【技术实现步骤摘要】
本专利技术属于涉及信号处理和机器学习，更具体地说，涉及闪电双极性窄脉冲及后续反射对识别方法。
技术介绍
1、双极性窄脉冲事件(narrow bipolar events，nbe s)是云内独特的放电现象，具有较短的电荷矩(通常＜1c km)和持续时间，空间尺度在大约在300-1000m之间，远小于普通闪电的放电通道。放电过程通常伴随着强烈的hf/vhf辐射，能对空中交通产生威胁，是一种大气中高层放电现象。由于nbe与闪电起始、中高层放电及雷暴对流活动都有着密切的联系，且能够对雷暴电荷结构起到一定的标签作用，所以自1980年被探测以后，备受国内外学者的关注。
2、nbe以其电磁场呈双极性波形特征而得名，信噪比高，脉冲宽度小，且通常是孤立发生的，这些特征能让我们很好的将其识别。但是距离完全实现全自动高效率识别还有一定的距离。首先，多数nbe虽然孤立存在，但在雷暴环境中可能混杂了许多其他临近的放电事件。有些nbe可以作为闪电的始发过程出现，后面可能伴随初始脉冲簇。其次，许多大的云闪及地闪回击脉冲也具有双极性窄脉冲特征。最后，各种类型的nbe波形比如不同上升沿陡度，是否存有额外的脉冲叠加等，往往会对nbe的自动识别造成干扰各种类型的nbe波形《各种类型的nbe波形《electric field change and vhf waveforms of positive narrowbipolar events in mississippi thunderstorms》(《atmospheric research》2020)p>
3、此外，nbe之后通常会伴随电离层反射脉冲对，这一对反射脉冲分别是由nbe的低频辐射经过电离层反射以及地面-电离层反射之后再次被测站记录到而形成的。通过这对反射脉冲，可以单站定位nbe的高度，极大方便了对nbe发生比例、高度特征与雷暴强度的研究。但比起nbe，反射对脉冲的识别更加复杂。通常反射对脉冲信噪比较低，即使波形上一点点的扰动都会影响识别准确性，且经常存在多个小脉冲混入或仅仅只有1个反射脉冲的情况，增加了数据训练的复杂度。
4、上述因素可能导致信号分类和识别的准确性降低。尽管采用了先进的信号处理技术和机器学习算法，但目前的方法仍存在对复杂环境适应性不足和实时处理能力有限等缺陷，需要进一步的研究和改进以提高分类和识别的性能。
5、因此，亟需一种新的闪电双极性窄脉冲及后续反射对识别方法。
技术实现思路
1、本专利技术旨在克服现有技术的不足，本专利技术提供了一种基于改进自适应噪声完全集合经验模态分解(improved complete ensemble empirical mode decomposition withadaptive noise，iceemdan)、鲸鱼算法(whale optimization algorithm，woa)和卷积神经网络(cnn)的双极性窄脉冲(narrow bipolar event，nbe)及其后续反射脉冲对信号分类和识别方法。该方法结合iceemdan自适应能力强、woa收敛速度快和全局搜索能力强以及cnn局部特征捕捉能力强的特点，可有效消除高频噪声、白噪声、随机脉冲等干扰对脉冲信号识别的影响，进而提高在噪声环境下nbe及其后续反射对信号的识别准确性和效率，并对其进行准确分类。
2、为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种闪电双极性窄脉冲及后续反射对识别方法，包括如下步骤：
3、对输入的nbe原始电磁场信号进行预处理，以提取出主要的特征信息；
4、s2、iceemdan特征提取；
5、使用改进自适应噪声完全集合经验模态分解，即iceemdan，对s1预处理后的nbe信号进行特征提取；
6、s3、信号筛选重构；
7、采用皮尔森相关系数对步骤s2提取的imf分量进行筛选，选择具有显著分类信息的特征作为输入，减少后续处理的计算复杂度；
8、s4、woa优化cnn模型；
9、将步骤s3筛选后的特征输入到卷积神经网络中，通过鲸鱼算法对卷积神经网络的结构和参数进行优化；根据鲸鱼算法的优化结果调整卷积神经网络参数，利用选定的特征集合训练卷积神经网络模型；
10、s5、信号分类与识别；
