一种基于循环动态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循环动态卷积神经网络的雷达回波外推方法，包括：RDCNN在线预测：通过数据预处理构造测试样本集，利用测试样本集对经过训练的RDCNN进行测试，将输入图像序列中的最后一幅雷达回波图像与网络前向传播中获得的概率向量相卷积，得到预测的雷达回波图像。

【技术实现步骤摘要】
一种基于循环动态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
，尤其涉及一种基于循环动态卷积神经网络的雷达回波外推方法。
技术介绍
临近预报主要指0～3小时的高时空分辨率的天气预报，主要预报对象包括强降水、大风、冰雹等灾害性天气。目前，很多预报系统都采用数值预报模式，但是由于数值预报存在预报起转延迟(spin-up)，其短时临近预报能力有限。新一代多普勒天气雷达具有很高的灵敏度和分辨率，其数据资料的空间分辨率能够达到200～1000m，时间分辨率能够达到2～15min。此外，多普勒天气雷达还具有合理的工作模式、全面的状态监控和故障警报、先进的实时标校系统和丰富的雷达气象产品算法，能够大大提高短时临近预报的可靠性。如今，新一代多普勒天气雷达已经成为临近预报的最有效工具之一，利用多普勒天气雷达进行临近预报主要基于雷达回波外推技术，即根据当前时刻雷达观测结果，推测雷达回波未来的位置和强度，以实现对强对流系统的跟踪预报。传统的的雷达回波外推方法是质心跟踪法和基于最大相关系数的交叉相关法(TrackingRadarEchoesbyCorrelation,TREC)，但是传统方法都存在一定的不足，质心跟踪法仅适用于回波较强、范围较小的风暴单体，对于大范围降水的预报不可靠；TREC一般将回波视为线性变化的，而现实情况中回波变化更为复杂，同时此类方法易受矢量场中的无序矢量干扰。此外，现有的方法对雷达资料的利用率低，而历史雷达资料包含当地天气系统变化的重要特征，具有很高的研究价值。为提高雷达回波外推的时效性，并从大量的历史雷达资料中研究雷达回波的变化规律，将机器学习方法引入雷达回波外推中。卷积神经网络(ConvolutionalNeuralNetworks,CNNs)作为深度学习的重要分支，广泛应用于图像处理，模式识别等领域。该网络最大的特点在于采用局部连接、权值共享、下采样的方法，对输入图像的形变、平移和翻转具有较强的适应性。针对雷达回波图像之间存在的强时间相关性，设计基于输入的循环动态卷积神经网络，该网络能够根据输入的雷达回波图动态的变化权值参数，进而预测外推图像。利用历史雷达资料训练循环动态卷积神经网络，使网络更加充分地提取回波特征，学习回波变化规律，对于提高雷达回波外推准确性，优化临近预报效果具有重要意义。
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现有的雷达回波外推方法的外推时效短，对雷达资料利用率不足，提出了一种基于循环动态卷积神经网络RDCNN(RecurrentDynamicConvolutionalNeuralNetworks,RDCNN)的雷达回波外推方法，实现对雷达回波强度等高平面显示CAPPI(ConstantAltitudePlanPositionIndicator，CAPPI)图像的外推预测，包括以下步骤：步骤1，数据预处理：输入测试图像集，对测试图像集中的每一幅图像进行规范化处理，将每一幅图像转化为280×280的灰度图像，再对灰度图像集合进行划分，构造包含TestsetSize组样本的测试样本集；步骤2，读取测试样本：将步骤2-1获得的TestsetSize组测试样本输入经过训练的循环动态卷积神经网络中；步骤3，前向传播：在子网络中提取输入的图像序列特征，得到水平概率向量HPVtest和垂直概率向量VPVtest；在概率预测层中，将输入图像序列中的最后一幅图像依次与VPVtest、HPVtest相卷积，得到循环动态卷积神经网络最终的外推图像。