CN117251737B - 闪电波形处理模型训练方法、分类方法、装置及电子设备 - Google Patents

闪电波形处理模型训练方法、分类方法、装置及电子设备 Download PDF

Info

Publication number
CN117251737B
CN117251737B CN202311518265.6A CN202311518265A CN117251737B CN 117251737 B CN117251737 B CN 117251737B CN 202311518265 A CN202311518265 A CN 202311518265A CN 117251737 B CN117251737 B CN 117251737B
Authority
CN
China
Prior art keywords
time
lightning
lightning waveform
target
frequency
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
CN202311518265.6A
Other languages
English (en)
Other versions
CN117251737A (zh
Inventor
卢晶雨
刘羽
边晴云
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.)
Suzhou Metabrain Intelligent Technology Co Ltd
Original Assignee
Suzhou Metabrain Intelligent Technology 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 Suzhou Metabrain Intelligent Technology Co Ltd filed Critical Suzhou Metabrain Intelligent Technology Co Ltd
Priority to CN202311518265.6A priority Critical patent/CN117251737B/zh
Publication of CN117251737A publication Critical patent/CN117251737A/zh
Application granted granted Critical
Publication of CN117251737B publication Critical patent/CN117251737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及机器学习技术领域，公开了一种闪电波形处理模型训练方法、分类方法、装置及电子设备，该方法包括：获取闪电波形图；对闪电波形图进行时频分析，得到时频分析结果；基于预设编码器，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征；基于预设解码器，根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。为提高模型训练效率奠定了基础。

Description

闪电波形处理模型训练方法、分类方法、装置及电子设备
技术领域
本申请涉及机器学习技术领域，尤其涉及一种闪电波形处理模型训练方法、分类方法、装置及电子设备。
背景技术
闪电是夏季频发的一种气象灾害，闪电类型可分为云闪和地闪。云闪是指云体内或者云体之间的大气放电现象；地闪是指云体与地面之间的大气放电现象，也就是我们日常提到的雷击，由于直接接触建筑物、树木甚至人类等地面物体，因此极具危险性，可能会造成严重的破坏和伤害，对探测得到的闪电数据进行高准确率地区分类型（云闪、正负地闪），是闪电科学研究及工程防护中的重要环节。
在现有技术中，通常是人工根据历史数据统计的地闪闪电脉冲的上升沿/下降沿宽度、峰值振幅等来从闪电资料中提取出地闪脉冲，然后标记大量的训练样本，最后基于大量有标签样本，训练机器学习模型，以基于训练好的机器学习模型进行闪电波形分类。
但是，由于目前人类对闪电的认知仍是有限的，现有技术需要人工干扰，且需要人工标记大量的训练样本，降低了闪电波形分类模型的训练效率。
发明内容
本申请提供一种闪电波形处理模型训练方法、分类方法、装置及电子设备，以解决相关技术降低了闪电波形处理模型的训练效率等缺陷。
本申请第一个方面提供一种闪电波形处理模型训练方法，包括：
获取闪电波形图；
对所述闪电波形图进行时频分析，得到时频分析结果；
基于预设编码器，根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征；
基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；
根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。
在一种可选的实施方式中，所述对所述闪电波形图进行时频分析，得到时频分析结果，包括：
基于预设高斯函数，对所述闪电波形图进行时频分析，得到所述闪电波形图的时频特征；
根据所述闪电波形图的时频特征，将所述闪电波形图转换为目标时频图；
其中，所述闪电波形图的时频分析结果包括所述目标时频图。
在一种可选的实施方式中，所述根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征，包括：
对所述目标时频图进行图像块分割，以将所述目标时频图切割为图像块集合；
采用随机掩码策略，在所述图像块集合中保留预设比例的非掩码图像块；
根据所述非掩码图像块，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征。
在一种可选的实施方式中，所述根据所述非掩码图像块，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征，包括：
