基于多通道深度残差收缩网络的冰雹天气识别与分类方法技术

本发明专利技术公开了一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，包括如下步骤：获取降雹和非降雹天气下的微波信号强度数据，对数据进行预处理；将预处理后的数据进行多重同步压缩变换(MSST)，提取信号浅层特征，将信号转换为二维时频图像，并对得到的时频图像进行尺寸调整；构建训练集和测试集；将扩充好的训练集输入多通道深度残差收缩网络，对深层特征进行多尺度提取，去除噪声，输出分类结果；训练并优化模型，测试集测试模型性能；待测微波信号数据经MSST处理后，输入训练好的模型，实现冰雹天气识别及等级分类。本发明专利技术能够实现较低信噪比条件下冰雹相关微波信号的有效识别与分类，在很大程度上提高了冰雹天气等级监测的准确度。级监测的准确度。级监测的准确度。

【技术实现步骤摘要】
基于多通道深度残差收缩网络的冰雹天气识别与分类方法


[0001]本专利技术涉及一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，属于气象因子监测


技术介绍

[0002]冰雹是对流云中的一种固态降水物，是一种常见的气象灾害，具有突发性强、破坏力大、移动迅速等特点，严重威胁农业、电力、通讯、交通等方面的发展和人类的生命财产安全，所以采取实时有效的方法进行冰雹监测和分类具有十分重要的现实意义。
[0003]现阶段对于冰雹的相关研究重在对冰雹云的识别，主要是利用闪电定位系统、天气雷达和卫星遥感进行监测和识别。其中，闪电定位系统是通过闪电计数器测量闪电频数，进而区分雷雨云和冰雹云，但其布设成本较高；天气雷达通过对特殊的回波形态、运动特征及回波参量进行分析来识别雹云，但其易受多种因素的干扰，误差较大；卫星遥感是利用红外云图资料分析云团结构与特征，并与降雹实况进行对比分析，进而识别冰雹云的云区，但其对于受灾区域较小地区的分辨则存在着一定的不确定性，因此该项技术的使用也具有一定的局限性。
[0004]微波通信网络具有覆盖范围广、监测成本低、监测盲区小、运行稳定可靠、时空分辨率高等优点，因此，理论上非常适合对冰雹这类强对流天气进行识别。目前已有的传统机器学习方法，为实现准确分类识别，通常对输入模型数据的信噪比要求较高，而现实中由于各种不可控因素的影响，所获信号往往包含大量噪声，这就导致传统模型无法直接满足较低信噪比条件下冰雹信号的高准确率识别与分类。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，结合运用MSST、BN
‑
SMOTE及多通道深度残差收缩网络分别进行时频分析、数据集平衡及识别分类，能够实现较低信噪比条件下冰雹相关微波信号的准确识别与分类。
[0006]技术方案：为解决上述技术问题，本专利技术的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，包括如下步骤：
[0007]S1：获取降雹和非降雹天气下的微波信号强度数据，对数据进行预处理。
[0008]S2：将预处理后的数据进行多重同步压缩变换(MSST)，提取信号浅层特征，将信号转换为二维时频图像，并对得到的时频图像进行尺寸调整。
[0009]S3：构建训练集和测试集，采用BN
‑
SMOTE算法对训练集中冰雹样本数据(少数类)进行过采样，均衡样本数据、扩充数据集。
[0010]S4：将扩充好的训练集输入多通道深度残差收缩网络，对深层特征进行多尺度提取，去除噪声，输出分类结果。
[0011]S5：训练并优化模型，测试集测试模型性能。
[0012]S6：待测微波信号数据经MSST处理后，输入训练好的模型，实现冰雹天气识别及等级分类。
[0013]进一步地，所述步骤S1中对数据进行预处理具体包括：
[0014]对丢失数据进行插补，剔除明显超过响应阈值的不合理数据。
[0015]进一步地，所述步骤S2中对预处理数据进行多重同步压缩变换(MSST)的具体步骤包括：
[0016]选取信号s(u)的表达形式为：
[0017][0018]其中，A(t)为信号幅度，为相位的一阶泰勒级数展开。
[0019]S2
‑
1：对信号s(u)进行STFT，时频分布可表示为：
[0020][0021]其中，ω为角频率，g(
·
)为窗函数。
[0022]对上式求偏导：
[0023][0024]当G(t,ω)≠0时，瞬时频率估计可表示为：
[0025][0026]S2
‑
2：执行同步压缩处理(SST)，从频率方向压缩STFT的结果，其数学表达式如下：
[0027][0028]其中，δ(
·
)为冲激函数，η为SST输出频率。
[0029]S2
‑
3：对得到的时频分布继续执行n次SST，则有：
[0030][0031]其中，n≥2为执行同步压缩处理的次数，此处取n＝2。
[0032]通过多次迭代，瞬时频率估计值逼近信号真值，时频分布的能量聚集程度得到提高，进而得到高分辨率的时频图像。
[0033]将上述得到的时频图像尺寸大小进行调整，得到尺寸为224*224的图像，使其符合网络输入的要求。
[0034]进一步地，所述步骤S3中采用BN
‑
SMOTE算法对训练集中冰雹样本数据进行过采样的具体步骤包括：
[0035]设置四类不同的标签：无雹为label
‑
0、轻雹为label
‑
