协方差膨胀系数估计方法、模型训练方法、存储介质终端技术

本发明专利技术公开了一种协方差膨胀系数估计方法、模型训练方法、存储介质终端，其中获取目标时刻的膨胀系数；基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合；基于膨胀系数样本集合优化后的样本系统状态量集合，通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；基于目标膨胀系数对神经网络进行训练，重复训练，得到协方差膨胀系数估计模型，用于估计集合卡尔曼滤波中的协方差膨胀系数。本发明专利技术估计方法提高了基于集合卡尔曼滤波的大气数据同化系统的预报性能和健壮性。报性能和健壮性。报性能和健壮性。

【技术实现步骤摘要】
协方差膨胀系数估计方法、模型训练方法、存储介质终端


[0001]本专利技术涉及同化系统处理
，尤其涉及一种协方差膨胀系数估计方法、模型训练方法、存储介质终端。

技术介绍

[0002]随着各种非常规数据（如卫星、雷达等遥感遥测数据）大量迅猛增多，以及大多数值模式的不断发展，如何充分利用各种观测数据，以满足大气数值再分析及预报的需求，是一个不容回避的挑战。其中，大气数据同化系统是大气再分析及预报系统的核心业务系统，是必可不少的组成部分。
[0003]大气数据同化方法是一种将稀疏的空间、时间分布的大气观测数据与大气预报数值模型结果相融合以获取更准确的大气系统状态估计的方法。在基于集合卡尔曼滤波的大气数据同化系统中，时空变化的协方差自适应膨胀系数（inflation）用于调整状态之间的协方差，使其更接近真实的协方差，进而提升数据同化系统预报的性能和健壮性。协方差的误差主要来源于集合卡尔曼滤波的两个步骤：预报和分析。在预报阶段，因为集合的采样和模型等误差，导致观测和状态之间的协方差与真实的协方差之间存在偏离；在分析阶段，观测系统的误差也会在该协方差中累积。因此，需要对该协方差进行调整。当前的方法都是选取已有的分布函数作为膨胀系数的似然函数，这些似然函数通常不能很好的近似膨胀系数的真实的分布。尤其在处理非高斯误差时，使得使用了集合卡尔曼滤波的大气数据同化系统性能下降严重。