根据所述非掩码图像块，确定所述闪电波形图的时频特征向量；
根据所述时频特征向量的全局张量，确定所述闪电波形图的时间维度特征；
基于第一预设时间多层感知机，根据所述闪电波形图的时间维度特征，确定所述闪电波形图的时间混合中间特征；
基于第二预设时间多层感知机，根据所述时间混合中间特征，确定所述闪电波形图的时间域增强特征；
其中，所述闪电波形图的目标时频域特征包括所述时间域增强特征。
在一种可选的实施方式中，还包括：
根据所述时频特征向量的全局张量，确定所述闪电波形图的频率维度特征；
基于第一预设频率多层感知机，根据所述闪电波形图的频率维度特征，确定所述闪电波形图的频率混合中间特征；
基于第二预设频率多层感知机，根据所述频率混合中间特征，确定所述闪电波形图的频率域增强特征；
其中，所述闪电波形图的目标时频域特征包括所述频率域增强特征。
在一种可选的实施方式中，所述基于第二预设时间多层感知机，根据所述时间混合中间特征，确定所述闪电波形图的时间全局场特征和时间域增强特征，包括：
所述第二预设时间多层感知机基于如下表达式，根据所述时间混合中间特征，确定所述闪电波形图的时间域增强特征：
其中，表示经过序列混合后的时间域增强特征，/>表示时间混合中间特征的转置，/>,/>表示所述第二预设时间多层感知机的训练参数，/>表示ReLU激活函数。
在一种可选的实施方式中，所述目标时频域特征包括时间域增强特征、频率域增强特征和局部时频特征。
在一种可选的实施方式中，在基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图之前，所述方法还包括：
基于预设解码器，根据所述非掩码图像块的数量，对所述非掩码图像块进行解码窗口的划分；
针对任一所述解码窗口，基于预设注意力机制，确定该解码窗口包含的若干个非掩码图像块的注意力得分；
根据所述若干个非掩码图像块的注意力得分，确定该解码窗口的局部时频特征。
在一种可选的实施方式中，所述根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型，包括：
基于预设损失函数，根据所述目标闪电波形图和基准闪电波形图，确定模型精度损失；
根据所述模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型。
在一种可选的实施方式中，还包括：
基于预设数量的带标签样本，调整所述目标闪电波形处理模型，得到目标闪电波形分类模型。
在一种可选的实施方式中，所述预设编码器采用MAE编码器，所述预设解码器采用MAE解码器。
在一种可选的实施方式中，所述基于预设数量的带标签样本，调整所述目标闪电波形处理模型，得到目标闪电波形处理模型，包括：
基于所述目标闪电波形处理模型，对所述带标签样本进行目标时频域特征识别，得到样本识别结果；
根据各所述带标签样本的样本识别结果及对应的标签，调整所述目标闪电波形处理模型的模型参数，得到目标闪电波形分类模型。
本申请第二个方面提供一种闪电波形分类方法，包括：
获取待分类闪电波形图；
将所述待分类闪电波形图输入至如上第一个方面以及第一个方面各种可能的设计所述的方法所训练的目标闪电波形分类模型；
基于所述目标闪电波形分类模型，对所述待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；
根据所述目标时频域特征识别结果，确定所述待分类闪电波形图的分类结果。
本申请第三个方面提供一种闪电波形处理模型训练装置，包括：
第一获取模块，用于获取闪电波形图；
时频分析模块，用于对所述闪电波形图进行时频分析，得到时频分析结果；
编码模块，用于基于预设编码器，根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征；
图像重构模块，用于基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；
训练模块，用于根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。
本申请第四个方面提供一种闪电波形分类装置，包括：
第二获取模块，用于获取待分类闪电波形图；
输入模块，用于将所述待分类闪电波形图输入至如上第一个方面以及第一个方面各种可能的设计所述的方法所训练的目标闪电波形分类模型；
识别模块，用于基于所述目标闪电波形分类模型，对所述待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；
分类模块，用于根据所述目标时频域特征识别结果，确定所述待分类闪电波形图的分类结果。
本申请第五个方面提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法或如上第二个方面以及第二个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一个方面以及第一个方面各种可能的设计所述的方法或如上第二个方面以及第二个方面各种可能的设计所述的方法。
本申请技术方案，具有如下优点：
本申请提供一种闪电波形处理模型训练方法、分类方法、装置及电子设备，该方法包括：获取闪电波形图；对闪电波形图进行时频分析，得到时频分析结果；基于预设编码器，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征；基于预设解码器，根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。上述方案提供的方法，通过有效提取闪电波形图的目标时频域特征，使迭代优化后的预设编码器和预设解码器可以精准识别闪电波形特征，为提高闪电波形图分类模型训练效率奠定了基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的闪电波形处理模型训练系统的结构示意图；
图2为本申请实施例提供的闪电波形处理模型训练方法的流程示意图；
图3为本申请实施例提供的时频域编码流程示意图；
图4为本申请实施例提供的移窗解码流程示意图；
