CN114720956B - 针对双偏振天气雷达的水凝物粒子分类识别方法及装置 - Google Patents

针对双偏振天气雷达的水凝物粒子分类识别方法及装置 Download PDF

Info

Publication number
CN114720956B
CN114720956B CN202210635178.8A CN202210635178A CN114720956B CN 114720956 B CN114720956 B CN 114720956B CN 202210635178 A CN202210635178 A CN 202210635178A CN 114720956 B CN114720956 B CN 114720956B
Authority
CN
China
Prior art keywords
layer
dual
polarization
recognition model
data
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
Application number
CN202210635178.8A
Other languages
English (en)
Other versions
CN114720956A (zh
Inventor
袁田果
周霖
刘涛
黎平
雷三江
佘勇
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210635178.8A priority Critical patent/CN114720956B/zh
Publication of CN114720956A publication Critical patent/CN114720956A/zh
Application granted granted Critical
Publication of CN114720956B publication Critical patent/CN114720956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种针对双偏振天气雷达的水凝物粒子分类识别方法及装置，该方法以双偏振天气雷达产品中的水平反射率因子
Figure DEST_PATH_IMAGE001
，差分反射率
Figure 5413DEST_PATH_IMAGE002
，差分相移率
Figure DEST_PATH_IMAGE003
以及交叉相关系数
Figure DEST_PATH_IMAGE005
等多个偏振参数作为输入,使用深度学习对输入数进行处理、分析和判别,实现了晶体(CR)、毛毛雨(LR)、雨(RN)、大雨(HR)、湿雪(WS)、干雪(DS)、冰晶(IC)、霰(GR)、冰雹(IH)和雨加雹(RH)等类别降水粒子的识别。

Description

针对双偏振天气雷达的水凝物粒子分类识别方法及装置
技术领域
本发明涉及天气雷达信息处理技术领域，具体的说，涉及一种针对双偏振天气雷达的水凝物粒子分类识别方法及装置。
背景技术
在中国中西部地区，多山的地形条件常常导致冰雹等破坏性较强的局地性气象灾害频发，极大地影响了粮食和经济作物的种植，对地方经济造成了重大破坏。以冰雹为代表的气象灾害产生的主要原因是对流性强天气系统的出现，为了减少气象灾害造成的经济损失，必须采取人工影响天气作业的技术手段，来抑制这些对流天气系统的形成和发展。而抑制对流性天气系统形成发展的关键是对这些系统的早期识别，如果能够在形成之前或者发展早期识别出这些系统，人工影响天气业务部门就可以提前进行必要的人工影响天气作业，以达到消除或者减弱这种灾害性天气系统的目的，进而阻止气象灾害的发生。
在中西部主要经济作物种植区域，为了气象灾害的防灾减灾，广泛开展了以天气雷达为指挥核心，以高炮或者火箭作为作业火器工具的人工影响天气作业业务。在人影作业业务中，作业指挥人员借助天气雷达的观测数据搜索可能形成灾害的天气系统目标，对可能形成对流性灾害天气系统目标核心进行精准识别和精确定位，并通过通信系统通知人影作业工具的现场操作人员，而作业操作人员依据指挥人员提供的作业参数调整高炮/火箭射角，准确及时地完成人影作业。
形成有效的人工影响天气作业的关键是基于天气雷达的灾害性天气系统的早期识别。传统的用于人影作业指挥天气雷达以多普勒天气雷达为主，它提供雷达观测范围内天气系统的反射率因子Z、速度V和谱宽W 3种观测数据，这3种观测数据仅仅能够反映天气系统的宏观结构，以此为依据识别是否是对流性天气系统，或者判别对流性天气系统的发展趋势，具有一定片面性，特别是无法进行对流性天气系统的早期识别，往往会造成对作业条件识别和作业时机选择的误判，影响人影作业的有效性。
近年来，随着天气雷达技术的发展，X波段双偏振多普勒天气雷达被广泛引入人工 影响天气作业指挥业务，极大地改善了灾害性天气系统的早期识别的准确性。双偏振多普 勒天气雷达同时或者交替发射水平/垂直极化电磁波，天气系统中不同相态、不同尺度和不 同形状的水凝物粒子对不同极化方向的电磁波的反射强度和相位偏移是不同的，这些差异 携带了粒子相态的准确识别信息，因此，双偏振多普勒天气雷达不仅仅能够提供天气系统 的反射率因子
Figure 888516DEST_PATH_IMAGE001
、速度V和谱宽W 3种观测数据，还可以提供水凝物粒子差分反射率
Figure 195869DEST_PATH_IMAGE002
，差分相移率
Figure 178869DEST_PATH_IMAGE003
以及交叉相关系数
Figure 105236DEST_PATH_IMAGE004
等微观的双偏振观测参数，这些参数反映了水 凝物粒子的形状信息，可以用于对水凝物粒子的相态识别，以此为基础，结合反射率因子Z、 速度V和谱宽W 3种传统观参数，可以进行对流性天气系统的早期识别，提高人影作业的效 率和科学性。
传统人影作业指挥业务中，基于双偏振观测参数的水凝物粒子识别方法主要是基于模糊逻辑的方法，这种方法需要根据历史积累的观测数据,进行人工的隶属函数边界的设定选择，一方面参数选择人为因素较大，另一方面一旦识别模型建立，很难根据新的业务观测数据的积累，自动调整相应的识别参数，算法自适应性较差，不能很好改进。改进的基于模糊神经网络的识别方法，虽然能够通过样本训练确定隶属函数边界，部分解决了上述问题，但业务使用情况并不理想。
发明内容
为了解决上述技术问题，本发明提供了一种针对双偏振天气雷达的水凝物粒子分类识别方法及装置，引入深度机器学习的方法，用历史积累的观测数据建立训练样本，对识别模型进行的训练，建立稳定的识别模型，应用于人影作业指挥业务。在业务观测中，新的观测数据可用于分类识别模型的优化改进训练，以达到自适应改进的目的。