1、中雹为label
‑
2、重雹为label
‑
3。用分层采样方式按照8:2的比例划分训练集和测试集，保证训练集和测试集中包含所有标签种类的样本。
[0036]定义S
min
为少数类样本集，包括：轻雹、中雹、重雹标签下的所有样本；S
max
为多数类样本集，即无雹标签下的所有样本；D为需要生成的新样本数量；k1是用来过滤少数类样本的k近邻值；k2是用来生成多数类集合的多数类最近邻样本数量；k3是用来生成少数类集合的少数类最近邻样本数量。
[0037]S3
‑
1：对于每个少数类样本r
i
∈S
min
，计算其最近邻集合NN(r
i
)，其中NN(r
i
)包含了与r
i
欧氏距离相距最近的k1个样本。
[0038]剔除在其k1近邻中没有其他少数类存在的少数类样本，组成一个过滤后的少数类样本集S
minf
：
[0039]S
minf
＝S
min
‑
{r
i
∈S
min
:NN(r
i
)中没有少数类}
[0040]S3
‑
2：对于每个少数类样本r
i
∈S
minf
，计算其最近邻的多数类样本集合N
maj
(r
i
)，该集合包含了与r
i
欧氏距离最近的k2个多数类样本。
[0041]将所有N
maj
(r
i
)集合进行合并，得到处于边界区域的多数类样本集合：
[0042][0043]S3
‑
3：对于每个多数类样本r
i
′
∈S
bmaj
，计算其最近邻的少数类样本集合N
min
(r
i
′
)，该集合包含了与r
i
′
欧氏距离相距最近的k3个少数类样本。
[0044]对所有得到的N<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，其特征在于，包括如下步骤：S1：获取降雹和非降雹天气下的微波信号强度数据，对数据进行预处理；S2：将预处理后的数据进行多重同步压缩变换MSST，提取信号浅层特征，将信号转换为二维时频图像，并对得到的时频图像进行尺寸调整；S3：构建训练集和测试集，采用BN
‑
SMOTE算法对训练集中冰雹样本数据进行过采样，均衡样本数据、扩充数据集；S4：将扩充好的训练集输入多通道深度残差收缩网络，对深层特征进行多尺度提取，去除噪声，输出分类结果；S5：训练并优化模型，测试集测试模型性能；S6：待测微波信号数据经MSST处理后，输入训练好的模型，实现冰雹天气识别及等级分类。2.根据权利要求1所述的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，其特征在于，所述步骤S1中对数据进行预处理具体包括：对丢失数据进行插补，剔除明显超过响应阈值的不合理数据。3.根据权利要求1所述的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，其特征在于，所述步骤S2中对预处理数据进行多重同步压缩变换的具体步骤包括：选取信号s(u)的表达形式为：其中，A(t)为信号幅度，为相位的一阶泰勒级数展开；S2
‑
1：对信号s(u)进行STFT，时频分布可表示为：其中，ω为角频率，g(
·
)为窗函数；对上式求偏导：当G(t,ω)≠0时，瞬时频率估计可表示为：S2
‑
2：执行同步压缩处理SST，从频率方向压缩STFT的结果，其数学表达式如下：其中，δ(
·
)为冲激函数，η为SST输出频率；S2
‑
3：对得到的时频分布继续执行n次SST，则有：其中，n≥2为执行同步压缩处理的次数，将上述得到的时频图像尺寸大小进行调整，得到尺寸为224*224的图像，使其符合网络输入的要求。4.根据权利要求1所述的一种基于多通道深度残差收缩网络的冰雹天气识别与分类方法，其特征在于，所述步骤S3中采用BN
‑
SMOTE算法对训练集中冰雹样本数据进行过采样的
具体步骤包括：设置四类不同的标签：无雹为label
‑
0、轻雹为label
‑
1、中雹为label
‑
2、重雹为label
‑
3，用分层采样方式按照8:2的比例划分训练集和测试集，保证训练集和测试集中包含所有标签种类的样本；定义S
min
为少数类样本集，包括：轻雹、中雹、重雹标签下的所有样本；S
max
为多数类样本集，即无雹标签下的所有样本；D为需要生成的新样本数量；k1是用来过滤少数类样本的k近邻值；k2是用来生成多数类集合的多数类最近邻样本数量；k3是用来生成少数类集合的少数类最近邻样本数量；S3
‑
1：对于每个少数类样本r
i
∈S
min
，计算其最近邻集合NN(r
i
)，其中NN(r
i
)包含了与r
i
欧氏距离相距最近的k1个样本；剔除在其k1近邻中没有其他少数类存在的少数类样本，组成一个过滤后的少数类样本集S
minf
：S
minf
＝S
min
‑
{r
i
∈S
min
:NN(r
i
)中没有少数类}S3
‑
2：对于每个少数类样本r
i
∈S
minf
，计算其最近邻的多数类样本集合N
maj
(r
i
)，该集合包含了与r
i
欧氏距离最近的k2个多数类样本；将所有N
maj
(r
i
)集合进行合并，得到处于边界区域的多数类样本集合：S3
‑
3：对于每个多数类样本r
i
′
∈S
bmaj
，计算其最近邻的少数类样本集合N
min
(r
i
′
)，该集合包含了与r
i
′
欧氏距离相距最近的k3个少数类样...

【专利技术属性】
技术研发人员：杨涛，徐琳，
申请(专利权)人：河海大学，
类型：发明
国别省市：