步骤1包括以下步骤：步骤1-1，采样：测试图像集中的图像按时间顺序排列，并且等时间间隔分布，时间间隔为6分钟，共包含NTest幅图像，通过如下公式确定TestsetSize：求得TestsetSize后，通过采样保留测试图像集中前4×TestsetSize+1幅图像，采样时通过删除测试图像集中最后的图像使图像数量满足要求；步骤1-2，图像规范化：对采样得到的图像进行图像变换，归一化操作，将原始分辨率为2000×2000的彩色图像转换成分辨率为280×280的灰度图像；步骤1-3，构造测试样本集：利用步骤1-2获得的灰度图像集构造测试样本集，将灰度图像集中每四个相邻的图像，即第{4M+1,4M+2,4M+3,4M+4}幅图像作为一组输入序列，第[4×(M+1)+1]幅图像经过裁剪，保留中央分辨率为240×240的部分作为对应样本的对照标签，其中为正整数，并有M∈[0,TestsetSize-1]，得到包含TestsetSize组测试样本的测试样本集。步骤1-2包括以下步骤：步骤1-2-1，图像转化：将彩色的回波强度CAPPI图像转化为灰度图像，再通过裁剪保留原始图像中央分辨率为560×560的部分，将裁剪后的图像分辨率压缩为280×280，得到分辨率为280×280的灰度图；步骤1-2-2，数据归一化：将步骤1-2-1中获得的灰度图中的每一个像素点的值从[0～255]映射到[0～1]。步骤3包括以下步骤：步骤3-1，计算子网络概率向量：子网络由10个网络层构成，从前至后依次为卷积层C1、下采样层S1、隐含层H1、卷积层C2、下采样层S2、隐含层H2、卷积层C3、下采样层S3、隐含层H3、卷积层C4、下采样层S4、隐含层H4、卷积层C5、隐含层H5、以及分类器层F1；在子网络中通过卷积层和下采样层的交替处理提取输入的图像序列特征，然后在分类器层中通过Softmax函数处理，得到水平概率向量HPVtest和垂直概率向量VPVtest；步骤3-2，计算概率预测层输出图像：步骤3-1得到的VPVtest和HPVtest作为概率预测层的卷积核，将输入图像序列中的最后一幅图像依次与VPVtest和HPVtest相卷积，得到循环动态卷积神经网络最终的外推图像.步骤3-1包括以下步骤：步骤3-1-1，判断网络层类型：用p表示当前RDSN中的网络层，p的取值依次为{H1,C1,S1,H2,C2,S2,H3,C3,S3,H4,C4,S4,H5,C5,F1}，其初始值为H1；判断网络层p的类型，若p∈{H1,H2,H3,H4,H5}，则p为隐含层，执行步骤3-1-2；若p{C1,C2,C3,C4,C5}，则p为卷积层，执行步骤3-1-3；若p∈{S1,S2,S3,S4}，则p为下采样层，执行步骤3-1-4；若p＝F1，则p为分类器层，执行步骤3-1-5；测试过程中将本次测试的输出特征图记为aC”，其中C∈{C1,C2,C3,C4,C5}，aC”的初始值为零矩阵；步骤3-1-2，处理隐含层：此时有p＝pH,pH∈{H1,H2,H3,H4,H5}，分为两种情况：当pH∈{H1,H2,H3,H4}时，首先计算pH层的第v个输出特征图avpH，若pH＝H1，则C＝C1，通过零像素填充将aC”中对应的特征图宽度拓展至ExpandSizepH，再将其与该层的对应卷积核相卷积，将卷积结果求和，求和结果加上pH层的第v个偏置参数经过ReLU激活函数处理，得到pH层的第v个输出特征图计算公式如下所示：上式中，Expand_Zero(·)表示零扩充函数，为pH层的第u个输入特征图与第v个输出特征图相对应的卷积核，mh为当前隐含层的输入特征图个数，本文档来自技高网...