图5为本申请实施例提供的闪电波形分类方法的流程示意图；
图6为本申请实施例提供的闪电波形处理模型训练装置的结构示意图；
图7为本申请实施例提供的示例性的闪电波形处理模型训练装置的数据流图；
图8为本申请实施例提供的闪电波形分类装置的结构示意图；
图9为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
本申请实施例提供一种闪电波形处理模型训练方法、分类方法、装置及电子设备，该方法包括：获取闪电波形图；对闪电波形图进行时频分析，得到时频分析结果；基于预设编码器，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征；基于预设解码器，根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。基于目标闪电波形图，训练闪电波形分类模型，以得到目标闪电波形分类模型。上述方案提供的方法，通过有效提取闪电波形图的目标时频域特征，使迭代优化后的预设编码器和预设解码器可以精准识别闪电波形特征，通过进一步的参数微调即可得到能够实现闪电波形精准分类的目标闪电波形处理模型以重构质量更高的目标闪电波形图，后续基于目标闪电波形图训练闪电波形分类模型，在提高模型训练效率的同时，提高了模型的分类性能。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明实施例进行描述。
首先，对本申请所基于的闪电波形处理模型训练系统的结构进行说明：
本申请实施例提供的闪电波形处理模型训练方法、分类方法、装置及电子设备，适用于构建可以区分云闪和地闪的闪电波形处理模型，如图1所示，为本申请实施例基于的闪电波形处理模型训练系统的结构示意图，主要包括数据采集装置及闪电波形处理模型训练装置。数据采集装置用于采集闪电波形图，并将采集到的闪电波形图发送至闪电波形处理模型训练装置，该闪电波形处理模型训练装置基于得到的闪电波形图，训练闪电波形处理模型，以得到目标闪电波形处理模型。
本申请实施例提供了一种闪电波形处理模型训练方法，用于构建可以区分云闪和地闪的闪电波形处理模型。本申请实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于构建可以区分云闪和地闪的闪电波形处理模型的电子设备。
如图2所示，为本申请实施例提供的闪电波形处理模型训练方法的流程示意图，该方法包括：
步骤201，获取闪电波形图。
其中，当前获取的闪电波形图为无标签样本。
步骤202，对闪电波形图进行时频分析，得到时频分析结果。
需要说明的是，由于闪电同时具备时间特征和频率特征，因此可以对闪电波形图进行时频分析，以得到对应的时频分析结果。
步骤203，基于预设编码器，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征。
其中，预设编码器可以采用MAE编码器。
具体地，为了得到闪电波形图更清晰的时频特征，在得到闪电波形图的时频分析结果后，可以进一步对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征。
步骤204，基于预设解码器，根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图。
其中，预设解码器可以采用MAE解码器。
需要说明的是，通过根据闪电波形图的目标时频域特征重构得到的目标闪电波形图相对原始的闪电波形图的时频特征更明显，为提高后续训练得到的目标闪电波形处理模型的分类性能奠定了基础。
步骤205，根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型。
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。
具体地，可以先对预设编码器和预设解码器进行参数的迭代更新，以使更新后的预设解码器和预设编码器可以准确识别目标时频域特征和精确地实现图形重构，然后可以再引用少量带标签样本，以对预设解码器和预设编码器进行参数微调，以得到目标闪电波形处理模型。闪电方面目前没有自监督的训练模型，相关技术全部依赖人为经验。本申请实施例首次将排除人为干扰的自监督预训练模型应用于闪电脉冲波形分类领域，大大节省了时间人力成本。
在上述实施例的基础上，作为一种可实施的方式，在一实施例中，对闪电波形图进行时频分析，得到时频分析结果，包括：
步骤2021，基于预设高斯函数，对闪电波形图进行时频分析，得到闪电波形图的时频特征；
步骤2022，根据闪电波形图的时频特征，将闪电波形图转换为目标时频图。
其中，闪电波形图的时频分析结果包括目标时频图。
需要说明的是，自然闪电信号包含从甚低频-甚高频的多个分量的非平稳信号，因此频率特征是闪电极其重要的特征。通过时频分析，可以同时获得了闪电的时域特征和频域特征；在进行时频分析时，窗口的大小严重影响时间、频率精度，因此需要能够高自适应性的分析方法。小波变换的时间窗可以随频率的变化而伸缩，时间窗和频率呈反比，在自然闪电信号这个包含从甚低频-甚高频的多个分量的数据处理中，它体现出了明显优势。
具体地，可以在闪电波形图一维时序序列的基础上，利用小波变换（母小波为高斯8阶导数）进行时频分析，得到二维时频图。高斯函数具有良好的时间-频率局部化特性，其导数形式的小波广泛应用于图像处理、信号处理等。
需要进一步说明的是，经试验，高斯8阶导数为母小波能够显著区分不同的闪电波形，边缘清晰，分析效果较好。
高斯函数的形式为：
高斯函数的第八阶导数为：
其中，表示自变量，如时间和频率。本申请实施例提供的模型训练方法适用于闪电数据的时频分析特征，采用适合闪电波形自身特点的时频分析模型，也就是以高斯8阶导数的连续小波变换。该模型准确提取了闪电的高频和低频特征。
在上述实施例的基础上，作为一种可实施的方式，在一实施例中，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征，包括：