本发明的具体技术方案如下：
根据本发明的第一技术方案，提供一种针对双偏振天气雷达的水凝物粒子分类识别方法，所述方法包括：
对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因 子
Figure 811286DEST_PATH_IMAGE005
、水凝物粒子差分反射率
Figure 164907DEST_PATH_IMAGE006
、差分相移率
Figure 635203DEST_PATH_IMAGE007
以及交叉相关系数
Figure 489895DEST_PATH_IMAGE008
中的一 种；
将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；
所述分类识别模型中的各个神经元都有对应的线性关系系数
Figure 689933DEST_PATH_IMAGE009
和偏移
Figure 89821DEST_PATH_IMAGE010
，单个神 经元到单个神经元的线性关系为
Figure 375309DEST_PATH_IMAGE011
，其中
Figure 3999DEST_PATH_IMAGE012
表示为n*1的权重矩阵，
Figure 58542DEST_PATH_IMAGE013
表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第
Figure 691649DEST_PATH_IMAGE014
层共有
Figure 323487DEST_PATH_IMAGE015
个神经元，则对于 第
Figure 801873DEST_PATH_IMAGE016
层的第
Figure 710923DEST_PATH_IMAGE017
个神经元的输出
Figure 85DEST_PATH_IMAGE018
，有如（1）所示的前向传播：
Figure 135531DEST_PATH_IMAGE019
（1）
其中，
Figure 479924DEST_PATH_IMAGE020
为激活函数，包括Relu激活函数和Softmax激活函数，
Figure 633694DEST_PATH_IMAGE021
表示第l层输 出层，
Figure 936499DEST_PATH_IMAGE022
表示第l-1层与l层之间的权重矩阵，
Figure 293663DEST_PATH_IMAGE023
表示第
Figure 130163DEST_PATH_IMAGE024
层的第k个神经元的输 出，
Figure 13805DEST_PATH_IMAGE025
表示第l层的第j个神经元的偏移；
所述Relu激活函数如（2）所示：
Figure 362878DEST_PATH_IMAGE026
（2）
其中，x表示输入层矩阵的横标志，max()表示最大值函数；
所述Softmax激活函数如（3）所示：
Figure 331971DEST_PATH_IMAGE027
（3）
其中，
Figure 142801DEST_PATH_IMAGE028
表示输出层的第i个元素，
Figure 146529DEST_PATH_IMAGE029
表示
Figure 666503DEST_PATH_IMAGE030
的z数组的第i个元素幂次，
Figure 545729DEST_PATH_IMAGE031
表示
Figure 301195DEST_PATH_IMAGE030
的z数组的第c个元素幂次；
确定所述分类识别模型的多类交叉熵损失函数如（4）所示：
Figure 503637DEST_PATH_IMAGE033
（4）
其中，输入数据的模型预测值为
Figure 319147DEST_PATH_IMAGE034
，输入数据的真实值为
Figure 387466DEST_PATH_IMAGE035
；
通过如下（5）和（6）迭代求解各层神经元的
Figure 618727DEST_PATH_IMAGE036
和
Figure 331468DEST_PATH_IMAGE037
：
Figure 678398DEST_PATH_IMAGE038
（5）
Figure 478688DEST_PATH_IMAGE039
（6）
（5）和（6）中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，
Figure 602721DEST_PATH_IMAGE040
表示选 用的激活函数，
Figure 513428DEST_PATH_IMAGE041
表示L层n*1的矩阵向量，
Figure 844309DEST_PATH_IMAGE042
表示输出L-1层n*1的矩阵向量，
Figure 957060DEST_PATH_IMAGE043
表示 输出层，
Figure 671069DEST_PATH_IMAGE044
表第L层输出层，
Figure 63129DEST_PATH_IMAGE045
表示输入层矩阵的竖标志，
Figure 532288DEST_PATH_IMAGE046
标识Hadamard积，表示对应位置的 对应数值相乘；
在求解出的各层神经元的
Figure 875545DEST_PATH_IMAGE009
和
Figure 767146DEST_PATH_IMAGE010
都小于停止迭代阈值
Figure 246669DEST_PATH_IMAGE047
时，输出线性关系系数集
Figure 886729DEST_PATH_IMAGE048
和偏移集
Figure 202435DEST_PATH_IMAGE049
，得到权值文件；
利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果。
根据本发明各个实施例公开的一种针对双偏振天气雷达的水凝物粒子分类识别方法及装置，首先对偏振参量数据进行归一化，获得归一化后的偏振参量数据，然后建立分类识别模型，针对雷达数据结果选用合适的网络结构构建分类识别模型。在分类识别模型的基础上引入优化器和学习率对分类识别模型的识别结果进行优化。最后对于识别结果进行分类，获得水凝物粒子的类型。对实测数据的仿真实验结果表明，本方法下的偏振参量数据的降水粒子识别分类效果良好。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了根据本发明实施例的一种针对双偏振天气雷达的水凝物粒子分类识别方法的流程图。