技术实现思路

[0004]本专利技术所要解决的技术问题是现有时空变化的协方差自适应膨胀系数获取方法采用现有的分布函数作为膨胀系数的似然函数，不能很好的近似膨胀系数的真实分布，使得集合卡尔曼滤波的大气数据同化系统性能下降严重。
[0005]为了解决上述技术问题，本专利技术提供了一种协方差膨胀系数估计模型训练方法，其特征在于，在大气数据同化系统中，包括：设定第t时刻为目标时刻；获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过临时神经网络获取目标时刻的膨胀系数；基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合；通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态
量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；以目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差为输入，以所述目标膨胀系数为目标，对所述临时神经网络进行反向调整，以获取调整后的预设神经网络；将t加ι，且判断t是否大于T，若是则将调整后的预设神经网络作为自适应协方差膨胀系数估计模型，否则将所述调整后的预设神经网络作为临时神经网络，并重新设定第t时刻为目标时刻；其中，t的初始值为ι，ι为单位时间长度，且T为训练轮次。
[0006]优选地，设定第t时刻为目标时刻步骤之前还包括：设置初始系统状态量，并设置所述膨胀系数样本集合的样本生成数为，样本生成方差为。
[0007]优选地，获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差步骤包括：基于第t
‑
ι时刻的系统状态量，通过所述大气数据同化系统的系统状态方程计算目标时刻的系统状态量，基于目标时刻的系统状态量计算目标时刻的系统状态量均值和目标时刻的系统状态量方差；通过所述大气数据同化系统的观测子系统对所述大气数据同化系统进行一次观测，以获取目标时刻的观测状态量，并基于目标时刻的观测状态量计算目标时刻的系统状态量方差。
[0008]优选地，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合包括：将所述膨胀系数样本集合中的膨胀系数样本分别与目标时刻的系统状态量形成样本计算对，并基于每对样本计算对获取对应膨胀后的样本系统状态量，将所有膨胀后的样本系统状态量集合为膨胀后的样本系统状态量集合；将膨胀后的样本系统状态量集合中的膨胀后的样本系统状态量均与目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差分别形成优化计算对，并基于每对优化计算对获取对应优化后的样本系统状态量，将所有优化后的样本系统状态量集合为优化后的样本系统状态量集合。
[0009]优选地，基于样本计算对中的膨胀系数样本和目标时刻的系统状态量获取对应膨胀后的样本系统状态量的计算式子为：其中，表示膨胀后的样本系统状态量，表示目标时刻的系统状态量，表示阻尼系数，为膨胀系数样本。
[0010]优选地，所述损失函数表达式为：
其中，表示损失值，表示优化后的样本系统状态量集合中第i个优化后的样本系统状态量，为膨胀系数样本集合中第i个膨胀系数样本，表示目标时刻的系统状态量真值，RMSE函数表示集合样本均方根误差，Spread函数表示集合样本标准差，表示目标时刻的系统状态量真值和优化后的样本系统状态量集合中所有优化后的样本系统状态量从小到大进行排序后所处的位置。
[0011]优选地，所述样本生成策略为蒙特卡洛方法。
[0012]为了解决上述技术问题，本专利技术还提供了一种协方差膨胀系数估计方法，在大气数据同化系统中，包括：获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过所述的协方差膨胀系数估计模型训练方法生成的自适应协方差膨胀系数估计模型获取目标时刻的膨胀系数。
[0013]为了解决上述技术问题，本专利技术还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的协方差膨胀系数估计模型训练方法或所述的协方差膨胀系数估计方法。
[0014]为了解决上述技术问题，本专利技术还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如所述的协方差膨胀系数估计模型训练方法或所述的协方差膨胀系数估计方法。
[0015]与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：应用本专利技术实施例提供的协方差膨胀系数估计模型训练方法，在大气数据同化系统中，基于膨胀系数有界的特点，通过样本生成策略将膨胀系数生成膨胀系数样本集合，再基于膨胀系数样本生成对应的优化样本系统状态量，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种协方差膨胀系数估计模型训练方法，其特征在于，在大气数据同化系统中，包括：设定第t时刻为目标时刻；获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过临时神经网络获取目标时刻的膨胀系数；基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合；通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；以目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差为输入，以所述目标膨胀系数为目标，对所述临时神经网络进行反向调整，以获取调整后的预设神经网络；将t加ι，且判断t是否大于T，若是则将调整后的预设神经网络作为自适应协方差膨胀系数估计模型，否则将所述调整后的预设神经网络作为临时神经网络，并重新设定第t时刻为目标时刻；其中，t的初始值为ι，ι为单位时间长度，且T为训练轮次。2.根据权利要求1所述的模型训练方法，其特征在于，设定第t时刻为目标时刻步骤之前还包括：设置初始系统状态量，并设置所述膨胀系数样本集合的样本生成数为，样本生成方差为。3.根据权利要求1所述的模型训练方法，其特征在于，获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差步骤包括：基于第t
‑
ι时刻的系统状态量，通过所述大气数据同化系统的系统状态方程计算目标时刻的系统状态量，基于目标时刻的系统状态量计算目标时刻的系统状态量均值和目标时刻的系统状态量方差；通过所述大气数据同化系统的观测子系统对所述大气数据同化系统进行一次观测，以获取目标时刻的观测状态量，并基于目标时刻的观测状态量计算目标时刻的系统状态量方差。4.根据权利要求1所述的模型训练方法，其特征在于，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测...

【专利技术属性】
技术研发人员：王茂华，黄永健，顾倩荣，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：