改进深度卷积自编码嵌入聚类的终端区气象场景识别方法技术

本发明专利技术属于空中交通运行管理中的机场终端区运行气象场景分析技术领域，具体涉及一种改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其包括：构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别；选取相应的无监督聚类效果评估指标，对气象场景识别进行评估；以及对识别的气象场景进行验证，并确定所识别出场景的特点，实现了气象场景的分类识别，为管制员提供一种更直观的历史结果，并为现场管制运行提供一种较有效的事前分析手段。事前分析手段。事前分析手段。

【技术实现步骤摘要】
改进深度卷积自编码嵌入聚类的终端区气象场景识别方法


[0001]本专利技术属于空中交通运行管理中的机场终端区运行气象场景分析
，具体涉及一种改进深度卷积自编码嵌入聚类的终端区气象场景识别方法。

技术介绍

[0002]在空中交通领域，具有高动态性的气象条件是影响管制运行的重要因素，也是学者们及业界研究的重点对象。随着气象雷达数据产品不断完善，可视化气象数据(尤其是对流天气的可视化)也快速应用于航行计划和管制决策的制定。尽管可视化的气象数据可为空管人员决策提供了直观感知，但复杂多变的气象影响无法直接转化为管制决策，不同管制人员的经验差异会导致决策制定及实施效果的不同。为了提高管制策略有效性与决策效率、提供空中交通运行受气象影响程度的快速客观评估，相关研究人员提出了利用历史运行的相似性提供当前决策的支持，而气象场景识别概念是其核心内容。
[0003]气象场景识别过程包括气象图像特征提取和场景聚类划分。2015年和2016年Kuhn K等人采用机器学习的方法进行特征提取(以PCA为主)，然后基于提取出的特征采用经典聚类方法来解决气象场景识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，包括：构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别；选取相应的无监督聚类效果评估指标，对气象场景识别进行评估；以及对识别的气象场景进行验证，并确定所识别出场景的特点。2.如权利要求1所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，所述构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别的方法包括：卷积自编码神经网络的学习是使其损失函数最小，对于输入对流天气图像x＝{x1，x2，...，x
i
}，有k个卷积核，每个卷积核参数由W
k
和b
k
组成，用h
k
表示卷积层：h
k
＝σ(x*W
k
+b
k
)；式中，σ为Relu激活函数；*为2D卷积；每张特征图h与其对应的卷积核的转置进行卷积操作并将结果求和，然后加上偏置，得到反卷积操作：式中，y为重构图像，y＝{y1，y2，...，y
i
}；H为整个特征图组；为权重在两个维度上的翻转操作；将输入的样本和最终利用特征重构得出来的结果进行欧几里得距离比较，并根据BP算法，以获取一个完整的卷积自编码器损失函数：通过卷积运算获取梯度值：式中，δh和δy分别为隐藏状态和重建状态的增量；通过随机梯度来更新权重，以进行卷积自编码网络的训练，完成对图像数据降维。3.如权利要求2所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，所述构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别的方法还包括：将深度自编码中的解码和编码的全...

【专利技术属性】
技术研发人员：袁立罡，陈海燕，毛继志，胡明华，谢华，王兵，张颖，李杰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：