CN115688544B - 一种基于mlp神经网络的微波衰减降雪场层析重构方法 - Google Patents
一种基于mlp神经网络的微波衰减降雪场层析重构方法 Download PDFInfo
- Publication number
- CN115688544B CN115688544B CN202210696704.1A CN202210696704A CN115688544B CN 115688544 B CN115688544 B CN 115688544B CN 202210696704 A CN202210696704 A CN 202210696704A CN 115688544 B CN115688544 B CN 115688544B
- Authority
- CN
- China
- Prior art keywords
- layer
- attenuation
- mlp
- neural network
- input
- 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 22
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000004587 chromatography analysis Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000001556 precipitation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于MLP神经网络的微波衰减降雪场层析重构方法,包括以下步骤:获取观测区域内的微波衰减信号强度数据;层析重构二维衰减场,得出每一像素格中的单位衰减;建立MLP神经网络反演模型,获得输入层与输出层的非线性映射关系;根据MLP神经网络模型反演出二维降雪场。本发明将MLP神经网络模型与层析重构法相结合,创新了传统的降雪监测方法,有效提高了降雪强度的监测精度,并解决了降雪的空间异质性问题。
Description
技术领域
本发明涉及基于MLP神经网络的微波衰减降雪场层析重构方法,属于气象领域。
背景技术
在全球气候变化的背景下,冬季降雪的规律和分布特征已成人们关注的重大科学研究焦点,及时做好降雪强度监测及预报对国家安全,社会发展等具有重要意义。
降雪是我国东北地区冬季的主要降水形式,属于层状云降水,对微波的衰减能力通常比连续性降水弱。常规降雪强度检测的方法有:采用雨量器人工观测和利用常规天气雷达对回波强度进行观测。雨量器人工观测时效差,信息较难共享;常规天气雷达探测局部时易出现较大误差。可见传统的降雪监测技术存在一定局限性,因此如何用更精准简便的方法利用微波链路监测降雪强度并重构降雪场成为一个值得探究的问题。
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MLP神经网络的微波衰减降雪场层析重构方法,利用微波链路精度高的优点,避免出现使用常规雷达时易出现的较大局部误差,更适用于实时监测水文风险高的区域内发生的降雪事件。
技术方案:为解决上述技术问题,本发明的一种一种基于MLP神经网络的微波衰减降雪场层析重构方法,包括以下步骤:
S1获取观测区域内微波信号接收端在降雪时段接收的微波衰减信号强度数据,进行预处理,得到有效强度数据并构建训练数据集。
S2层析重构由基函数线性组合成的二维衰减场,得出每一像素格中的单位衰减。
S3建立网络模型MLP神经网络反演模型的预定义损失函数,训练模型,获得输入层与输出层的非线性映射关系。
S4根据MLP神经网络模型反演出二维降雪场。
进一步地,所述步骤S2中层析重构二维衰减场包括以下步骤:
S2-1假设有一正方形观测区域Δ×Δ,区域内任一点坐标为(x,y),此处的单位衰减为a(x,y)(dB/km)。假设观测区域内共有M条微波链路,则第m条链路的总衰减Am(dB) 为
其中,rr(m)和rt(m)分别是接收机与发射机的坐标位置,r为接收机与发射机之间的直线距离。
S2-2将观测区域划分出L个子区域,每个子区域为大小均等的格网,一个格网看做一个像素点。通过L个基函数bl(x,y)的线性组合,可估计出a(x,y),记为即:
则:
S2-3基函数bl(x,y)选用金字塔形屋顶函数,每个基函数放置在子区域的中间,第i 个子区域的中心坐标为(Xi,Yi),基函数在有限域上非0:
S2-4将定义为aml,即第m条链路上的第l个基函数的积分,一般项aml组成M×L阶矩阵A;
则:
其中,为l维向量,为m维向量;
S2-5称s’为满足以下条件的s的最佳元素集:
其中,α和β是两个加权参数,C为半正定矩阵
S2-6通过最速下降法最小化J(s):
其中,ρ是标量增益,使用一维搜索方法求得。
S2-7得出每一个像素格中的单位衰减,进而完成二维衰减场的层析重构。
进一步地,所述步骤S3包括以下步骤:
S3-1 MLP由多层神经元模型相互连接而成,本实施例中采用单隐层全连接感知器网络模型,包含输入层、隐含层及输出层各一个。MLP模型提供了输入层与输出层的非线性映射关系,其数学描述为:
其中,αi(n)为第n个训练样本的第i个输入层数据,样本总数为N,输入层总数为I;yk(n)为第k个输出数据,总数为K;P为隐含层的节点总数;f(·)为神经网络模型的激活函数,输入层到隐含层的激活函数为Sigmoid函数,隐含层到输出层的激活函数为tanh函数;wpi为第i个输入层数据到第p个隐含层节点的权值;wkp为第p个隐含层节点到输出层第k个数据的权值。
