基于增量学习的厄尔尼诺极端天气预警方法及装置制造方法及图纸

本发明专利技术公开了一种基于增量学习的厄尔尼诺极端天气预警方法及装置，方法包括：基于增量训练，即使用一多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识；使用一多尺度特征自适应融合技术，根据输入多尺度数据不同的时间跨度，自适应学习不同的融合参数，增强对新任务的学习能力；自适应融合后的特征通过全连接层，输出反映厄尔尼诺现象变化规律的Nino3.4指数，建立极端降雨概率的映射函数，预测值超过阈值则进行暴雨预警并提前开展输电线路暴雨防治工作。装置包括：处理器和存储器。本发明专利技术可以有效的提升增量的厄尔尼诺现象下降雨量预测的准确度，减轻自然灾害。害。害。

【技术实现步骤摘要】
基于增量学习的厄尔尼诺极端天气预警方法及装置


[0001]本专利技术涉及气象预测、海洋现象预测以及增量学习领域，尤其涉及一种基于增量学习的厄尔尼诺极端天气预警方法及装置。

技术介绍

[0002]厄尔尼诺现象
[1,2,3]是一种海洋
‑
大气系统的周期性变化，是地球年际气候变化的主要驱动因素之一，会对全球范围内的气候、环境和社会经济造成极大影响
[4]。厄尔尼诺现象与全球极端天气灾害的发生息息相关，已经受到学术界和相关行业的重视。例如，1997厄尔尼诺事件发生的次年，1998年夏季，我国长江流域、东北地区发生流域性特大暴雨洪涝灾害；2014年开始的厄尔尼诺事件，导致2015年我国冬季全国平均降水量较常年同期偏多五成以上，创历史最高纪录，长江流域和江南地区极易发生洪涝灾害。极端暴雨期间，容易导致输电线路杆塔塔基、变压器、变电站等重要电力设施浸水，甚至造成火灾导致大面积的停电，影响电网安全稳定运行。
[0003]近年来，为了预防极端天气并降低其对人类生产生活的影响，全球的研究者们致力于利用基于神经网络的表示学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述方法包括：对海洋数据进行下采样，得到多尺度的海洋数据，将多尺度数据以预设年为界划分为多个任务序列；将任务序列以数据流形式输入并行卷积神经网络，通过有监督表示学习提取多尺度特征；基于增量训练，使用多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识；使用多尺度特征自适应融合技术，根据输入多尺度数据不同的时间跨度，自适应学习不同的融合参数，增强对新任务的学习能力；自适应融合后的特征通过全连接层，输出反映厄尔尼诺现象变化规律的Nino3.4指数；基于Nino3.4指数建立极端降雨概率的映射函数，预测值超过阈值则进行暴雨预警并提前开展输电线路暴雨防治工作。2.根据权利要求1所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述多尺度特征频域蒸馏技术用于使新并行网络的输出特征去逼近旧并行网络的输出特征。3.根据权利要求1所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述多尺度特征自适应融合技术包括：多尺度并行网络，两个瓶颈层，两个全连接层，以及一个自适应融合函数。4.根据权利要求1或2所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述使用多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识具体为：在每次训练新任务时，利用上一个训练阶段已经训练好的旧并行网络参数初始化新并行网络，冻结旧并行网络的参数，并将训练数据同时输入新旧的并行网络中；将新并行网络和旧并行网络输出的多尺度特征和进行离散余弦变换，拉近其多尺度特征低频分量之间的欧式距离，约束特征的演变；将欧式距离定义为多尺度特征频域蒸馏损失函数：其中，代表训练阶段，代表新并行网络的输出特征的前个低频分量，代表旧并行网络的输出特征的前个低频分量，K为特征向量的长度。5.根据权利要求4所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述旧并行网络第个训练阶段已经训练好的网络；
所述新并行网络：使用上一阶段训练好的网络来初始化参数的...

【专利技术属性】
技术研发人员：刘安安，鲁昊纯，李文辉，宋丹，魏志强，聂婕，张文生，孙正雅，
申请(专利权)人：青岛海洋科学与技术国家实验室发展中心，
类型：发明
国别省市：