图2示出了根据本发明实施例的一种针对双偏振天气雷达的水凝物粒子分类识别方法所构建的分类识别模型结构图。
图3示出了根据本发明实施例的 K-fold交叉验证方法的示意图。
图4示出了传统模糊逻辑方法获得的水凝物粒子分类结果图。
图5示出了根据本发明实施例的一种针对双偏振天气雷达的水凝物粒子分类识别方法获得的水凝物粒子分类结果图。
图6示出了根据本发明实施例的一种针对双偏振天气雷达的水凝物粒子分类识别方法经过修正后获得的水凝物粒子分类结果图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
本发明实施例提供一种针对双偏振天气雷达的水凝物粒子分类识别方法，如图1和图2所示，所述方法包括：
对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因 子
Figure 648460DEST_PATH_IMAGE050
、水凝物粒子差分反射率
Figure 982489DEST_PATH_IMAGE051
、差分相移率
Figure 42718DEST_PATH_IMAGE052
以及交叉相关系数
Figure 94987DEST_PATH_IMAGE053
中的一种。双偏振观 测参量数据可以基于双偏振天气雷达监测得到。在具体实施时，可以将输入的雷达基数据 按解码格式进行解码，利用结构体的方式分类存放
Figure 79124DEST_PATH_IMAGE050
、
Figure 533239DEST_PATH_IMAGE054
、
Figure 265834DEST_PATH_IMAGE052
、
Figure 805400DEST_PATH_IMAGE055
四种双偏振观测参量， 后续将四种观测参量以函数参数表的形式输出，再以VCP层数、径向数、库数依次在函数中 存储用于后续调用。在调用四种观测参量之前，进行相应的预处理。双偏振观测参量数据主 要作为后续分类识别模型的训练数据集，可以基于以往的现有数据，也可以基于实测得到 的相应数据。
将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型。仅作为示例，所述分类识别模型可以选择DNN网络。DNN网络包括前向传播和后向传播。
所述分类识别模型中的各个神经元都有对应的线性关系系数
Figure 593227DEST_PATH_IMAGE009
和偏移
Figure 354379DEST_PATH_IMAGE010
，单个 神经元到单个神经元的线性关系为
Figure 569459DEST_PATH_IMAGE056
，其中
Figure 330742DEST_PATH_IMAGE057
表示为n*1的权重矩阵，
Figure 407413DEST_PATH_IMAGE058
表 示1*n的向量矩阵，将整个分类识别模型做一般化，假设第
Figure 570542DEST_PATH_IMAGE059
层共有
Figure 690944DEST_PATH_IMAGE015
个神经元，则对于 第
Figure 657632DEST_PATH_IMAGE060
层的第
Figure 521683DEST_PATH_IMAGE061
个神经元的输出
Figure 539318DEST_PATH_IMAGE062
，有如（1）所示的前向传播：
Figure 892938DEST_PATH_IMAGE063
（1）
其中，
Figure 594527DEST_PATH_IMAGE064
为激活函数，包括Relu激活函数和Softmax激活函数，
Figure 262269DEST_PATH_IMAGE065
表示第l层 输出层，
Figure 134410DEST_PATH_IMAGE066
表示第l-1层与l层之间的权重矩阵，
Figure 862194DEST_PATH_IMAGE067
表示第
Figure 600212DEST_PATH_IMAGE068
层的第k个神经元 的输出，
Figure 806065DEST_PATH_IMAGE069
表示第l层的第j个神经元的偏移。
所述Relu激活函数如（2）所示：
Figure 798292DEST_PATH_IMAGE070
（2）
其中，x表示输入层矩阵的横标志，max()表示最大值函数；
所述Softmax激活函数如（3）所示：
Figure 696978DEST_PATH_IMAGE071
（3）
其中，
Figure 892598DEST_PATH_IMAGE072
表示输出层的第i个元素，
Figure 105405DEST_PATH_IMAGE073
表示
Figure 217717DEST_PATH_IMAGE074
的z数组的第i个元素幂次，
Figure 270993DEST_PATH_IMAGE075
表示
Figure 468756DEST_PATH_IMAGE074
的z数组的第c个元素幂次。
在完成前向传播后，进行反向传播前，选择一个损失函数，用来度量训练样本计算出的输出和真实的训练样本输出之间的损失。本发明实施例确定所述分类识别模型的多类交叉熵损失函数如（4）所示：
Figure 281991DEST_PATH_IMAGE076
（4）
其中，输入数据的模型预测值为
Figure 248810DEST_PATH_IMAGE077
，输入数据的真实值为
Figure 974452DEST_PATH_IMAGE078
。
然后，进行反向传播，即通过如下（5）和（6）迭代求解各层神经元的
Figure 659511DEST_PATH_IMAGE009
和
Figure 214120DEST_PATH_IMAGE079
：
Figure 284713DEST_PATH_IMAGE080
（5）
Figure 696103DEST_PATH_IMAGE081
（6）
（5）和（6）中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，
Figure 868459DEST_PATH_IMAGE082
表示选 用的激活函数，
Figure 757917DEST_PATH_IMAGE083
表示L层n*1的矩阵向量，
Figure 450061DEST_PATH_IMAGE084
表示输出L-1层n*1的矩阵向量，
Figure 766773DEST_PATH_IMAGE043
表示输 出层，
Figure 160845DEST_PATH_IMAGE085
表示第L层输出层，