步骤2031，对目标时频图进行图像块分割，以将目标时频图切割为图像块集合；
步骤2032，采用随机掩码策略，在图像块集合中保留预设比例的非掩码图像块；
步骤2033，根据非掩码图像块，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征。
需要说明的是，本申请实施例构建的目标闪电波形处理模型具体可以采用MAE架构，MAE（Masked Autoencoder）是一种自编码器模型的变体。自编码器由一个编码器（预设编码器）和一个解码器（预设解码器）组成，编码器将输入数据映射到一个低维的隐藏表示，解码器则将隐藏表示映射回原始输入空间。MAE在传统的自编码器基础上引入了掩码（masking）机制，隐藏（或“遮盖”）输入数据中的某些部分，仅非掩码数据作为模型输入。经过训练，生成重构图像。这种技术应用于2维图像中，当遮盖住75%的图片块（patch）后，仍能够达到复原准确率达到85%以上的效果，这表明模型已经学习理解了图像本身的含义，在此基础上，再利用少量的样本进行微调，可以实现很多具体的下游任务例如对数据的补缺、去噪、识别及分类等。
具体地，可以将目标时频图（二维时频图）均匀切割为N×N的图像块，并采用随机掩码策略掩码75%的图像块，剩余25%的非掩码图像块，通过对这25%的非掩码图像块进行时频域编码，得到闪电波形图的目标时频域特征。
具体地，在一实施例中，根据非掩码图像块，确定闪电波形图的时频特征向量；根据时频特征向量的全局张量，确定闪电波形图的时间维度特征；基于第一预设时间多层感知机，根据闪电波形图的时间维度特征，确定闪电波形图的时间混合中间特征；基于第二预设时间多层感知机，根据时间混合中间特征，确定闪电波形图的时间域增强特征。
其中，闪电波形图的目标时频域特征包括时间域增强特征。
具体地，如图3所示，为本申请实施例提供的时频域编码流程示意图，首先将非掩码图像块转换为向量化表示，然后做线性变换，以得到闪电波形图的时频特征向量，然后进行各图像块在时频特征向量中的位置编码，嵌入位置信息到图像块的向量表示，H∈RT×F×D，其中T表示时间维度，F表示频率维度，D表示特征维度（通道数）。针对目标时域特征的识别，首先将向量 表示进行转置，之后为了得到时间维度的特征，将全局张量分离到时间域维度，得到U=[u1,u2,…uT]，ui∈RF×D代表第i个时间段，每个ui张量代表了同一时间不同频率的序列。之后通过一个两层MLP进行时间序列混合。第一层MLP（第一预设时间多层感知机）过程可表示为：
其中，是经过序列混合后的中间特征（时间混合中间特征），/>,/>是第一预设时间多层感知机训练参数，/>表示ReLU激活函数。之后再次转置张量后进入第二层MLP（第二预设时间多层感知机）。
具体地，在一实施例中，第二预设时间多层感知机基于如下表达式，根据时间混合中间特征，确定闪电波形图的时间域增强特征：
其中，表示经过序列混合后的时间域增强特征，/>表示时间混合中间特征的转置，/>,/>表示第二预设时间多层感知机的训练参数，/>表示ReLU激活函数。
需要说明的是，这一步确保了时间特征的相互作用融合在一起，并通过,/>来吸收高阶的时间上的关系。由此，序列混合后,同时包含了全局场特征和时间域增强特征。
具体地，在一实施例中，可以根据时频特征向量的全局张量，确定闪电波形图的频率维度特征；基于第一预设频率多层感知机，根据闪电波形图的频率维度特征，确定闪电波形图的频率混合中间特征；基于第二预设频率多层感知机，根据频率混合中间特征，确定闪电波形图的频率域增强特征。
其中，闪电波形图的目标时频域特征包括频率域增强特征。
具体地，可以将全局张量分离到频率域维度，得到P=[p1,p2,…pF]，pi∈RT×D代表第i个频率段，每个pi张量代表了同一频率不同时间的序列。之后通过一个两层的MLP进行频率序列混合。第一层MLP（第一预设频率多层感知机）过程可表示为：
其中，是经过序列混合后的中间特征（频率混合中间特征），/>,/>是训练参数，/>表示ReLU激活函数，之后直接进入第二层MLP（第二预设频率多层感知机）：
其中，E2∈RT×D是经过序列混合后的频率域增强特征，,/>是可训练的参数，同样表示ReLU激活函数。
需要说明的是，这一步确保了频率特征的相互作用融合在一起，并通过和来吸收高阶的频率上的关系。由此，序列混合后,同时包含了全局场特征和频率域增强特征。
具体地，在一实施例中，目标时频域特征包括时间域增强特征、频率域增强特征和局部时频特征。
在上述实施例的基础上，为进一步提高模型的分类性能，作为一种可实施的方式，在一实施例中，在根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图之前，该方法还包括：
步骤301，根据非掩码图像块的数量，对非掩码图像块进行解码窗口的划分；
步骤302，针对任一解码窗口，基于预设注意力机制，确定该解码窗口包含的若干个非掩码图像块的注意力得分；
步骤303，根据若干个非掩码图像块的注意力得分，确定该解码窗口的局部时频特征。
具体地，如图4所示，为本申请实施例提供的移窗解码流程示意图，在解码阶段，在连续解码器层后增加一个移窗操作，以每层解码器为vanilla Transformer（包含了多头注意力机制和MLP）；窗口个数为个1/4(N×N)个为，N=4为例，在解码层的最后2层，窗口有1/4(N×N)个，这意味着每个窗口中有4个图像块。解码窗口初始状态和移窗后状态如图4虚线表示，移窗规则为，向右向下移动50%。每次仅计算窗口内图像块的注意力得分。在标准的自注意力中，计算一个序列中所有位置之间的注意力得分。而在移位窗口自注意力中，只计算窗口内的位置之间的注意力得分。计算 Query、Key和 Value，计算窗口内的注意力得分，在窗口的第一个位置，在整个序列中为位置i，计算它与窗口内所有位置的注意力得分：
其中，、/>和/>分别表示Query、Key和Value的第i到i+w个元素，/>是 Key的维度。
具体地，针对任一解码窗口，可以解码窗口中注意力得分最高的非掩码图像块的特征作为该解码窗口的局部特征，通过移动解码窗口，遍历得到多个局部特征。