【技术保护点】
1.一种基于循环动态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，数据预处理：输入测试图像集，对测试图像集中的每一幅图像进行规范化处理，将每一幅图像转化为280×280的灰度图像，再对灰度图像集合进行划分，构造包含TestsetSize组样本的测试样本集；步骤2，读取测试样本：将步骤2‑1获得的TestsetSize组测试样本输入经过训练的循环动态卷积神经网络中；步骤3，前向传播：在子网络中提取输入的图像序列特征，得到水平概率向量HPVtest和垂直概率向量VPVtest；在概率预测层中，将输入图像序列中的最后一幅图像依次与VPVtest、HPVtest相卷积，得到循环动态卷积神经网络最终的外推图像。

【技术特征摘要】
1.一种基于循环动态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，数据预处理：输入测试图像集，对测试图像集中的每一幅图像进行规范化处理，将每一幅图像转化为280×280的灰度图像，再对灰度图像集合进行划分，构造包含TestsetSize组样本的测试样本集；步骤2，读取测试样本：将步骤2-1获得的TestsetSize组测试样本输入经过训练的循环动态卷积神经网络中；步骤3，前向传播：在子网络中提取输入的图像序列特征，得到水平概率向量HPVtest和垂直概率向量VPVtest；在概率预测层中，将输入图像序列中的最后一幅图像依次与VPVtest、HPVtest相卷积，得到循环动态卷积神经网络最终的外推图像。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，采样：测试图像集中的图像按时间顺序排列，并且等时间间隔分布，时间间隔为6分钟，共包含NTest幅图像，通过如下公式确定TestsetSize：如果Mod(NTest，4)＝0则如果Mod(NTest，4)≠0则求得TestsetSize后，通过采样保留测试图像集中前4×TestsetSize+1幅图像，采样时通过删除测试图像集中最后的图像使图像数量满足要求；步骤1-2，图像规范化：对采样得到的图像进行图像变换，归一化操作，将原始分辨率为2000×2000的彩色图像转换成分辨率为280×280的灰度图像；步骤1-3，构造测试样本集：利用步骤1-2获得的灰度图像集构造测试样本集，将灰度图像集中每四个相邻的图像，即第{4M+1,4M+2,4M+3,4M+4}幅图像作为一组输入序列，第[4×(M+1)+1]幅图像经过裁剪，保留中央分辨率为240×240的部分作为对应样本的对照标签，其中为正整数，并有M∈[0,TestsetSize-1]，得到包含TestsetSize组测试样本的测试样本集。3.根据权利要求2所述的方法，其特征在于，步骤1-2包括以下步骤：步骤1-2-1，图像转化：将彩色的回波强度CAPPI图像转化为灰度图像，再通过裁剪保留原始图像中央分辨率为560×560的部分，将裁剪后的图像分辨率压缩为280×280，得到分辨率为280×280的灰度图；步骤1-2-2，数据归一化：将步骤1-2-1中获得的灰度图中的每一个像素点的值从[0～255]映射到[0～1]。4.根据权利要求3所述的方法，其特征在于，步骤3包括以下步骤：步骤3-1，计算子网络概率向量：子网络由10个网络层构成，从前至后依次为卷积层C1、下采样层S1、隐含层H1、卷积层C2、下采样层S2、隐含层H2、卷积层C3、下采样层S3、隐含层H3、卷积层C4、下采样层S4、隐含层H4、卷积层C5、隐含层H5、以及分类器层F1；在子网络中通过卷积层和下采样层的交替处理提取输入的图像序列特征，然后在分类器层中通过Softmax函数处理，得到水平概率向量HPVtest和垂直概率向量VPVtest；步骤3-2，计算概率预测层输出图像：步骤3-1得到的VPVtest和HPVtest作为概率预测层的卷积核，将输入图像序列中的最后一幅图像依次与VPVtest和HPVtest相卷积，得到循环动态卷积神经网络最终的外推图像。5.根据权利要求4所述的方法，其特征在于，步骤3-1包括以下步骤：步骤3-1-1，判断网络层类型：用p表示当前RDSN中的网络层，p的取值依次为{H1,C1,S1,H2,C2,S2,H3,C3,S3,H4,C4,S4,H5,C5,F1}，其初始值为H1；判断网络层p的类型，若p∈{H1,H2,H3,H4,H5}，则p为隐含层，执行步骤3-1-2；若p{C1,C2,C3,C4,C5}，则p为卷积层，执行步骤3-1-3；若p∈{S1,S2,S3,S4}，则p为...

【专利技术属性】
技术研发人员：李骞，施恩，马强，马烁，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43