Figure 853994DEST_PATH_IMAGE045
表示输入层矩阵的竖标志，
Figure 899180DEST_PATH_IMAGE046
标识Hadamard积，表示对应 位置的对应数值相乘。
在求解出的各层神经元的
Figure 855634DEST_PATH_IMAGE009
和
Figure 533740DEST_PATH_IMAGE010
都小于停止迭代阈值
Figure 718996DEST_PATH_IMAGE086
时，输出线性关系系数集
Figure 369420DEST_PATH_IMAGE048
和偏移集
Figure 762356DEST_PATH_IMAGE087
，得到权值文件；
最后利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识 别模型中依次得到识别效果。新数据流具体是可以实时通过雷达检测的相关数据，包括反 射率因子
Figure 645867DEST_PATH_IMAGE050
、水凝物粒子差分反射率
Figure 884081DEST_PATH_IMAGE051
、差分相移率
Figure 389012DEST_PATH_IMAGE052
以及交叉相关系数
Figure 906843DEST_PATH_IMAGE053
中的一 种及其组合。本发明实施例最终获得一个如图5所示的水凝物粒子分类图。
在一些实施例中，在对双偏振观测参量数据进行预处理之前，所述方法还包括：将各个双偏振观测参量通过线性化的方法转换到预设的阈值范围内，实现对原始数据的等比例缩放，得到所述双偏振观测参量数据。仅作为示例，预设的阈值范围可以是[0 ,1]的范围。通过利用变量取值的最大值和最小值将原始数据转换为界于某一特定范围的数据，从而消除量纲和数量级影响，改变变量在分析中的权重。选用归一化而不是极值化方法的原因是由于极值化方法在对变量无量纲化过程中仅仅与该变量的最大值和最小值这两个极端值有关，而与其他取值无关，这使得该方法在改变各变量权重时过分依赖两个极端取值。
在一些实施例中，所述对双偏振观测参量数据进行预处理，包括：
通过如下（7）和（8）平滑所述双偏振观测参量数据：
Figure 12071DEST_PATH_IMAGE088
（7）
Figure 788398DEST_PATH_IMAGE089
（8）
（7）和（8）中，
Figure 413414DEST_PATH_IMAGE090
为偏振参量数据总集，n为偏振参量数据总集的总数，
Figure 430043DEST_PATH_IMAGE091
为输出数据，
Figure 507720DEST_PATH_IMAGE092
为输入数据，
Figure 415633DEST_PATH_IMAGE093
为滑动窗口大小。
在一些实施例中，在训练的过程中，通常会使用到优化器。发明人考虑到在训练的 初期Adam 中
Figure 895156DEST_PATH_IMAGE094
的方差会非常大。而
Figure 581221DEST_PATH_IMAGE094
起到修正更新方向的作用，因此 Adam 参数的更新量 的方差也会很大。选用RAdam进行学习率的纠正使前期方差较小选用的线性插值权重为
Figure 349457DEST_PATH_IMAGE095
，其中，Var(v∞)为无穷大时的方差，Var(v t )为t时刻的方差，基于线性插值权 重
Figure 264323DEST_PATH_IMAGE096
，通过如下（9）进行线性插值：
Figure 880244DEST_PATH_IMAGE097
（9）
其中，
Figure 487943DEST_PATH_IMAGE098
为参数更新量，
Figure 540212DEST_PATH_IMAGE099
为学习率，Adam(t)为t时刻的Adam优化器，SGD_ Momentum(t)为t时刻的SGD + Momentum优化器，m t 为一阶矩(动量)，
Figure 258770DEST_PATH_IMAGE100
为迭代阈值，v t 为二 阶矩(自适应学习率)，
Figure 103098DEST_PATH_IMAGE101
均为指数滑动平均的超参。在一些实施例中，如图3所示， 在所述分类识别模型的训练过程中，对待输入的数据采用K-Fold 多次划分，以利用全部数 据集。
在一些实施例中，在所述分类识别模型的训练完成后，对所述分类识别模型进行校验，若学习率低于预设的阈值则对预处理后的双偏振观测参量数据进行正则化，直到学习率达到所述预设的阈值。若学习率过低，很可能会进入局部极值点就收敛，没有真正地找到最优解，导致水凝物粒子识别分类的判断结果不准确，所以要对数据进行正则化，防止学习率过低而造成的问题。
图4显示了传统模糊逻辑方法获得的水凝物粒子分类结果图，图5和图6显示了根据本发明实施例的一种针对双偏振天气雷达的水凝物粒子分类识别方法获得的水凝物粒子分类结果图，结合图4-图6，可以看出，本发明在实施过程中，可以不断自适应地调整，能够达到更准确的分类结果。
本发明实施例还提供一种针对双偏振天气雷达的水凝物粒子分类识别装置，其特征在于，所述装置包括处理器，所述处理器被配置为：
对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因 子
Figure 886291DEST_PATH_IMAGE050
、水凝物粒子差分反射率
Figure 629119DEST_PATH_IMAGE054
、差分相移率
Figure 869476DEST_PATH_IMAGE102
以及交叉相关系数
Figure 443677DEST_PATH_IMAGE103
中的一种；
将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；
所述分类识别模型中的各个神经元都有对应的线性关系系数
Figure 596441DEST_PATH_IMAGE009
和偏移
Figure 108456DEST_PATH_IMAGE010
，单个 神经元到单个神经元的线性关系为
Figure 699974DEST_PATH_IMAGE104
，其中
Figure 66364DEST_PATH_IMAGE105
表示为n*1的权重矩阵，
Figure 436035DEST_PATH_IMAGE106
表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第
Figure 950193DEST_PATH_IMAGE107