在上述实施例的基础上，为进一步提高模型的分类性能，作为一种可实施的方式，在一实施例中，所述根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型，包括：
步骤2051，基于预设损失函数，根据所述目标闪电波形图和基准闪电波形图，确定模型精度损失；
步骤2052，根据所述模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型。
具体地，可以基于如下预设损失函数，根据所述目标闪电波形图和基准闪电波形图/>，确定模型精度损失/>，再通过反向传播算法和梯度下降法以此更新预设编码器和预设解码器。
需要说明的是，预设编码器和预设解码器通过重复上述的编码、解码、损失函数计算和权重更新的过程，直到网络参数收敛满足要求，得到最终重构图像。
需要进一步说明的是，本申请实施例对预设MAE编码器设计，鉴于闪电时频图的独特特征，对ViT的输出进行进一步的特征强化。如果简单地将Transformer直接应用于频谱图图像块，计算的是全局注意力，这会丢失一些相对重要的局部注意力。而采用局部特征丰富模块，可以对输入数据进行更细粒度的处理，以捕获和利用局部区域的详细信息。本申请实施例可以在全局建模的基础上分离局部丰富模块的时间轴和频率轴。如此，可以对输入信号的时间序列/频率范围进行增强处理，并捕获局部时域/频域的特征。针对预设MAE解码器的设计，标准Transformer解码器使用全局自注意力机制，更适用于一般图片，因为图形对象在平移或缩放下通常是不变的，并且它们的确切位置可能不会影响图像的含义。然而，对于频谱图，其独特性在于，图像块的位置和大小等特征会直接影响其含义。那么，针对大量具有局部特征的时频分量，全局自注意对于频谱图来说是次优的。与普通的图像相比，频谱图补丁更类似于语音或文本标记，其顺序和位置更为重要。
进一步地，在一实施例中，可以基于预设数量的带标签样本，调整所述目标闪电波形处理模型，得到目标闪电波形处理分类模型。
具体地，可以在上述预设损失函数收敛时，将目标闪电波形处理模型中的解码器调整为分类器，并基于预设数量的带标签样本，对目标闪电波形处理模型的模型参数进行微调，得到可用于进行闪电波形图分类的目标闪电波形处理分类模型。
具体地，在一实施例中，可以基于所述目标闪电波形处理模型，对所述带标签样本进行目标时频域特征识别，得到样本识别结果；根据各所述带标签样本的样本识别结果及对应的标签，调整目标闪电波形处理模型的模型参数，以得到目标闪电波形分类模型。
具体地，本申请实施例提供的模型训练方法可以仅保留前述的预设MAE编码器，使用少量的带标签（闪电类别：云闪、正地闪、负地闪）的闪电脉冲样本，微调预设特征识别模型的参数，使其输出闪电波形的分类结果，并通过分类结果的准确率、召回率、F1分数等指标来评估模型，当这些评估指标均达到预设标准时，确定完成闪电波形分类模型的训练，得到目标闪电波形分类模型。
需要说明的是，本申请实施例提供的闪电波形处理模型训练方法也可以应用于其他领域的波形分类，例如地质方面的探测地震波分类、自然界中的探测动物音频识别、医学领域的探测人体频率监测预警等等其他领域。
本申请实施例提供的闪电波形处理模型训练方法，通过获取闪电波形图；对闪电波形图进行时频分析，得到时频分析结果；基于预设编码器，根据时频分析结果，对闪电波形图进行时频域编码，得到闪电波形图的目标时频域特征；基于预设解码器，根据闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。上述方案提供的方法，通过有效提取闪电波形图的目标时频域特征，使迭代优化后的预设编码器和预设解码器可以精准识别闪电波形特征，为提高模型训练效率奠定了基础。并且，本申请采用MAE架构，该架构除了可以处理包含闪电波形缺失值或噪声的数据集、在训练阶段无需对闪电波形数据标注、复杂神经网络自主学习深层次的特征信息、高效训练之外，包含的优势在于：通过设计的时频分析、时频域编码和移窗解码等技术手段，使模型更好地适用于闪电波形数据，有效提取了闪电数据的局部时频域特征，以及在解码阶段关注到了局部特征，进一步提高了模型的分类性能。
本申请实施例提供了一种闪电波形分类方法，用于对闪电波形进行分类。本申请实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于对闪电波形进行分类的电子设备。
如图5所示，为本申请实施例提供的闪电波形分类方法的流程示意图，该方法包括：
步骤501，获取待分类闪电波形图；
步骤502，将待分类闪电波形图输入至目标闪电波形分类模型；
步骤503，基于目标闪电波形分类模型，对待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；
步骤504，根据目标时频域特征识别结果，确定待分类闪电波形图的分类结果。
本申请实施例提供的闪电波形分类方法，为上述实施例提供的闪电波形处理模型训练方法所构建的目标闪电波形处理模型的应用方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种闪电波形处理模型训练装置，用于执行上述实施例提供的闪电波形处理模型训练方法。
如图6所示，为本申请实施例提供的闪电波形处理模型训练装置的结构示意图。该闪电波形处理模型训练装置60包括：第一获取模块601、时频分析模块602、编码模块603、图像重构模块604及训练模块605。
其中，第一获取模块，用于获取闪电波形图；时频分析模块，用于对所述闪电波形图进行时频分析，得到时频分析结果；编码模块，用于基于预设编码器，根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征；图像重构模块，用于基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；训练模块，用于根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型。
