【技术实现步骤摘要】
针对双偏振天气雷达的水凝物粒子分类识别方法及装置
[0001]本专利技术涉及天气雷达信息处理
，具体的说，涉及一种针对双偏振天气雷达的水凝物粒子分类识别方法及装置。
技术介绍
[0002]在中国中西部地区，多山的地形条件常常导致冰雹等破坏性较强的局地性气象灾害频发，极大地影响了粮食和经济作物的种植，对地方经济造成了重大破坏。以冰雹为代表的气象灾害产生的主要原因是对流性强天气系统的出现，为了减少气象灾害造成的经济损失，必须采取人工影响天气作业的技术手段，来抑制这些对流天气系统的形成和发展。而抑制对流性天气系统形成发展的关键是对这些系统的早期识别，如果能够在形成之前或者发展早期识别出这些系统，人工影响天气业务部门就可以提前进行必要的人工影响天气作业，以达到消除或者减弱这种灾害性天气系统的目的，进而阻止气象灾害的发生。
[0003]在中西部主要经济作物种植区域，为了气象灾害的防灾减灾，广泛开展了以天气雷达为指挥核心，以高炮或者火箭作为作业火器工具的人工影响天气作业业务。在人影作业业务中，作业指挥人员借助天气雷达的观测...
【技术保护点】
【技术特征摘要】
1.一种针对双偏振天气雷达的水凝物粒子分类识别方法，其特征在于，所述方法包括：对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因子、水凝物粒子差分反射率、差分相移率以及交叉相关系数中的一种；将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；所述分类识别模型中的各个神经元都有对应的线性关系系数和偏移，单个神经元到单个神经元的线性关系为，其中表示为n*1的权重矩阵，表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第层共有个神经元，则对于第层的第个神经元的输出，有如（1）所示的前向传播：（1）其中，为激活函数，包括Relu激活函数和Softmax激活函数，表示第l层输出层，表示第l
‑
1层与l层之间的权重矩阵，表示第层的第k个神经元的输出，表示第l层的第j个神经元的偏移；所述Relu激活函数如（2）所示：（2）其中，x表示输入层矩阵的横标志，max()表示最大值函数；所述Softmax激活函数如（3）所示：（3）其中，表示输出层的第i个元素，表示的z数组的第i个元素幂次，表示的z数组的第c个元素幂次；确定所述分类识别模型的多类交叉熵损失函数如（4）所示：（4）其中，输入数据的模型预测值为，输入数据的真实值为；通过如下（5）和（6）迭代求解各层神经元的和：（5）（6）（5）和（6）中，上标L表示第L层神经元，上标L
‑
1表示第L
‑
1层神经元，表示选用的激
活函数，表示L层n*1的矩阵向量，表示输出L
‑
1层n*1的矩阵向量，表示输出层，表示第L层输出层，表示输入层矩阵的竖标志，标识Hadamard积，表示对应位置的对应数值相乘；在求解出的各层神经元的和都小于停止迭代阈值时，输出线性关系系数集和偏移集，得到权值文件；利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果。2.根据权利要求1所述的方法，其特征在于，在对双偏振观测参量数据进行预处理之前，所述方法还包括：将各个双偏振观测参量通过线性化的方法转换到预设的阈值范围内，实现对原始数据的等比例缩放，得到所述双偏振观测参量数据。3.根据权利要求1所述的方法，其特征在于，所述对双偏振观测参量数据进行预处理，包括：通过如下（7）和（8）平滑所述双偏振观测参量数据：（7）（8）（7）和（8）中，为偏振参量数据总集，n为偏振参量数据总集的总数，为输出数据，为输入数据，为滑动窗口大小。4.根据权利要求1所述的方法，其特征在于，在所述分类识别模型的训练初期，基于线性插值权重，其中，Var(v∞)为无穷大时的方差，Var(v
t
)为t时刻的方差，通过如下（9）进行线性插值：（9）
其中，为参数更新量，为学习率，Adam(t)为t时刻的Adam优化器，SGD_Momentum(t)为t时刻的SGD+Momentum优化器，m
t
为一阶矩(动量)，为迭代阈值，v
t
为二阶矩(自适应学习率)，均为指数滑动平均的超参。5.根据权利要求1所述的方法，其特征在于，在所述分类识别模型的训练过程中，对待输入的数据采用K
‑
Fold多次划分，以利用全部数据集。6.根据权利要求1
‑
5任一项所述的方法，其特征在于...
【专利技术属性】
技术研发人员：袁田果，周霖，刘涛，黎平，雷三江，佘勇，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。