层共有
Figure 814244DEST_PATH_IMAGE015
个神经 元，则对于第
Figure 97457DEST_PATH_IMAGE016
层的第
Figure 405073DEST_PATH_IMAGE108
个神经元的输出
Figure 140948DEST_PATH_IMAGE109
，有如（1）所示的前向传播：
Figure 746373DEST_PATH_IMAGE110
（1）
其中，
Figure 133361DEST_PATH_IMAGE111
为激活函数，包括Relu激活函数和Softmax激活函数，
Figure 126724DEST_PATH_IMAGE112
表示第l层输 出层，
Figure 84316DEST_PATH_IMAGE113
表示第l-1层与l层之间的权重矩阵，
Figure 555749DEST_PATH_IMAGE114
表示第
Figure 298708DEST_PATH_IMAGE014
层的第k个神经元的输 出，
Figure 931815DEST_PATH_IMAGE115
表示第l层的第j个神经元的偏移；
所述Relu激活函数如（2）所示：
Figure 642282DEST_PATH_IMAGE116
（2）
其中，x表示输入层矩阵的横标志，max()表示最大值函数；
所述Softmax激活函数如（3）所示：
Figure 104356DEST_PATH_IMAGE117
（3）
其中，
Figure 951089DEST_PATH_IMAGE118
表示输出层的第i个元素，
Figure 20676DEST_PATH_IMAGE119
表示
Figure 952860DEST_PATH_IMAGE120
的z数组的第i个元素幂次，
Figure 782407DEST_PATH_IMAGE121
表 示
Figure 749226DEST_PATH_IMAGE120
的z数组的第c个元素幂次；
确定所述分类识别模型的多类交叉熵损失函数如（4）所示：
Figure 724135DEST_PATH_IMAGE122
（4）
其中，输入数据的模型预测值为
Figure 878036DEST_PATH_IMAGE123
，输入数据的真实值为
Figure 229383DEST_PATH_IMAGE124
；
通过如下（5）和（6）迭代求解各层神经元的
Figure 253971DEST_PATH_IMAGE009
和
Figure 150514DEST_PATH_IMAGE010
：
Figure 322869DEST_PATH_IMAGE125
（5）
Figure 477907DEST_PATH_IMAGE126
（6）
（5）和（6）中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，
Figure 606269DEST_PATH_IMAGE127
表示选 用的激活函数，
Figure 188560DEST_PATH_IMAGE128
表示L层n*1的矩阵向量，
Figure 848211DEST_PATH_IMAGE129
表示输出L-1层n*1的矩阵向量，
Figure 541361DEST_PATH_IMAGE043
表示 输出层，
Figure 291273DEST_PATH_IMAGE044
表示第L层输出层，
Figure 44466DEST_PATH_IMAGE045
表示输入层矩阵的竖标志，
Figure 925834DEST_PATH_IMAGE130
标识Hadamard积，表示对 应位置的对应数值相乘；
在求解出的各层神经元的
Figure 671942DEST_PATH_IMAGE009
和
Figure 322366DEST_PATH_IMAGE010
都小于停止迭代阈值
Figure 449722DEST_PATH_IMAGE131
时，输出线性关系系数 集
Figure 580838DEST_PATH_IMAGE048
和偏移集
Figure 881369DEST_PATH_IMAGE049
，得到权值文件；
利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果。
需要说明的是，处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。
处理器可以通信地耦合到存储器并且被配置为执行存储在其上的计算机可执行指令，以执行根据本发明各个实施例的针对双偏振天气雷达的水凝物粒子分类识别方法。
在一些实施例中，所述处理器被进一步配置为：
通过如下（7）和（8）平滑所述双偏振观测参量数据：
Figure 386300DEST_PATH_IMAGE132
（7）
Figure 933825DEST_PATH_IMAGE133
（8）
（7）和（8）中，
Figure 681463DEST_PATH_IMAGE134
为偏振参量数据总集，n为偏振参量数据总集的总数，
Figure 785685DEST_PATH_IMAGE091
为输出数据，
Figure 613964DEST_PATH_IMAGE092
为输入数据，
Figure 394707DEST_PATH_IMAGE093
为滑动窗口大小。
在一些实施例中，所述处理器被进一步配置为：
基于线性插值权重
Figure 472385DEST_PATH_IMAGE135
，其中，Var(v∞)为无穷大时的方差，Var(v t )为t时 刻的方差，通过如下（9）进行线性插值：
Figure 52402DEST_PATH_IMAGE136
（9）
其中，
Figure 548236DEST_PATH_IMAGE137
为参数更新量，
Figure 985034DEST_PATH_IMAGE138
为学习率，Adam(t)为t时刻的Adam优化器，SGD_ Momentum(t)为t时刻的SGD + Momentum优化器，m t 为一阶矩(动量)，
Figure 753269DEST_PATH_IMAGE139
为迭代阈值，v t 为二 阶矩(自适应学习率)，
Figure 448562DEST_PATH_IMAGE140
均为指数滑动平均的超参。在一些实施例中，所述处理器被 进一步配置为：在所述分类识别模型的训练完成后，对所述分类识别模型进行校验，若学习 率低于预设的阈值则对预处理后的双偏振观测参量数据进行正则化，直到学习率达到所述 预设的阈值。