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器。
关于本实施例中的闪电波形处理模型训练装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
如图7所示，为本申请实施例提供的示例性的闪电波形处理模型训练装置的数据流图，闪电波形图首先输入至时频分析模块，经过时频分析模块后进入切割、掩码模块，得到非掩码图像块，然后将非掩码图像块输入至时频域编码块，以进行时频域编码，然后进入移窗解码模块，最后重构图像。
本申请实施例提供的闪电波形处理模型训练装置，用于执行上述实施例提供的闪电波形处理模型训练方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种闪电波形分类装置，用于执行上述实施例提供的闪电波形分类方法。
如图8所示，为本申请实施例提供的闪电波形分类装置的结构示意图。该闪电波形分类装置80包括：第二获取模块801、输入模块802、识别模块803及分类模块804。
其中，第二获取模块，用于获取待分类闪电波形图；输入模块，用于将待分类闪电波形图输入至目标闪电波形分类模型；识别模块，用于基于目标闪电波形分类模型，对待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；分类模块，用于根据目标时频域特征识别结果，确定待分类闪电波形图的分类结果。
关于本实施例中的闪电波形分类装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
关于本实施例中的闪电波形分类装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请实施例提供了一种电子设备，用于执行上述实施例提供的闪电波形处理模型训练方法及闪电波形分类方法。
如图9所示，为本申请实施例提供的电子设备的结构示意图。该电子设备90包括：至少一个处理器91和存储器92。
存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上实施例提供的闪电波形处理模型训练方法及闪电波形分类方法。
本申请实施例提供的电子设备，用于执行上述实施例提供的闪电波形处理模型训练方法及闪电波形分类方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上任一实施例提供的闪电波形处理模型训练方法及闪电波形分类方法。
本申请实施例提供的包含计算机可执行指令的存储介质，可用于存储前述实施例中提供的闪电波形处理模型训练方法及闪电波形分类方法的计算机执行指令，其实现方式与原理相同，不再赘述。
在本申请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，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。

Claims (17)

1.一种闪电波形处理模型训练方法，其特征在于，包括：
获取闪电波形图；其中，所述闪电波形图为无标签样本；
对所述闪电波形图进行时频分析，得到时频分析结果；
基于预设编码器，根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征；
基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；
根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器；
所述对所述闪电波形图进行时频分析，得到时频分析结果，包括：
基于预设高斯函数，对所述闪电波形图进行时频分析，得到所述闪电波形图的时频特征；
根据所述闪电波形图的时频特征，将所述闪电波形图转换为目标时频图；
其中，所述闪电波形图的时频分析结果包括所述目标时频图；
所述根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征，包括：
对所述目标时频图进行图像块分割，以将所述目标时频图切割为图像块集合；
采用随机掩码策略，在所述图像块集合中保留预设比例的非掩码图像块；
根据所述非掩码图像块，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征。
2.根据权利要求1所述的方法，其特征在于，所述根据所述非掩码图像块，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征，包括：
根据所述非掩码图像块，确定所述闪电波形图的时频特征向量；
根据所述时频特征向量的全局张量，确定所述闪电波形图的时间维度特征；
基于第一预设时间多层感知机，根据所述闪电波形图的时间维度特征，确定所述闪电波形图的时间混合中间特征；
基于第二预设时间多层感知机，根据所述时间混合中间特征，确定所述闪电波形图的时间域增强特征；
其中，所述闪电波形图的目标时频域特征包括所述时间域增强特征。
3.根据权利要求2所述的方法，其特征在于，所述第一预设时间多层感知机的表达式如下：
其中，是时间混合中间特征，/>,/>是第一预设时间多层感知机训练参数，/>表示ReLU激活函数，/>表示所述闪电波形图的时间维度特征的转置。
4.根据权利要求2所述的方法，其特征在于，还包括：
根据所述时频特征向量的全局张量，确定所述闪电波形图的频率维度特征；
基于第一预设频率多层感知机，根据所述闪电波形图的频率维度特征，确定所述闪电波形图的频率混合中间特征；
基于第二预设频率多层感知机，根据所述频率混合中间特征，确定所述闪电波形图的频率域增强特征；
其中，所述闪电波形图的目标时频域特征包括所述频率域增强特征。
5.根据权利要求4所述的方法，其特征在于，所述第一预设频率多层感知机的表达式如下：
其中，是频率混合中间特征，/>, />是训练参数，/>表示ReLU激活函数，P表示所述闪电波形图的频率维度特征。
6.根据权利要求2所述的方法，其特征在于，所述基于第二预设时间多层感知机，根据所述时间混合中间特征，确定所述闪电波形图的时间全局场特征和时间域增强特征，包括：