11、利用步骤s4训练好的鲸鱼算法优化的卷积神经网络模型用于最终的nbe信号分类和识别，能够有效区分不同类型的信号，并对特定信号进行准确识别；
12、s6、模型评估；使用准确率a、精准率p、召回率r和综合评价指标f1对步骤s5的信号分类与识别结果进行评估。
13、进一步的，s2中，iceemdan能够依据频率特性将信号分解成多个不同频率成分的单分量信号，iceemdan特征提取的具体流程如下：
14、s21、在原始输入nbe信号y的基础上构建白噪声的信号：
15、y(i)＝y+η0e1[ω(i)] (1)
16、其中，y(i)是第i个构造的噪声信号；η0是分解时信号的噪声标准偏差；算子e1(·)代表信号分解时的第1个imf分量；ω(i)是添加的第i个白噪声；
17、s22、通过m(·)值，并根据平均次数l求其均值；得到第一个残差信号r1：
18、
19、其中，m(·)为局部均值函数；r1为残差信号；
20、s23、将原始nbe电磁场信号y减去残差r1得到imf1：
21、
22、之后将前一次计算所得的残差rk-1与本次计算所得rk相减，可得第k个imf分量：
23、
24、s24、重复步骤s3直至满足迭代终止条件即残差rk为单调函数，此时停止计算，所得即为原始电磁场信号分解得到的imf分量。
25、进一步的，s3中，皮尔森相关系数用来反映两个变量之间的线性相关程度，是一种线性相关系数，记为c，用来反映两个变量之间的线性相关程度，c值的取值范围为[-1，1]，c的绝对值越大代表信号之间相关性越强；
26、
27、其中，c表示各imf分量与原始电磁场信号的相关系数，e为imf分量，y是原始nbe信号，n为imf信号的个数；c的值越大，则e与y的相关性越大；若c接近于0，则表明e与y的相关性较弱；根据相关系数公式计算各imf分量与原始电磁场信号的相关系数，并根据阈值式：
28、
29、由此可得各组数据的相关系数阈值；将小于相关系数阈值的分量去除，对大于相关系数阈值的imf分量保留并进行重构。
30、进一步的，s5中，
31、锁定大脉冲：使用训练好的woa优化的cnn模型对信号进行分类，首先识别出nbe信号；
32、识别反射对：在锁定了nbe电磁场信号之后，nbe电磁场信号后面通常会跟随着脉冲反射对；可以根据nbe电磁场信号的时间位置作为参考点，搜索后续的信号变化，使用w本文档来自技高网...
【技术保护点】
1.一种闪电双极性窄脉冲及后续反射对识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，S2中，ICEEMDAN能够依据频率特性将信号分解成多个不同频率成分的单分量信号，ICEEMDAN特征提取的具体流程如下：
3.根据权利要求2所述的方法，其特征在于，S3中，皮尔森相关系数用来反映两个变量之间的线性相关程度，是一种线性相关系数，记为C，用来反映两个变量之间的线性相关程度，C值的取值范围为[-1,1]，C的绝对值越大代表信号之间相关性越强；
4.根据权利要求3所述的方法，其特征在于，S5中，
5.根据权利要求1所述的方法，其特征在于，S6中，
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～5中任一项所述的闪电双极性窄脉冲及后续反射对识别方法中的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～5中任一项所述的闪电双极性窄脉冲及后续反
...【技术特征摘要】
1.一种闪电双极性窄脉冲及后续反射对识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，s2中，iceemdan能够依据频率特性将信号分解成多个不同频率成分的单分量信号，iceemdan特征提取的具体流程如下：
3.根据权利要求2所述的方法，其特征在于，s3中，皮尔森相关系数用来反映两个变量之间的线性相关程度，是一种线性相关系数，记为c，用来反映两个变量之间的线性相关程度，c值的取值范围为[-1,1]，c的绝对值越大代表信号之间相关性越强；
【专利技术属性】
技术研发人员：马子龙，郑天雪，蒋如斌，张鸿波，马达，华亮，汪凌，蒋雨卉，
申请(专利权)人：南通大学，
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。