一种基于时序卷积神经网络的雷达回波外推方法技术

本发明专利技术公开了一种基于时序卷积神经网络的雷达回波外推方法，该方法分以下三个阶段予以实现。数据处理阶段：通过离散余弦变换按不同频段把雷达回波图分解成多张图，对分解图进行标准化操作，把分解图分割成多个样本，得到训练样本集或测试样本集。神经网络训练阶段：建立并初始化时序卷积神经网络；使用训练样本集训练神经网络，经过网络前向传播得到预测值并计算损失，通过反向传播调整参数，使神经网络收敛。神经网络测试阶段：对于待外推的雷达回波图使用数据处理阶段的方法处理得到测试样本集，输入到指定的神经网络，得到预测值。将预测值还原成雷达回波得到预测的雷达回波。本方法能够克服传统方法对于降水粒子衰减、增强建模能力弱的缺陷。

A radar echo extrapolation method based on time series convolution neural network

The invention discloses a radar echo extrapolation method based on time series convolution neural network, which is realized in the following three stages. Data processing stage: discrete cosine transform is used to decompose the radar echo map into multiple maps according to the different frequency bands, standardize the decomposition map, divide the decomposition map into multiple samples, and get training sample set or test sample set. In the training phase of neural network, we establish and initialize the convolutional neural network, use training sample set to train the neural network, get the predicted value and calculate the loss through the forward propagation of the network, adjust the parameters through the back propagation, and converge the neural network. In the neural network test stage, we use the data processing stage to process the radar echo map to be extrapolated to get the test sample set, and input it to the specified neural network, and get the prediction value. The prediction value is reduced to radar echo to get the predicted radar echo. This method can overcome the shortcomings of the traditional methods for the attenuation of precipitation particles and the weak modeling ability.