所述第二预设时间多层感知机基于如下表达式，根据所述时间混合中间特征，确定所述闪电波形图的时间域增强特征：
其中，表示经过序列混合后的时间域增强特征，/>表示时间混合中间特征的转置，,/>表示所述第二预设时间多层感知机的训练参数，/>表示ReLU激活函数。
7.根据权利要求1所述的方法，其特征在于，所述目标时频域特征包括时间域增强特征、频率域增强特征和局部时频特征。
8.根据权利要求7所述的方法，其特征在于，在基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图之前，所述方法还包括：
基于预设解码器，根据所述非掩码图像块的数量，对所述非掩码图像块进行解码窗口的划分；
针对任一所述解码窗口，基于预设注意力机制，确定该解码窗口包含的若干个非掩码图像块的注意力得分；
根据所述若干个非掩码图像块的注意力得分，确定该解码窗口的局部时频特征。
9.根据权利要求1所述的方法，其特征在于，所述根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型，包括：
基于预设损失函数，根据所述目标闪电波形图和基准闪电波形图，确定模型精度损失；
根据所述模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于预设数量的带标签样本，调整所述目标闪电波形处理模型，得到目标闪电波形分类模型。
11.根据权利要求10所述的方法，其特征在于，所述预设编码器采用MAE编码器，所述预设解码器采用MAE解码器。
12.根据权利要求10所述的方法，其特征在于，所述基于预设数量的带标签样本，调整所述目标闪电波形处理模型，得到目标闪电波形分类模型，包括：
基于所述目标闪电波形处理模型，对所述带标签样本进行目标时频域特征识别，得到样本识别结果；
根据各所述带标签样本的样本识别结果及对应的标签，调整所述目标闪电波形处理模型的模型参数，得到目标闪电波形分类模型。
13.一种闪电波形分类方法，其特征在于，包括：
获取待分类闪电波形图；
将所述待分类闪电波形图输入至如权利要求1至12任一项所述的闪电波形处理模型训练方法所训练的目标闪电波形分类模型；
基于所述目标闪电波形分类模型，对所述待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；
根据所述目标时频域特征识别结果，确定所述待分类闪电波形图的分类结果。
14.一种闪电波形处理模型训练装置，其特征在于，包括：
第一获取模块，用于获取闪电波形图；其中，所述闪电波形图为无标签样本；
时频分析模块，用于对所述闪电波形图进行时频分析，得到时频分析结果；
编码模块，用于基于预设编码器，根据所述时频分析结果，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征；
图像重构模块，用于基于预设解码器，根据所述闪电波形图的目标时频域特征，进行图像重构，得到目标闪电波形图；
训练模块，用于根据所述目标闪电波形图表征的模型精度损失，迭代更新所述预设编码器和预设解码器的参数，得到目标闪电波形处理模型；
其中，所述目标闪电波形处理模型包括所述预设编码器和预设解码器；
所述时频分析模块，具体用于：
基于预设高斯函数，对所述闪电波形图进行时频分析，得到所述闪电波形图的时频特征；
根据所述闪电波形图的时频特征，将所述闪电波形图转换为目标时频图；
其中，所述闪电波形图的时频分析结果包括所述目标时频图；
所述编码模块，具体用于：
对所述目标时频图进行图像块分割，以将所述目标时频图切割为图像块集合；
采用随机掩码策略，在所述图像块集合中保留预设比例的非掩码图像块；
根据所述非掩码图像块，对所述闪电波形图进行时频域编码，得到所述闪电波形图的目标时频域特征。
15.一种闪电波形分类装置，其特征在于，包括：
第二获取模块，用于获取待分类闪电波形图；
输入模块，用于将所述待分类闪电波形图输入至如权利要求1至12任项所述的闪电波形处理模型训练方法所训练的目标闪电波形分类模型；
识别模块，用于基于所述目标闪电波形分类模型，对所述待分类闪电波形图进行目标时频域特征识别，得到目标时频域特征识别结果；
分类模块，用于根据所述目标时频域特征识别结果，确定所述待分类闪电波形图的分类结果。
16.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至12任一项所述的闪电波形处理模型训练方法或如权利要求13所述的闪电波形分类方法。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至12任一项所述的闪电波形处理模型训练方法或如权利要求13所述的闪电波形分类方法。
CN202311518265.6A 2023-11-15 2023-11-15 闪电波形处理模型训练方法、分类方法、装置及电子设备 Active CN117251737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311518265.6A CN117251737B (zh) 2023-11-15 2023-11-15 闪电波形处理模型训练方法、分类方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311518265.6A CN117251737B (zh) 2023-11-15 2023-11-15 闪电波形处理模型训练方法、分类方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN117251737A CN117251737A (zh) 2023-12-19
CN117251737B true CN117251737B (zh) 2024-02-23

Family