本发明实施例所提供的针对双偏振天气雷达的水凝物粒子分类识别装置与在前阐述的方法的技术效果基本一致，此处不再赘述。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种针对双偏振天气雷达的水凝物粒子分类识别方法，其特征在于，所述方法包括：
对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因子ZH、水凝物粒子差分反射率ZDR、差分相移率KDP以及交叉相关系数ρHV中的一种；
将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；
所述分类识别模型中的各个神经元都有对应的线性关系系数w和偏移b，单个神经元到单个神经元的线性关系为z＝∑wixi+b，其中wi表示为n*1的权重矩阵，xi表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第l-1层共有m个神经元，则对于第l层的第j个神经元的输出
Figure FDA0003788081260000011
有如公式(1)所示的前向传播：
Figure FDA0003788081260000012
其中，σ()为激活函数，包括Relu激活函数和Softmax激活函数，
Figure FDA0003788081260000013
表示第l层输出层，
Figure FDA0003788081260000014
表示第l-1层与l层之间的权重矩阵，
Figure FDA0003788081260000015
表示第l-1层的第k个神经元的输出，
Figure FDA0003788081260000016
表示第l层的第j个神经元的偏移；
所述Relu激活函数如公式(2)所示：
f(x)＝max(0,x) (2)
其中，x表示输入层矩阵的横标志，max()表示最大值函数；
所述Softmax激活函数如公式(3)所示：
Figure FDA0003788081260000017
其中，zi表示输出层的第i个元素，
Figure FDA0003788081260000018
表示e的z数组的第i个元素幂次，
Figure FDA0003788081260000019
表示e的z数组的第c个元素幂次；
确定所述分类识别模型的多类交叉熵损失函数如(4)所示：
Figure FDA00037880812600000110
Figure FDA0003788081260000021
其中，输入数据的模型预测值为Y：y1，y2，...，ym，输入数据的真实值为
Figure FDA0003788081260000022
通过如下公式(5)和公式(6)迭代求解各层神经元的w和b：
Figure FDA0003788081260000023
Figure FDA0003788081260000024
公式(5)和公式(6)中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，σ′()表示选用的激活函数，aL表示L层n*1的矩阵向量，aL-1表示输出L-1层n*1的矩阵向量，z表示输出层，zL表示第L层输出层，y表示输入层矩阵的竖标志，⊙标识Hadamard积，表示对应位置的对应数值相乘；
在求解出的各层神经元的w和b都小于停止迭代阈值ε时，输出线性关系系数集W和偏移集B，得到权值文件；
利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果；
在所述分类识别模型的训练初期，基于线性插值权重
Figure FDA0003788081260000025
其中，Var(v∞)为无穷大时的方差，Var(vt)为t时刻的方差，通过如下公式(9)进行线性插值：
Figure FDA0003788081260000031
其中，Δθ为参数更新量，η为学习率，Adam(t)为t时刻的Adam优化器，SGD_Momentum(t)为t时刻的SGD+Momentum优化器，mt为一阶矩，ε为迭代阈值，vt为二阶矩，
Figure FDA0003788081260000032
均为指数滑动平均的超参。
2.根据权利要求1所述的方法，其特征在于，在对双偏振观测参量数据进行预处理之前，所述方法还包括：
将各个双偏振观测参量通过线性化的方法转换到预设的阈值范围内，实现对原始数据的等比例缩放，得到所述双偏振观测参量数据。
3.根据权利要求1所述的方法，其特征在于，所述对双偏振观测参量数据进行预处理，包括：
通过如下公式(7)和公式(8)平滑所述双偏振观测参量数据：
g(x,y)＝1/n∑I∈NeighbourI(x,y) (7)
g(x,y)＝MED{I(x-k,y-l)}(k,l∈W) (8)
公式(7)和公式(8)中，Neighbour为偏振参量数据总集，n为偏振参量数据总集的总数，g(x,y)为输出数据，I(x,y)为输入数据，W为滑动窗口大小。
4.根据权利要求1所述的方法，其特征在于，在所述分类识别模型的训练过程中，对待输入的数据采用K-Fold多次划分，以利用全部数据集。
5.根据权利要求1-4任一项所述的方法，其特征在于，在所述分类识别模型的训练完成后，对所述分类识别模型进行校验，若学习率低于预设的阈值则对预处理后的双偏振观测参量数据进行正则化，直到学习率达到所述预设的阈值。
6.一种针对双偏振天气雷达的水凝物粒子分类识别装置，其特征在于，所述装置包括处理器，所述处理器被配置为：
对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因子ZH、水凝物粒子差分反射率ZDR、差分相移率KDP以及交叉相关系数ρH中的一种；
将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；
所述分类识别模型中的各个神经元都有对应的线性关系系数w和偏移b，单个神经元到单个神经元的线性关系为z＝∑wixi+b，其中wi表示为n*1的权重矩阵，xi表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第l-1层共有m个神经元，则对于第l层的第j个神经元的输出
Figure FDA0003788081260000041
有如公式(1)所示的前向传播：
Figure FDA0003788081260000042
其中，σ()为激活函数，包括Relu激活函数和Softmax激活函数，
Figure FDA0003788081260000043
表示第l层输出层，
Figure FDA0003788081260000044
表示第l-1层与l层之间的权重矩阵，
