（1）中所得到的微波降雪衰减信号和步骤（2）所设定时段内雪量计监测的降雪强度建立非线性的关系，作为样本集进行训练；
（32）采用Kennard-Stone算法将样本集转换为训练集和测试集，抽取70%作为训练集，其余30%作为测试集，将微波降雪衰减信号作为模型输入训练值，将降雪强度作为模型输出训练值，假定训练学习样本，，其中代表微波降雪衰减信号训练值，代表雪量计监测的降雪强度；
（33）构建KELM网络模型，构建核矩阵：
式中，表示ELM网络的隐含层输出矩阵，xi和xj为训练集样本中两个不同的输入向量，K(xi,xj)核函数，，，；
选取径向基函数RBF作为KELM的核函数，表达式为：
其中，为核参数。
2.根据权利要求1所述的基于微波衰减信号融合核极限学习机的降雪识别方法，其特征在于，所述步骤（3）中KELM网络模型包括1个输入层、1个隐含层和1个输出层。
3.根据权利要求1所述的基于微波衰减信号融合核极限学习机的降雪识别方法，其特征在于，所述步骤（32）中Kennard-Stone算法通过计算样本间的欧氏距离划分样本，依次计算所有样本两两之间的距离，选择距离最大的两个划分为训练集样本，计算剩余样本与已选样本之间的距离，将距最初选择的两个样本点最远的样本点选入训练集，不断进行选择，直至达到设定的训练集个数为止，其余30%样本归为测试集。
4.根据权利要求1所述的基于微波衰减信号融合核极限学习机的降雪识别方法，其特征在于，所述步骤（4）包含以下步骤：
（41）将KELM模型的惩罚因子、核参数设置为种群粒子，初始化KELM参数的范围、及DE算法的相关系数：种群大小X、变异因子F、交叉因子CR和迭代次数K；
（42）建立适应度函数：
其中，为样本个数；为第个样本实测值，为第个样本的模型预测值；
利用样本集训练KELM，依据适应度函数计算种群个体的适应度值；
（43）依次执行变异操作、交叉操作和选择操作；
（44）判断算法是否达到终止条件，如果满足终止条件或最大迭代次数，则终止寻优过程，返回最优个体；否则返回步骤（42），执行下一代寻优；
（45）输出由DE算法寻优得到的粒子，并对KELM模型的惩罚因子和核参数进行赋值，得到最优KELM模型。
5.根据权利要求1所述的基于微波衰减信号融合核极限学习机的降雪识别方法，其特征在于，所述步骤（5）进一步包括：假定样本，,其中代表微波降雪衰减信号测试集输入值，代表测试集期望输出值，即对应降雪强度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351621.9A CN114692692B (zh) | 2022-04-02 | 2022-04-02 | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351621.9A CN114692692B (zh) | 2022-04-02 | 2022-04-02 | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114692692A CN114692692A (zh) | 2022-07-01 |
| CN114692692B true CN114692692B (zh) | 2023-05-12 |
Family
ID=82143413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210351621.9A Active CN114692692B (zh) | 2022-04-02 | 2022-04-02 | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114692692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115308817B (zh) * | 2022-08-05 | 2024-04-19 | 中国人民解放军国防科技大学 | 基于参考信号特征的信号学习与动态确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102998434A (zh) * | 2012-11-26 | 2013-03-27 | 天津工业大学 | 浆纱过程上浆率实时在线检测方法 |
| CN110333077A (zh) * | 2019-07-08 | 2019-10-15 | 重庆大学 | 一种基于近似支持向量的滚动轴承故障诊断方法 |
| CN111289800A (zh) * | 2020-03-05 | 2020-06-16 | 国网安徽省电力有限公司 | 一种基于广义回归神经网络的小电阻振动监测方法 |
| CN111308471A (zh) * | 2020-02-12 | 2020-06-19 | 河海大学 | 基于半监督域适应的雨、雪、冰雹分类监测方法 |
| CN112818528A (zh) * | 2021-01-21 | 2021-05-18 | 河海大学 | 超高频无线微波数据驱动的露点-霜点温度场重构方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2696141B2 (ja) * | 1988-12-27 | 1998-01-14 | 建設省近畿地方建設局長 | 降雪融解熱量の即時連続計測制御装置及び融雪方法 |
| CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
| CN112764125A (zh) * | 2019-11-04 | 2021-05-07 | 苏州斯威高科信息技术有限公司 | 一种公路综合气象检测装置及其检测方法 |
| CN111077598A (zh) * | 2019-12-31 | 2020-04-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于红外激光的降雪量传感器及实时监测预警装置 |
| CN111474606B (zh) * | 2020-03-30 | 2022-04-05 | 中国人民解放军国防科技大学 | 基于双频双极化微波链路的降雨与水汽综合测量装置及方法 |
| CN111666656A (zh) * | 2020-05-09 | 2020-09-15 | 江苏微之润智能技术有限公司 | 基于微波雨衰的降雨估算方法及降雨监测系统 |
-
2022
- 2022-04-02 CN CN202210351621.9A patent/CN114692692B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102998434A (zh) * | 2012-11-26 | 2013-03-27 | 天津工业大学 | 浆纱过程上浆率实时在线检测方法 |
| CN110333077A (zh) * | 2019-07-08 | 2019-10-15 | 重庆大学 | 一种基于近似支持向量的滚动轴承故障诊断方法 |
| CN111308471A (zh) * | 2020-02-12 | 2020-06-19 | 河海大学 | 基于半监督域适应的雨、雪、冰雹分类监测方法 |
| CN111289800A (zh) * | 2020-03-05 | 2020-06-16 | 国网安徽省电力有限公司 | 一种基于广义回归神经网络的小电阻振动监测方法 |
| CN112818528A (zh) * | 2021-01-21 | 2021-05-18 | 河海大学 | 超高频无线微波数据驱动的露点-霜点温度场重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114692692A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
| CN110852245B (zh) | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 | |
| Cherkassky et al. | Computational intelligence in earth sciences and environmental applications: Issues and challenges | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN106598917A (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
| CN105825271A (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
| CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
| CN111461413A (zh) | 一种公路路面使用性能检测系统 | |
| CN114692692B (zh) | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 | |
| CN110456355A (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
| CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
| Huang et al. | A data-driven method for hybrid data assimilation with multilayer perceptron | |
| CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| Wang et al. | Intelligent feature extraction, data fusion and detection of concrete bridge cracks: Current development and challenges | |
| Lu et al. | Traffic flow prediction based on wavelet analysis, genetic algorithm and artificial neural network | |
| CN110988872B (zh) | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 | |
| Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
| Zhang et al. | Demand prediction of emergency supplies under fuzzy and missing partial data | |
| Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution | |
| Mohammed Abdelkader et al. | Condition prediction of concrete bridge decks using Markov chain Monte Carlo-based method | |
| CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及系统 | |
| LU504816B1 (en) | Interpretable deep learning model for extreme climate prediction | |
| Zhao et al. | Machine learning-enabled calibration of river routing model parameters |
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 |