ID=89133572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311518265.6A Active CN117251737B (zh) 2023-11-15 2023-11-15 闪电波形处理模型训练方法、分类方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117251737B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110149286A (zh) * 2015-05-11 2019-08-20 蒋华丽 加性噪声环境下数字通信的提高信噪比的信号处理方法
CN115204222A (zh) * 2022-06-30 2022-10-18 宁波麦思捷科技有限公司 基于同步压缩小波变换的雷电预测方法、装置以及设备
CN115561307A (zh) * 2022-12-01 2023-01-03 安徽数智建造研究院有限公司 灌浆密实度检测方法
CN116866129A (zh) * 2023-08-21 2023-10-10 王梅 一种无线通信信号检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110149286A (zh) * 2015-05-11 2019-08-20 蒋华丽 加性噪声环境下数字通信的提高信噪比的信号处理方法
CN115204222A (zh) * 2022-06-30 2022-10-18 宁波麦思捷科技有限公司 基于同步压缩小波变换的雷电预测方法、装置以及设备
CN115561307A (zh) * 2022-12-01 2023-01-03 安徽数智建造研究院有限公司 灌浆密实度检测方法
CN116866129A (zh) * 2023-08-21 2023-10-10 王梅 一种无线通信信号检测方法

Also Published As

Publication number Publication date
CN117251737A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
Mousavi et al. CRED: A deep residual network of convolutional and recurrent units for earthquake signal detection
Dokht et al. Seismic event and phase detection using time–frequency representation and convolutional neural networks
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
Lopac et al. Detection of non-stationary GW signals in high noise from Cohen’s class of time–frequency representations using deep learning
CN101303764B (zh) 基于非下采样轮廓波的多传感器图像自适应融合方法
CN109101910B (zh) 一种基于噪声甄别的大地电磁信号去噪方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
Kvsn et al. Bioacoustics data analysis–A taxonomy, survey and open challenges
CN109343046A (zh) 基于多频多域深度学习的雷达步态识别方法
CN106294331A (zh) 音频信息检索方法及装置
Shen et al. Fusion of acoustic and deep features for pig cough sound recognition
CN113205820B (zh) 一种用于声音事件检测的声音编码器的生成方法
Kershenbaum et al. An image processing based paradigm for the extraction of tonal sounds in cetacean communications
Song et al. A novel noise reduction technique for underwater acoustic signals based on dual‐path recurrent neural network
CN112183582A (zh) 一种多特征融合的水下目标识别方法
CN117251737B (zh) 闪电波形处理模型训练方法、分类方法、装置及电子设备
CN116884435A (zh) 一种基于音频提示学习的声音事件检测方法及装置
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN116756486A (zh) 基于声光电磁多源数据融合的海上目标识别方法及装置
CN113160823B (zh) 基于脉冲神经网络的语音唤醒方法、装置及电子设备
CN112861949B (zh) 一种基于人脸和声音的情绪预测方法和系统
CN114330450A (zh) 一种多物理场融合探测识别潜航器的方法及系统
CN116421152B (zh) 一种睡眠分期结果确定方法、装置、设备及介质
Zhang et al. Voice activity detection for audio signal of voyage data recorder using residue network and attention mechanism
Zhao et al. Acoustic bird species classification under low SNR and small-scale dataset conditions

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