Figure FDA0003788081260000045
表示第l-1层的第k个神经元的输出，
Figure FDA0003788081260000046
表示第l层的第j个神经元的偏移；
所述Relu激活函数如公式(2)所示：
f(x)＝max(0,x) (2)
其中，x表示x表示输入层矩阵的横标志，max()表示最大值函数；
所述Softmax激活函数如公式(3)所示：
Figure FDA0003788081260000047
其中，zi表示输出层的第i个元素，
Figure FDA0003788081260000051
表示e的z数组的第i个元素幂次，
Figure FDA0003788081260000052
表示e的z数组的第c个元素幂次；
确定所述分类识别模型的多类交叉熵损失函数如公式(4)所示：
Figure FDA0003788081260000053
其中，输入数据的模型预测值为Y：y1，y2，...，ym，输入数据的真实值为
Figure FDA0003788081260000054
通过如下公式(5)和公式(6)迭代求解各层神经元的w和b：
Figure FDA0003788081260000055
Figure FDA0003788081260000056
公式(5)和公式(6)中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，σ′()表示选用的激活函数，aL表示L层n*1的矩阵向量，aL-1表示输出L-1层n*1的矩阵向量，z表示输出层，zL表示第L层输出层，y表示输入层矩阵的竖标志，⊙标识Hadamard积，表示对应位置的对应数值相乘；
在求解出的各层神经元的w和b都小于停止迭代阈值ε时，输出线性关系系数集W和偏移集B，得到权值文件；
利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果；
基于线性插值权重
Figure FDA0003788081260000057
其中，Var(v∞)为无穷大时的方差，Var(vt)为t时刻的方差，通过如下公式(9)进行线性插值：
Figure FDA0003788081260000061
其中，Δθ为参数更新量，η为学习率，Adam(t)为t时刻的Adam优化器，SGD_Momentum(t)为t时刻的SGD+Momentum优化器，mt为一阶矩，ε为迭代阈值，vt为二阶矩，
Figure FDA0003788081260000062
均为指数滑动平均的超参。
7.根据权利要求6所述的装置，其特征在于，所述处理器被进一步配置为：
通过如下公式(7)和公式(8)平滑所述双偏振观测参量数据：
g(x,y)＝1/n∑I∈NeighbourI(x,y) (7)
g(x,y)＝MED{I(x-k,y-l)}(k,l∈W) (8)
公式(7)和公式(8)中，Neighbour为偏振参量数据总集，n为偏振参量数据总集的总数，g(x,y)为输出数据，I(x,y)为输入数据，W为滑动窗口大小。
8.根据权利要求7任一项所述的装置，其特征在于，所述处理器被进一步配置为：
在所述分类识别模型的训练完成后，对所述分类识别模型进行校验，若学习率低于预设的阈值则对预处理后的双偏振观测参量数据进行正则化，直到学习率达到所述预设的阈值。
CN202210635178.8A 2022-06-07 2022-06-07 针对双偏振天气雷达的水凝物粒子分类识别方法及装置 Active CN114720956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210635178.8A CN114720956B (zh) 2022-06-07 2022-06-07 针对双偏振天气雷达的水凝物粒子分类识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210635178.8A CN114720956B (zh) 2022-06-07 2022-06-07 针对双偏振天气雷达的水凝物粒子分类识别方法及装置

Publications (2)

Publication Number Publication Date
CN114720956A CN114720956A (zh) 2022-07-08
CN114720956B true CN114720956B (zh) 2022-11-01

Family

ID=82232489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210635178.8A Active CN114720956B (zh) 2022-06-07 2022-06-07 针对双偏振天气雷达的水凝物粒子分类识别方法及装置

Country Status (1)

Country Link
CN (1) CN114720956B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166750B (zh) * 2022-08-22 2024-07-05 天津大学 一种基于双偏振多普勒雷达数据的定量降水估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967515A (zh) * 2016-10-19 2018-04-27 三星电子株式会社 用于神经网络量化的方法和设备
CN111028306A (zh) * 2019-11-06 2020-04-17 杭州电子科技大学 基于AR2 U-Net神经网络的快速磁共振成像方法
CN112491854A (zh) * 2020-11-19 2021-03-12 郑州迪维勒普科技有限公司 一种基于fcnn的多方位安全入侵检测方法及系统
CN113625283A (zh) * 2021-07-28 2021-11-09 南京航空航天大学 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法
CN114282713A (zh) * 2021-12-13 2022-04-05 浙江树人学院（浙江树人大学） 基于RAdam-DA-NLSTM时间序列预测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061646B (zh) * 2018-06-26 2022-04-08 成都信息工程大学 一种基于降水云识别的多普勒天气雷达定量降水估计方法