S3-2本实施例建立的MLP预定义损失函数为均方误差函数,训练的目标是使Err的值最小:
其中,yk(n)与分别为真实值与MLP模型模拟结果值。
S3-3 MLP采用梯度下降算法计算权值对误差函数的贡献率,再根据梯度的相关值修改权值大小以达到训练目的。
隐含层输入矩阵为隐含层输出为
其中,为输入层到隐含层的加权矩阵(P×I阶),为输入参数矩阵(I×N阶)。
输出层输入矩阵为神经网络的输出为:
其中,为隐含层到输出层的加权矩阵(K×P阶)。
若S3-2中的误差大于某一给定误差容限,则调整权值矩阵,迭代公式为:
W1(n+1)=W1(n)+ΔW1(n)
W2(n+1)=W2(n)+ΔW2(n)
其中,ΔW1(n)和ΔW2(n)为权值修正量,使用梯度下降法计算权值修正量;W1(n+1)和W2(n+1)为迭代更新后的权值矩阵。
进一步地,步骤S4将测试数据集中的信号衰减强度作为步骤S3训练得到的MLP 网络模型的输入,输出为对应的降雪量。将降雪衰减场转换为降雪强度场。
有益效果:本发明的基于MLP神经网络的微波衰减降雪场层析重构方法,具有以下优点:
(1)微波链路精度高,避免出现使用常规雷达时易出现的较大局部误差,更适用于实时监测水文风险高的区域内发生的降雪事件;
(2)与MLP神经网络相结合,找到微波衰减强度与降雪量之间的非线性关系,有利于提高降雪监测的简便性与准确性;
(3)使用层析重构法搭建出二维降雪强度场,可推断出研究区域内任意给定点的降雪强度值,以解决降雪的空间异质性问题,准确监测降雪强度。
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,本发明提供一种基于MLP神经网络的微波衰减降雪场重构方法,包括如下步骤:
S1获取观测区域内微波信号接收端在降雪时段接收的微波衰减信号强度数据,进行预处理,得到有效强度数据;
使用Max-Min方法进行归一化,将所有数据转换为0到1之间的数,如下所示:
其中AMax为样本数据最大值,AMin为样本数据最小值,A0为待归一化数据;
由于东北地区冬季的空气及雪质干燥且降雪引起的衰减比干燥空气引起的衰减高出数个量级,因此忽略湿天线或干空气导致的衰减项;
对研究区内各链路预处理后的衰减值及同时段气象站实测降雪强度数据构建数据集,并按8:2的比例分为训练集和测试集。
S2层析重构由基函数线性组合成的二维衰减场,得出每一像素格中的单位衰减;
其中,用层析重构法建立二维衰减场的步骤包括:
S2-1假设有一正方形观测区域Δ×Δ,区域内任一点坐标为(x,y),此处的单位衰减为a(x,y)(dB/km)。假设观测区域内共有M条微波链路,则第m条链路的总衰减Am(dB) 为
其中,rr(m)和rt(m)分别是接收机与发射机的坐标位置,r为接收机与发射机之间的直线距离;
S2-2将观测区域划分出L个子区域,每个子区域为大小均等的格网,一个格网看做一个像素点。通过L个基函数bl(x,y)的线性组合,可估计出a(x,y),记为即:
则:
S2-3基函数bl(x,y)选用金字塔形屋顶函数,每个基函数放置在子区域的中间,第i 个子区域的中心坐标为(Xi,Yi),基函数在有限域上非0:
S2-4将定义为aml,即第m条链路上的第l个基函数的积分,一般项aml组成M×L阶矩阵A;
则:
其中,为l维向量,为m维向量;
S2-5称s’为满足以下条件的s的最佳元素集:
其中,α和β是两个加权参数,C为半正定矩阵;
S2-6通过最速下降法最小化J(s):
其中,ρ是标量增益,使用一维搜索方法求得;
S2-7得出每一个像素格中的单位衰减,进而完成二维衰减场的层析重构。
S3建立MLP神经网络反演模型的预定义损失函数,训练模型,获得输入层与输出层的非线性映射关系,具体步骤为:
S3-1 MLP由多层神经元模型相互连接而成,本实施例中采用单隐层全连接感知器网络模型,包含输入层、隐含层及输出层各一个。MLP模型提供了输入层与输出层的非线性映射关系,其数学描述为:
其中,αi(n)为第n个训练样本的第i个输入层数据,样本总数为N,输入层总数为I;yk(n)为第k个输出数据,总数为K;P为隐含层的节点总数;f(·)为神经网络模型的激活函数,输入层到隐含层的激活函数为Sigmoid函数,隐含层到输出层的激活函数为tanh函数;wpi为第i个输入层数据到第p个隐含层节点的权值;wkp为第p个隐含层节点到输出层第k个数据的权值。
S3-2本实施例建立的MLP预定义损失函数为均方误差函数,训练的目标是使Err的值最小:
其中,yk(n)与分别为真实值与MLP模型模拟结果值。
S3-3隐含层输入矩阵为隐含层输出为
其中,为输入层到隐含层的加权矩阵(P×I阶),为输入参数矩阵(I×N阶)。
输出层输入矩阵为神经网络的输出为
其中,为隐含层到输出层的加权矩阵(K×P阶)。
S3-4若S3-2中的误差大于某一给定误差容限,则调整权值矩阵,迭代公式为:
W1(n+1)=W1(n)+ΔW1(n)
W2(n+1)=W2(n)+ΔW2(n)
其中,ΔW1(n)和ΔW2(n)为权值修正量;W1(n+1)和W2(n+1)为迭代更新后的权值矩阵。
S3-5使用梯度下降法计算权值修正量:
其中,z为学习因子,如z值太小会导致训练速度慢,偏大则会导致误差函数不收敛。
对于ΔW1(n),记I为输入层节点总数,p为任一隐含层单元,αi(n)为输入层输入。则:
