System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于多基地局部投影特征的雷暴预测方法技术_技高网
当前位置: 首页 > 专利查询>南通大学专利>正文

一种基于多基地局部投影特征的雷暴预测方法技术

技术编号:40336253 阅读:9 留言:0更新日期:2024-02-09 14:26
本发明专利技术提供了一种基于多基地局部投影特征的雷暴预测方法,该方法具体为:通过LAPS系统采集雷电数据的属性信息;提取多基地采集站获取的雷电数据属性信息,构成雷电信号高维特征集;并将特征在黎曼空间中对该高维特征进行映射,获得雷电数据高维空间中的低维流形,从而降低多基地高维特征中的冗余性;然后,引入黑猩猩优化算法对ELM的超参数进行优化,提高ELM雷暴预测模型的准确性;最后,利用ELM雷暴预测模型对雷电进行预测。本发明专利技术适用于多基地雷电观测站。

【技术实现步骤摘要】

本专利技术属于气象雷电防御领域。


技术介绍

1、雷暴气候是发生在中小尺度对流体统中的常见天气现象,雷暴天气往往伴随着闪电的活动,可引起森林和油库火灾、造成供电及通讯信息系统故障或损坏,对航天航空、矿山及一些重要而敏感的高技术装备等具有重大威胁。八十年代以后,闪电引起的危害显著增加,特别是与高新技术关系密切的领域,如航空航天、国防、通讯、电力、计算机、电子工业等由于广泛应用对闪电电磁干扰极为敏感的大规模及超大规模集成电路致使遭雷击的几率大大增加。所以对雷暴的预测预警显得尤为重要。

2、由于业务数值预报模式时空扩展性小以及水平和垂直分辨率较低,雷暴的预警预报成为天气预报中较困难的工作之一。雷暴预报所参考的气象信息数据量较大,依靠预报员主观提取特征量并设置阈值,难以完全发现数据中有价值的细节信息或者细微差别。如果预报员对于强对流发生发展规律认识不够深刻、全面,也会忽视其中的有效信息统,这种传统的方式通常会造成虚警率偏高《the defi-nition of goes infrared lightninginitiation interest fields》(《appl meteor》(2010))。

3、随着技术的发展,机器学习逐渐运用到雷暴预测中,比如文献《算法的雷电流概率预测研究》(《国外电子测量技术》(2018)),文献《基于多机器学习竞争策略的短时雷电预报》(《计算机应用》(2016)),但机器学习本质在于提取多源数据的特征量及其相互的联系,对数据质量的依赖度较高,若仅仅依靠单站观测站数据进行数据训练则可能提高不了雷暴预报的精度。此外深度训练学习涉及到大量的运算,对显卡或云计算资源的要求较为苛刻,所以需要开发一种新的雷暴预测算法。


技术实现思路

1、专利技术目的:为了解决上述现有技术存在的问题,本专利技术提供了一种基于多基地局部投影特征的雷暴预测方法

2、技术方案:本专利技术提供了一种基于多基地局部投影特征的雷暴预测方法,具体包括如下方法:

3、步骤1:采集每个采集站的每个系统垂直层的雷电数据集;

4、步骤2:每个系统垂直层的雷电数据集作为一个特征节点,该数据集中的数据值作为节点的特征值;

5、步骤3:基于k近邻算法对所有特征节点构图,将构建的图作为原始空间x,在黎曼空间中对该高维特征的原始空间进行映射,将原始空间映射到低维流形空间y中,并构建将原始空间x的数据映射到空间y中的代价函数,求解该代价函数得到多基地高维局部投影矩阵w,基于该多基地高维局部投影矩阵将原始空间x的数据投影到空间y中,将空间y中的数据作为新样本数据集;

6、步骤4:将新样本数据集作为choa-elm算法的输入,得到elm神经元数目的最优解;从而预测各个基地的雷暴。

7、进一步的,所述步骤1中将采集站垂直层分成21层,具体为:按照系统垂直层从100hpa开始,每隔50hpa划分一层。

8、进一步的,所述步骤3中采用线性化逼近的方法将原始空间x的数据投影到空间y中,则代价函数为:

9、

10、s.t.tr(wtxdxtw)=1

11、其中,t表示矩阵转置,l表示拉普拉斯映射矩阵l=d-s,d=diag{d1,d2,...di...,dn},s=[sij]n×n,n表示特征节点的总个数,sij的表达式为:

12、

13、其中,sij为原始节点xi个原始节点xj连接边的权重,nk(xj)表示属于xj的k个最近邻节点集合;nk(xi)表示属于xi的k个最近邻节点集合,t表示时间。

14、进一步的,空间y的表达式为:y=wtx,t表示矩阵转置。

15、有益效果:

16、1、相较于传统的单站雷暴预测方法,本专利技术通过分布式的信息采集可以获得更多能够表征雷电信号的有效信息。

17、2、局部保持投影能够有效的分离高维特征的有效特征空间与无效特征空间,降低雷暴预测所需的特征维度与特征冗余性,增强特征的有效性。

18、3、choa-elm雷暴预测方法通过苍鹰捕猎方式(不是黑猩猩么)优化elm神经元数目,增强了elm对雷暴预测的能力;并降低了过多神经元数目带来的巨大运算矩阵,与或少神经元数目带来的欠拟合问题,保证了多基地雷暴预测系统的预测精度。

本文档来自技高网...

【技术保护点】

1.一种基于多基地局部投影特征的雷暴预测方法,其特征在于,具体包括如下方法:

2.根据权利要求1所述的一种基于多基地局部投影特征的雷暴预测方法,其特征在于,所述步骤1中将采集站垂直层分成21层,具体为:按照系统垂直层从100hPa开始,每隔50hPa划分一层。

3.根据权利要求1所述的一种基于多基地局部投影特征的雷暴预测方法,其特征在于,所述步骤3中采用线性化逼近的方法将原始空间X的数据投影到空间Y中,则代价函数为:

4.根据权利要求1所述的一种基于多基地局部投影特征的雷暴预测方法,其特征在于,空间Y的表达式为:Y=WTX,T表示矩阵转置。

【技术特征摘要】

1.一种基于多基地局部投影特征的雷暴预测方法,其特征在于,具体包括如下方法:

2.根据权利要求1所述的一种基于多基地局部投影特征的雷暴预测方法,其特征在于,所述步骤1中将采集站垂直层分成21层,具体为:按照系统垂直层从100hpa开始,每隔50hpa划分一层。

3.根...

【专利技术属性】
技术研发人员:马子龙蒋如斌华亮马达蒋雨卉汪凌
申请(专利权)人:南通大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1