US20200065677A1 (en) * 2018-08-24 2020-02-27 Well Data Labs, Inc. Machine learning assisted events recognition on time series completion data
CN109360206B (zh) * 2018-09-08 2021-11-12 华中农业大学 基于深度学习的大田稻穗分割方法
CN109272046A (zh) * 2018-09-26 2019-01-25 北京科技大学 基于L2重新正则化Adam切换模拟回火SGD的深度学习方法
CN110265065B (zh) * 2019-05-13 2021-08-03 厦门亿联网络技术股份有限公司 一种构建语音端点检测模型的方法及语音端点检测系统
US11334795B2 (en) * 2020-03-14 2022-05-17 DataRobot, Inc. Automated and adaptive design and training of neural networks
US20210334626A1 (en) * 2020-04-28 2021-10-28 Novatel Inc. Gnss-receiver interference detection using deep learning
CN111931422A (zh) * 2020-08-10 2020-11-13 中国科学院上海微系统与信息技术研究所 基于Adam的优化方法、系统以及终端
CN112116921A (zh) * 2020-09-10 2020-12-22 南京邮电大学 一种基于整合优化器的单声道语音分离方法
CN112183763A (zh) * 2020-09-15 2021-01-05 广州中国科学院先进技术研究所 一种基于混合策略的梯度下降优化方法
CN112488772A (zh) * 2020-12-18 2021-03-12 四川长虹电器股份有限公司 基于改进Ranger的深度学习方法
CN113570414A (zh) * 2021-07-29 2021-10-29 国网福建省电力有限公司经济技术研究院 基于改进Adam算法优化深度神经网络的电价预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967515A (zh) * 2016-10-19 2018-04-27 三星电子株式会社 用于神经网络量化的方法和设备
CN111028306A (zh) * 2019-11-06 2020-04-17 杭州电子科技大学 基于AR2 U-Net神经网络的快速磁共振成像方法
CN112491854A (zh) * 2020-11-19 2021-03-12 郑州迪维勒普科技有限公司 一种基于fcnn的多方位安全入侵检测方法及系统
CN113625283A (zh) * 2021-07-28 2021-11-09 南京航空航天大学 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法
CN114282713A (zh) * 2021-12-13 2022-04-05 浙江树人学院（浙江树人大学） 基于RAdam-DA-NLSTM时间序列预测方法

Also Published As

Publication number Publication date
CN114720956A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Hu et al. A hybrid technique for short-term wind speed prediction
CN107909082B (zh) 基于深度学习技术的声呐图像目标识别方法
CN110503833B (zh) 一种基于深度残差网络模型的入口匝道联动控制方法
CN102013017B (zh) 一种高分辨率遥感图像场景粗分类方法
Awad An Unsupervised Artificial Neural Network Method for Satellite Image Segmentation.
CN107578061A (zh) 基于最小化损失学习的不平衡样本分类方法
CN106910176A (zh) 一种基于深度学习的人脸图像去遮挡方法
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
CN111160268A (zh) 一种基于多任务学习的多角度sar目标识别方法
CN114720956B (zh) 针对双偏振天气雷达的水凝物粒子分类识别方法及装置
US8615478B2 (en) Using affinity measures with supervised classifiers
CN107977683A (zh) 基于卷积特征提取和机器学习的联合sar目标识别方法
CN113408423A (zh) 适用于tx2嵌入式平台的水产品目标实时检测方法
CN113239830A (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN108229750A (zh) 一种股票收益率预测方法
CN104156943A (zh) 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法
CN101702019A (zh) Sar图像中居民区的提取方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
WO2023236260A1 (zh) 基于复数值加速算法的短期风速预测方法
CN103020979A (zh) 基于稀疏遗传聚类的图像分割方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN117233706B (zh) 一种基于多层通道注意力机制的雷达有源干扰识别方法
CN109543748A (zh) 一种基于多模型融合的水果识别方法
CN112556682A (zh) 一种水下复合传感器目标自动检测算法
CN115423810B (zh) 一种风力发电机组叶片覆冰形态分析方法

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
GR01 Patent grant
GR01 Patent grant