其中,
对于ΔW2(n),记P为隐含层节点总数,k为任一输出单元,bp(n)为隐含层输出。则:
其中,δk(n)=-ek(n)f2[vk(n)]。
S4将测试数据集中的信号衰减强度作为步骤S3训练得到的MLP网络模型的输入,输出为对应的降雪量,将降雪衰减场转换为降雪强度场。
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 (1)
1.一种基于MLP神经网络的微波衰减降雪场层析重构方法,其特征在于,包括以下步骤:
S1 获取观测区域内微波信号接收端在降雪时段接收的微波衰减信号强度数据,进行预处理,得到有效强度数据并构建训练数据集;
S2 层析重构由基函数线性组合成的二维衰减场,得出每一像素格中的单位衰减;
S3 建立MLP神经网络反演模型的预定义损失函数,训练模型,获得输入层与输出层的非线性映射关系;
S4 根据MLP神经网络模型反演出二维降雪场;
所述步骤S2中层析重构二维衰减场包括以下步骤:
S2-1 假设有一正方形观测区域,区域内任一点坐标为(x,y),此处的单位衰减为,假设观测区域内共有M条微波链路,则第m条链路的总衰减Am(dB)为
,m=1,2,...M
其中,rr(m)和rt(m)分别是接收机与发射机的坐标位置,r为接收机与发射机之间的直线距离;
S2-2 将观测区域划分出L个子区域,每个子区域为大小均等的格网,一个格网看做一个像素点,通过L个基函数的线性组合,可估计出,记为(x,y),即:
≈=
则:
S2-3 基函数选用金字塔形屋顶函数,每个基函数放置在子区域的中间,第i个子区域的中心坐标为(Xi,Yi),基函数在有限域上非0:
S2-4 将定义为,即第m条链路上的第个基函数的积分,一般项组成M×L阶矩阵A;
则:
其中,为维向量,为m维向量;
S2-5 称s’为满足以下条件的s的最佳元素集:
其中,s为中的元素,和是两个加权参数,C为半正定矩阵
S2-6 通过最速下降法最小化J(s) 以求出的最优值:
其中,是标量增益,使用一维搜索方法求得;
S2-7 得出每一个像素格中的单位衰减,进而完成二维衰减场的层析重构;
所述步骤S3包括以下步骤:
S3-1 MLP由多层神经元模型相互连接而成,MLP模型提供了输入层与输出层的非线性映射关系,其数学描述为:
其中,为第n个训练样本的第i个输入层数据,样本总数为N,输入层总数为I;为第k个输出数据,总数为K;P为隐含层的节点总数;为神经网络模型的激活函数,输入层到隐含层的激活函数为Sigmoid函数,隐含层到输出层的激活函数为tanh函数;为第i个输入层数据到第p个隐含层节点的权值;为第p个隐含层节点到输出层第k个数据的权值;
S3-2建立MLP预定义损失函数为均方误差函数,训练的目标是使Err的值最小:
其中,分别为真实值与MLP模型模拟结果值;
S3-3 MLP采用梯度下降算法计算权值对误差函数的贡献率,再根据梯度的相关值修改权值大小以达到训练目的,具体为:
隐含层输入矩阵为,隐含层输出为
其中,为输入层到隐含层的加权矩阵(P×I阶),为输入参数矩阵(I×N阶);
输出层输入矩阵为,神经网络的输出为
其中,为隐含层到输出层的加权矩阵(K×P阶);为位于输入矩阵的第k行第n列的数;
S3-4若S3-2中的误差大于某一给定误差容限,则调整权值矩阵,迭代公式为:
其中,和为权值修正量;和分别为迭代更新前后的P×I阶加权矩阵;和分别为迭代更新前后的K×P阶加权矩阵;
S3-5使用梯度下降法计算权值修正量:
其中,z为学习因子;
对于,记,I为输入层节点总数,p为任一隐含层单元,为输入层输入;则:
其中,;
对于,记,P为隐含层节点总数,k为任一输出单元,为隐含层输出;则:
其中,;
所述步骤S4将测试数据集中的信号衰减强度作为步骤S3训练得到的MLP网络模型的输入,输出为对应的降雪量,将降雪衰减场转换为降雪强度场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696704.1A CN115688544B (zh) | 2022-06-20 | 2022-06-20 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696704.1A CN115688544B (zh) | 2022-06-20 | 2022-06-20 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688544A CN115688544A (zh) | 2023-02-03 |
CN115688544B true CN115688544B (zh) | 2023-05-12 |
Family
ID=85060241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210696704.1A Active CN115688544B (zh) | 2022-06-20 | 2022-06-20 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688544B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109670580A (zh) * | 2018-12-21 | 2019-04-23 | 浙江工业大学 | 一种基于时间序列的数据修复方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657776B (zh) * | 2013-11-22 | 2018-06-05 | 华为技术有限公司 | 神经网络系统、基于神经网络系统的图像解析方法和装置 |
