一种基于生成对抗网络的临近降雨预测方法技术

本发明专利技术提供了一种基于生成对抗网络的临近降雨预测方法。首先获取雷达回波图像；然后采用改进后的PredNet模型设计生成器，采用双通道输入卷积网络设计判别器，并根据所述生成器和判别器构建生成对抗网络模型；利用所述雷达回波图像对所述生成对抗网络模型进行训练，获得训练好的生成对抗网络模型，即此时获得训练好的生成器；将采集的待预测雷达回波图像输入到所述训练好的生成器中，输出雷达回波预测图像；最后根据所述雷达回波预测图像的反射强度预测所述雷达回波图像中对应区域的降雨强度。本发明专利技术的有益效果是：设计了一个新型的生成对抗网络模型，能够提高降雨预测的准确性，还能适当降低对计算机硬件的要求。

【技术实现步骤摘要】
一种基于生成对抗网络的临近降雨预测方法
本专利技术涉及计算机图像处理
，尤其涉及一种基于生成对抗网络的临近降雨预测研究方法。
技术介绍
传统的临近降雨预测方法大致分为两类：数值预报法与基于雷达回波图像外推的方法，但是随着机器学习的技术的发展，越来越多的学者基于机器学习进行临近降雨预测，由于雷达回波图像的反射强度可以转化为降雨量，因此可以将临近降雨预测转化为雷达回波图像预测问题。雷达回波图像是对固定区域定时采集得到的时序图，因此，可以考虑结合视频预测与时序预测技术对雷达回波图像进行预测。目前已有许多研究人员基于机器学习预测雷达回波图像，例如通过两个连续的预测模型来捕获时空特征，然后对输入数据进行解析，最后进行预测等模型，但大多数模型都存在如下问题：基于CNN、RNN等传统神经网络预测效果不够理想，生成的预测图像模糊不清，并且模型的参数数量十分庞大，计算复杂度高，从而导致目前机器学习方法应用于临时降雨预测的性能有待提高；基于原始生成对抗网络的临近降雨预测方法的研究较少，这些研究大都是基于原始生成对抗网路，而原始生成对抗网络存在训练不稳本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的临近降雨预测方法，其特征在于：包括以下步骤：/nS1：获取雷达回波图像；/nS2：采用改进后的PredNet模型设计生成器，采用双通道输入卷积网络设计判别器，并根据所述生成器和所述判别器构建生成对抗网络模型，所述生成对抗网络模型的输入是步骤S1中的雷达回波图像；/nS3：利用所述雷达回波图像对所述生成对抗网络模型进行训练，获得训练好的生成对抗网络模型，即此时获得训练好的生成器；/nS4：将采集的待预测雷达回波图像输入到所述训练好的生成器中，输出雷达回波预测图像；/nS5：根据所述雷达回波预测图像的反射强度预测所述雷达回波图像中对应区域的降雨强度。/n

【技术特征摘要】
1.一种基于生成对抗网络的临近降雨预测方法，其特征在于：包括以下步骤：
S1：获取雷达回波图像；
S2：采用改进后的PredNet模型设计生成器，采用双通道输入卷积网络设计判别器，并根据所述生成器和所述判别器构建生成对抗网络模型，所述生成对抗网络模型的输入是步骤S1中的雷达回波图像；
S3：利用所述雷达回波图像对所述生成对抗网络模型进行训练，获得训练好的生成对抗网络模型，即此时获得训练好的生成器；
S4：将采集的待预测雷达回波图像输入到所述训练好的生成器中，输出雷达回波预测图像；
S5：根据所述雷达回波预测图像的反射强度预测所述雷达回波图像中对应区域的降雨强度。


2.如权利要求1所述的一种基于生成对抗网络的临近降雨预测方法，其特征在于：在步骤S2中，所述生成对抗网络模型的框架采用WGAN-GP。


3.如权利要求1所述的一种基于生成对抗网络的临近降雨预测方法，其特征在于：在步骤S2中，所述生成器采用所述改进后的PredNet模型进行预测，所述改进后的PredNet模型具有3层，每一层都包含输入卷积层、循环单元、预测卷积层和误差表示层；
所述改进后的PredNet模型是对所述循环单元进行改进，所述循环单元使用改进后的RgcLSTM神经元来代替ConvLSTM，保留遗忘门和更新门。


4.如权利要求3所述的一种基于生成对抗网络的临近降雨预测方法，其特征在于：
针对每一层，输入卷积层用来对当前时刻的输入进行卷积提取，得到第一卷积提取结果，并将所述第一卷积提取结果输入到误差表示层；
循环单元由神经元组成，用来生成当前时刻的雷达回波预测图像；
预测卷积层用来对当前时刻的雷达回波预测图像进行卷积操作，得到第二卷积提取结果，并将所述第二卷积提取结果输入到误差表示层；
误差表示层用于对接收的所述第一卷积提取结果和所述第二卷积提取结果进行误差计算，得到误差；
其中，第0层的输入卷积层的输入是雷达回波图像，第1层的输入卷积层的输入是第0层的误差表示层输出的误差，第2层的输入卷积层的输入是第1层的误差表示层输出的误差；所述第0层为生成器的起始层，第1层为紧邻起始层上面的那一层，第2层为紧邻第1层上面的那一层；
每一层的误差表示层输出的误差均输入到下一时刻的循环单元。


5.如权利要求4所述的一种基于生成对抗网络的临近降雨预测方法，其特征在于：
所述遗忘门用来丢掉前一时刻的不重要信息，所述更新门用来保留当前时刻需要保留的信息，所述循环单元输出的细胞信息由所述遗忘门和所述更新门共同控制，所述循环单元输出的细胞状态由所述更新门控制，所述细胞状态即为雷达回波预测图像；
所述细胞状态的计算过程如下：
1):计算所述遗忘门丢掉的前一时刻的一些不重要的信息；
所述遗忘门将前一时刻的细胞状态和当前时刻输入的雷达回波图像通过Sigmoid激活函数来确定丢掉前一时刻的哪些不重要信息，计算公式如公式(1)所示：
f(t)＝σ(Wfx*x(t)+Ufh*h(t-1)+bf)(1)
其中，f表示遗忘门，x表示输入的雷达回波图像，t表示当前时刻，t-1表示前一时刻，t为大于等于1的正整数，f(t)表示遗忘门丢掉前一时刻的一些不重要的信息，Wfx表示遗忘门中当前时刻输入的雷达回波图像的权重，Ufh表示遗忘门中前一时刻的细胞状态的权重，x(t)表示当前时刻输入的雷达回波图像，h(t-1)表示前一时刻的细胞状态，bf表示遗忘门中当前时刻输入的雷达回波图像与前一时刻的细胞状态的偏置，σ()表示表示Sigmoid激活函数；
2):计算所述更新门保留的当前时刻的重要信息；
所述更新门将前一时刻的细胞状态和当前时刻输入的雷达回波图像通过Sigmoid激活函数来决定保留哪些重要信息，计算公式如公式(2)所示：



其中，g表示更新门，g(t)表示更新门保留当前时刻的重要信息，表示更新门中当前时刻输入的...

【专利技术属性】
技术研发人员：郑坤，邹安狄，刘言，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42