【技术实现步骤摘要】
一种基于时序卷积神经网络的雷达回波外推方法
本专利技术属于大气探测中地面气象观测
，尤其涉及一种基于时序卷积神经网络的外推方法。
技术介绍
对流降水量临近预报一直是天气预报领域中的一个重要研究问题，这个任务的目的是在一定的区域内预测较短一段时间（一般是0至6个小时）的降水量，它对于很多人类生产活动有重要作用，如机场的运营、水利设施的管理。目前已经存在预测方法可以被粗略地分为两种：基于数值天气预测方法（NumericalWeatherPrediction，NWP）和基于雷达回波外推图的方法。前者在长时间预测的情况下有很稳定的效果，但对于小区域的预报精确度较低，后者与之相反，故基于雷达回波外推图经常用在降水量的短期临近预报场景下。传统的雷达回波外推方法一般基于质心跟踪法和交叉相关法。这类方法有一个关键的缺陷，它们的效果在随着预测时间变长时会急速变差，原因是这类方法仅仅考虑了降水粒子的平移变换，没有对它们的衰减和增强进行建模，随着预测时间变长，降水粒子的衰减和增强带来的效应会叠加，从而使得外推效果急剧变差。相比表达能力受限的传统模型，得益于庞大的数据库和硬件设备日益增强的运算能力，深度模型在图像以及时序领域中都有极大影响，而雷达回波图作为一种便于获取的数据，使得深度学习方法在解决雷达回波外推问题中有很大的潜力。卷积神经网络作为深度学习中重要的一部分，在图像处理领域得到广泛应用，它利用了图像二维平面上点之间的关系作为先验知识，提升了深度模型的效率。雷达回波图除了有图像的特征以外，还有时序特征，本专利技术通过为卷积神经网络添加时间步之间的连接，建立了一个基于时序的卷积神经网络。这个模型同时利用了雷达回波图的二维空间依赖关系和时序依赖关系作为先验知识，在不同的空间位置和不同的时间步之间共享权值，进一步降低了参数量，降低模型过拟合的风险。由于深度模型所具有较强的表达能力，通过使用历史雷达回波图数据，模型不断调整权值，模型能够准确预测历史雷达回波图，最终学习到降水粒子的平移、衰减和增强的机理，从而能够对新的雷达回波图进行外推。另外值得注意的是，由于不同尺度的雷达回波特征随着时间的演变方式很不一样------大尺度的特征更加稳定，小尺度的特征容易衰减，本方法首先提取了雷达回波图不同频段下的成分，在深度模型中使用了不同权重去处理这些成分，使网络在数据的驱动下学习不同尺度的雷达回波特征的演变规律。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题是针对传统的雷达回波图外推模型表达能力受限，卷积神经网络在处理时序问题上效果欠佳等现有的问题，利用雷达回波历史数据，提出了一种基于时序卷积神经网络的雷达回波外推方法，包括以下步骤：1.一种基于时序卷积神经网络的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，处理数据：给定雷达回波数据，其中训练用的雷达回波数据是一组包含15个时间步的雷达回波图序列，测试用的雷达回波数据是一组包含7个时间步的雷达回波图序列，首先通过二维离散余弦变换和反变换把雷达回波图分解成若干个频率成分；计算样本集中所有样本每一维上的平均值和标准差，使用它们的平均值和标准差对所有样本进行z分数规范化；把经过以上步骤得到的图片分割成若干张样本，构成训练样本集或测试样本集；步骤2，训练时序卷积神经网络：建立卷积神经网络，网络使用训练样本的前7个时间节点上的雷达回波图作为输入，输出对后8个时间节点上雷达回波图的预测；对卷积神经网络的所有参数进行初始化；使用训练样本集，经过网络前向传播得到模型预测值，使用预测值和真实值计算得到预测损失；通过反向传播更新时序卷积神经网络的参数，重复这个过程直至收敛；步骤3，测试时序卷积神经网络：基于步骤2中建立好的训练网络，建立测试网络；对测试用的雷达回波图进行步骤1的处理方法，得到测试样本集，输入测试样本集到测试网络中，通过前向传播得到预测值；对预测值进行步骤1的逆操作，把预测值合成为雷达回波图。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1-1，分解不同的频率成分：对于每一张雷达回波图，分别进行离散余弦变换，每一个雷达回波数据都是一个由雷达回波图构成的序列，我们把雷达回波数据集中第个包含时间步的大小为行列的雷达回波图的数据形式化地表示为张量，其中，为雷达回波数据的总个数，对于训练用的雷达回波数据有，对于测试用雷达回波数据有，把看做为第个雷达回波数据中第个时间步的雷达回波图第列第行上的雷达回波值，通过对中的每一张图进行一次离散余弦变换，得到是一个形状为的张量，称为雷达回波图的频谱特征，的中心（在图像的第50行、第50列附近）对应原图的低频成分，越往外频率越高，接下来使用如下所示的高斯窗分离这个频谱图的不同频率成分：其中，，为一系列的阈值，和指定了第个频率成分所处频段的频率下界和上界，根据经验选择四个频段，也就是，递增数列代表这四个频段成分的频率上下界，，高斯窗函数的高和宽与频谱图一致，通过下式把窗函数应用到频谱特征当中，得到不同频段下的频谱特征：其中运算符号值的是Hadamard乘积，对这些不同频段下的频谱特征进行离散余弦反变换，可以得到他们在空间域中的表示，称为原雷达回波图在频域中第个频段上的成分，只要且足够大，这里有；步骤1-2，使用z分数规范化对雷达回波图各个频段上的成分进行标准化：首先计算各个频段成分上各个位置的均值和方差，对各个频段成分上的各个位置分别进行z分数规范化：步骤1-3，把规范后的各个频段成分分解成16个样本：使用下式进行分解：其中，由此可以把每个频段成分分解成张量，把这个张量看做是个不同的样本，通过对每一个雷达回波数据使用以上方法进行处理，可以构造一个由个样本构成的训练样本集，其中每一个雷达回波数据对应样本集中的16个样本，下文中使用代替，这并不影响理解，为了把样本表达成卷积神经网络容易表述的形式，在模型中使用一组张量,来表达第个样本，按时间步序号表示样本：，在卷积神经网络中，一般称为图像通道序号，这里沿用这个名称。3.根据权利要求1所述的方法，其特征在于，步骤2包括以下步骤：步骤2-1，建立时序卷积神经网络：首先定义时序卷积层函数：时序卷积函数的输入必须满足一定的条件：和和函数输出是三个由三组不同通道数、行数列数一致的图片构成的张量，他们的形状为，和代表两个卷积核，他们的形状为，代表偏置，其形状和函数输出一致，假设的通道数是，的通道数都是，函数输出的通道数为，那么和这两个张量的形状就必须分别为和，函数的具体形式下文再进行展开，这里我们先基于这个函数建立一个模型，为了简便下文的部分符号省略了样本序号，对于，定义以下模型：其中的形状为，的形状为，的形状为，的形状为，所有的核的行数核列数都为3；对于，定义以下模型：其中、的形状为，其中的形状为，的形状为，所有的核的行数和列数都为3，符号代表着多通道的图像的卷积操作（该卷积操作对输入四周进行了零填充，以使得输入输出图像大小不变），为这个卷积的偏置，特别注意以上、、、、都还没有得到赋值，这里为它们的每个元素都赋值为0；进一步对以上的卷积操作以及函数进行定义，对于卷积操作其中为输入，形状为，为输出，形状为，卷积核的形状为，则卷积操作首先对输入四周进行零填充，使其宽和高都增加两行，用符号标记填充得到本文档来自技高网...

