一种气象雷达杂波分类识别方法及装置制造方法及图纸

本发明专利技术公开了一种气象雷达杂波分类识别方法及装置，其方法包括获取测试的气象雷达数据并进行预处理；将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；其中，SegNet网络模型的训练过程包括：获取训练的气象雷达数据并进行预处理；基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练；本发明专利技术能够有效的对气象雷达杂波进行分类识别，从而获得质量较高的气象雷达数据。获得质量较高的气象雷达数据。获得质量较高的气象雷达数据。

【技术实现步骤摘要】
一种气象雷达杂波分类识别方法及装置


[0001]本专利技术涉及一种气象雷达杂波分类识别方法及装置，属于气象雷达


技术介绍

[0002]对气象雷达数据进行分析处理的重要前提是建立智能的气象雷达质量控制模型。雷达杂波的识别与分类在多个领域有着重要的应用价值。在航空领域，不仅对复杂天气带来的航空危险有着预警作用，还能为航线规划提供决策依据；在人工影响天气领域，不仅可以提高对降水定量检测精度，而且能为人工影响天气的运行决策和评估提供重要的参考依据。
[0003]为了获得质量较高的气象雷达数据，一个首要的问题就是合理地区分出气象回波与非气象回波。雷达杂波的分类识别方法包括：统计决策方法、判决图方法等。统计决策方法综合了降水粒子及杂波粒子的偏振特性及前人的研究经验，通过设定不同降水粒子与杂波粒子的偏振参量门限值实现降水粒子与杂波粒子的分类，但该方法的门限值一般固定，因此当研究的目标区域内环境发生变化时，分类精度将受到很大影响。判决图方法根据预先确定的类型边界来对降水粒子与杂波粒子进行分类，但由于气象雷达接收到的不同降水粒子与杂波粒子的协方差矩阵不是相互独立的，会使得判决图方法的分类精度受到一定的影响。对于降水粒子与杂波粒子的分类识别任务，需要解决传统算法与人工检测的智能化低的问题。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种气象雷达杂波分类识别方法及装置，能够有效的对气象雷达杂波进行分类识别，从而获得质量较高的气象雷达数据。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种气象雷达杂波分类识别方法，包括：
[0007]获取测试的气象雷达数据并进行预处理；
[0008]将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；
[0009]其中，所述SegNet网络模型的训练过程包括：
[0010]获取训练的气象雷达数据并进行预处理；所述气象雷达数据包括雷达反射率、差分反射率、差分传播相移率、相关系数及微分相位；
[0011]基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；
[0012]分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；
[0013]采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；
[0014]初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练，直至达到预
设的最大迭代次数或SegNet网络模型的权重参数收敛。
[0015]可选的，所述预处理包括数据清洗和尺度扩充；
[0016]所述数据清洗包括查找气象雷达数据中的NaN数据值以及小于零的雷达反射率，并分别置零；
[0017]所述尺度扩充包括将气象雷达数据采取左上对齐、右下补零的方式进行扩充。
[0018]可选的，所述分别计算雷达反射率和微分相位对应的训练数据集的标准差包括：
[0019]遍历雷达反射率对应的训练数据集，计算1km范围内雷达反射率的标准差S
D
(Z
H
)：
[0020][0021][0022]式中，m(Z
H
)为1km范围内雷达反射率Z
H
的平均值，n
Z
为1km范围内雷达反射率的数据点个数；
[0023]遍历微分相位对应的训练数据集，计算2km范围内微分相位的标准差
[0024][0025][0026]式中，m(φ
DP
)为2km范围内微分相位φ
DP
的平均值，n
φ
为2km范围内微分相位的数据点个数。
[0027]可选的，所述采用模糊逻辑算法处理训练数据集与纹理数据获取粒子相态类型的标签集包括：
[0028]采用梯形函数作为模糊逻辑算法的隶属度函数，将训练数据集中的训练数据与纹理数据作为输入参数进行模糊逻辑运算，获取粒子相态类型对应的隶属度作为模糊逻辑输出；梯形函数为：
[0029][0030]式中，X1、X2、X3、X4为梯形函数的阈值参数，P
(j)
(x
i
)为第j个输入参数对第i种粒子相态类型的隶属度；
[0031]采用加权平均判决法对模糊逻辑输出进行退模糊化，获取粒子相态类型对应的隶
属度集成值：
[0032][0033]式中，S
i
为第j个输入参数对第i种粒子相态类型的隶属度集成值，W