CN106324580B (zh) * | 2016-11-02 | 2018-11-06 | 中国人民解放军理工大学 | 一种基于微波链路网的雷达回波衰减订正方法 |
CN106845371B (zh) * | 2016-12-31 | 2019-10-25 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN110308125B (zh) * | 2019-07-11 | 2020-11-03 | 清华大学 | 三维显微层析计算摄像方法及装置 |
US10925568B2 (en) * | 2019-07-12 | 2021-02-23 | Canon Medical Systems Corporation | Apparatus and method using physical model based deep learning (DL) to improve image quality in images that are reconstructed using computed tomography (CT) |
CN110543893A (zh) * | 2019-08-07 | 2019-12-06 | 河海大学 | 基于bp神经网络的微波衰减降水粒子类型的识别方法 |
CN111274911B (zh) * | 2020-01-17 | 2020-12-01 | 河海大学 | 基于无线微波衰减特征迁移学习的浓雾监测方法 |
CN111898734B (zh) * | 2020-07-10 | 2023-06-23 | 中国科学院精密测量科学与技术创新研究院 | 一种基于mlp的nmr弛豫时间反演方法 |
CN113724344A (zh) * | 2021-08-03 | 2021-11-30 | 哈尔滨工业大学 | 一种基于高光谱遥感图像压缩方法 |
-
2022
- 2022-06-20 CN CN202210696704.1A patent/CN115688544B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109670580A (zh) * | 2018-12-21 | 2019-04-23 | 浙江工业大学 | 一种基于时间序列的数据修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115688544A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Artificial neural network models for reference evapotranspiration in an arid area of northwest China | |
Chen et al. | Using Bayesian model averaging to estimate terrestrial evapotranspiration in China | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN107703554A (zh) | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 | |
CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN116861347B (zh) | 一种基于深度学习模型的磁力异常数据计算方法 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
CN114371519B (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 | |
Gündoğdu et al. | Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey | |
AU2021105982A4 (en) | Soil moisture inversion method based on deep learning | |
CN115688544B (zh) | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 | |
CN115840908B (zh) | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
CN116681158A (zh) | 基于集成极限学习机的参考作物蒸散量预测方法 | |
CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
CN114239274A (zh) | 多源遥感数据驱动指数滤波模型推求根层土壤水的方法 |
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 |