【技术保护点】
一种基于时序卷积神经网络的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，处理数据：给定雷达回波数据，其中训练用的雷达回波数据是一组包含15个时间步的雷达回波图序列，测试用的雷达回波数据是一组包含7个时间步的雷达回波图序列，首先通过二维离散余弦变换和反变换把雷达回波图分解成若干个频率成分；计算样本集中所有样本每一维上的平均值和标准差，使用它们的平均值和标准差对所有样本进行z分数规范化；把经过以上步骤得到的图片分割成若干张样本，构成训练样本集或测试样本集；步骤2，训练时序卷积神经网络：建立卷积神经网络，网络使用训练样本的前7个时间节点上的雷达回波图作为输入，输出对后8个时间节点上雷达回波图的预测；对卷积神经网络的所有参数进行初始化；使用训练样本集，经过网络前向传播得到模型预测值，使用预测值和真实值计算得到预测损失；通过反向传播更新时序卷积神经网络的参数，重复这个过程直至收敛；步骤3，测试时序卷积神经网络：基于步骤2中建立好的训练网络，建立测试网络；对测试用的雷达回波图进行步骤1的处理方法，得到测试样本集，输入测试样本集到测试网络中，通过前向传播得到预测值；对预测值进行步骤1的逆操作，把预测值合成为雷达回波图。...

【技术特征摘要】
1.一种基于时序卷积神经网络的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，处理数据：给定雷达回波数据，其中训练用的雷达回波数据是一组包含15个时间步的雷达回波图序列，测试用的雷达回波数据是一组包含7个时间步的雷达回波图序列，首先通过二维离散余弦变换和反变换把雷达回波图分解成若干个频率成分；计算样本集中所有样本每一维上的平均值和标准差，使用它们的平均值和标准差对所有样本进行z分数规范化；把经过以上步骤得到的图片分割成若干张样本，构成训练样本集或测试样本集；步骤2，训练时序卷积神经网络：建立卷积神经网络，网络使用训练样本的前7个时间节点上的雷达回波图作为输入，输出对后8个时间节点上雷达回波图的预测；对卷积神经网络的所有参数进行初始化；使用训练样本集，经过网络前向传播得到模型预测值，使用预测值和真实值计算得到预测损失；通过反向传播更新时序卷积神经网络的参数，重复这个过程直至收敛；步骤3，测试时序卷积神经网络：基于步骤2中建立好的训练网络，建立测试网络；对测试用的雷达回波图进行步骤1的处理方法，得到测试样本集，输入测试样本集到测试网络中，通过前向传播得到预测值；对预测值进行步骤1的逆操作，把预测值合成为雷达回波图。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1-1，分解不同的频率成分：对于每一张雷达回波图，分别进行离散余弦变换，每一个雷达回波数据都是一个由雷达回波图构成的序列，我们把雷达回波数据集中第k个包含T时间步的大小为100行100列的雷达回波图的数据形式化地表示为张量，其中为雷达回波数据的总个数，对于训练用的雷达回波数据有T=15，对于测试用雷达回波数据有T=7，把看做为第k个雷达回波数据中第t个时间步的雷达回波图第x列第y行上的雷达回波值，通过对中的每一张图进行一次离散余弦变换，得到是一个形状为的张量，称为雷达回波图的频谱特征，的中心（在图像的第50行、第50列附近）对应原图的低频成分，越往外频率越高，接下来使用如下所示的高斯窗分离这个频谱图的不同频率成分：其中，为一系列的阈值，和指定了第i个频率成分所处频段的频率下界和上界，根据经验选择四个频段，也就是递增数列代表这四个频段成分的频率上下界，高斯窗函数的高和宽与频谱图一致，通过下式把窗函数应用到频谱特征当中，得到不同频段下的频谱特征：其中运算符号值的是Hadamard乘积，对这些不同频段下的频谱特征进行离散余弦反变换，可以得到他们在空间域中的表示，称为原雷达回波图在频域中第i个频段上的成分，只要且足够大，这里有；步骤1-2，使用z分数规范化对雷达回波图各个频段上的成分进行标准化：首先计算各个频段成分上各个位置的均值和方差，对各个频段成分上的各个位置分别进行z分数规范化：步骤1-3，把规范后的各个频段成分分解成16个样本：使用下式进行分解：其中，由此可以把每个频段成分分解成16张量，把这16个张量看做是16个不同的样本，通过对每一个雷达回波数据使用以上方法进行处理，可以构造一个由16N个样本构成的训练样本集，其中每一个雷达回波数据对应样本集中的16个样本，下文中使用k代替，这并不影响理解，为了把样本表达成卷积神经网络容易表述的形式，在模型中使用一组张量来表达第k个样本，按时间步序号表示样本：，在卷积神经网络中，一般称i为图像通道序号，这里沿用这个名称。3.根据权利要求1所述的方法，其特征在于，步骤2包括以下步骤：步骤2-1，建立时序卷积神经网络：首先定义时序卷积层函数：时序卷积函数的输入必须满足一定的条件：和和函数输出是三个由三组不同通道数、行数列数一致的图片构成的张量，他们的形状为，和代表两个卷积核，他们的形状为，代表偏置，其形状和函数输出一致，假设的通道数是，的通道数都是，函数输出的通道数为，那么和这两个张量的形状就必须分别为和，函数的具体形式下文再进行展开，这里我们先基于这个函数建立一个模型，为了简便...

【专利技术属性】
技术研发人员：李炳聪，何昭水，刘嘉穗，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44