ij
为第i种粒子相态类型第j个输入参数的权重系数，J为输入参数数量；
[0034]若输入参数的隶属度集成值为0，则输入参数对应的粒子相态类型为无气象回波，将其标签设置为0；
[0035]若输入参数的隶属度集成值大于设定阈值，则输入参数对应的粒子相态类型为杂波，将其标签设置为1；
[0036]若输入参数的隶属度集成值小于设定阈值且大于0，则输入参数对应的粒子相态类型为其他，将其标签设置为2；
[0037]根据输入参数的标签构建粒子相态类型的标签集。
[0038]可选的，所述基于训练数据集和标签集进行迭代训练包括：
[0039]基于SegNet网络模型的Encoder网络下采样训练数据，获得数据特征；
[0040]基于SegNet网络模型的Decoder网络上采样特征数据，获取预测结果；
[0041]基于交叉熵损失函数计算预测结果与其标签的损失，并根据损失反向传播更新SegNet网络模型的权重参数。
[0042]可选的，所述Encoder网络包括：
[0043]第一层，依次由两个64
×3×
3的卷积以及最大池化下采样组成；
[0044]第二层，依次由两个128
×3×
3的卷积以及最大池化下采样组成；
[0045]第三层，依次由三个256
×3×
3的卷积以及最大池化下采样组成；
[0046]第四层，依次由三个512
×3×
3的卷积以及最大池化下采样组成；
[0047]第五层，依次由三个5212
×3×
3的卷积以及最大池化下采样组成；
[0048]所述Decoder网络包括：
[0049]第一层，依次由反最大池化上采样以及三个521
×3×
3的卷积组成；
[0050]第二层，依次由反最大池化上采样以及三个521
×3×
3的卷积组成；
[0051]第三层，依次由反最大池化上采样以及两个256
×3×
3的卷积组成；
[0052]第四层，依次由反最大池化上采样以及两个128
×3×
3的卷积组成；
[0053]第五层，依次由反最大池化上采样以及两个64本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气象雷达杂波分类识别方法，其特征在于，包括：获取测试的气象雷达数据并进行预处理；将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；其中，所述SegNet网络模型的训练过程包括：获取训练的气象雷达数据并进行预处理；所述气象雷达数据包括雷达反射率、差分反射率、差分传播相移率、相关系数及微分相位；基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练，直至达到预设的最大迭代次数或SegNet网络模型的权重参数收敛。2.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述预处理包括数据清洗和尺度扩充；所述数据清洗包括查找气象雷达数据中的NaN数据值以及小于零的雷达反射率，并分别置零；所述尺度扩充包括将气象雷达数据采取左上对齐、右下补零的方式进行扩充。3.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述分别计算雷达反射率和微分相位对应的训练数据集的标准差包括：遍历雷达反射率对应的训练数据集，计算1km范围内雷达反射率的标准差S
D
(Z
H
)：)：式中，m(Z
H
)为1km范围内雷达反射率Z
H
的平均值，n
Z
为1km范围内雷达反射率的数据点个数；遍历微分相位对应的训练数据集，计算2km范围内微分相位的标准差遍历微分相位对应的训练数据集，计算2km范围内微分相位的标准差式中，m(φ
DP
)为2km范围内微分相位φ
DP
的平均值，n
φ
为2km范围内微分相位的数据点个数。
4.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述采用模糊逻辑算法处理训练数据集与纹理数据获取粒子相态类型的标签集包括：采用梯形函数作为模糊逻辑算法的隶属度函数，将训练数据集中的训练数据与纹理数据作为输入参数进行模糊逻辑运算，获取粒子相态类型对应的隶属度作为模糊逻辑输出；梯形函数为：式中，X1、X2、X3、X4为梯形函数的阈值参数，P
(j)
(x
i
)为第j个输入参数对第i种粒子相态类型的隶属度；采用加权平均判决法对模糊逻辑输出进行退模糊化，获取粒子相态类型对应的隶属度集成值：式中，S
i
为第j个输入参数对第i种粒子相态类型的隶属度集成值，W
ij
为第i种粒子相态类型第j个输入参数的权重系数，J为输入参数数量；若输入参数的隶属度集成值为0，则输入参数对应的粒子相态类型为无气象回波，将其标签设置为0；若输入参数的隶属度集成值大于设定阈值，则输入参数对应的粒子相态类型为杂波，将其标签设置为1；若输入参数的隶属度集成值小于设定阈值且大于0，则输入参数对应的粒子相态类型为...

【专利技术属性】
技术研发人员：徐红祥，江结林，张佩，许小龙，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：