申请/专利权人：中国电子科技集团公司第十四研究所

申请日：2020-03-17

公开（公告）日：2024-03-22

公开（公告）号：CN111428862B

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/047;G06N3/08;G01W1/10

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.08.11#实质审查的生效;2020.07.17#公开

摘要：本发明公开了一种极类不平衡时空联合对流初生短临预报方法，包括以下步骤：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；对训练数据进行重采样提高包含对流云比例；对进行重采样的训练数据进行预处理；构建用于进行多通道卫星数据识别的神经网络；对总损失函数针对类不平衡进行优化；将预处理的训练数据输入神经网络进行训练，直至训练损失降低到阈值以下；对对流初生进行预测。本发明实现了对流初生短临预报，应用卷积神经网络实现卫星遥感范围内所有云目标的形态、运动的特征提取，配合神经网络可大幅降低对流初生短临预报问题的计算量，提高了对流初生短临预报方法的实时性、可移植性。

主权项：1.一种极类不平衡时空联合对流初生短临预报方法，其特征在于，所述对流初生短临预报方法包括以下步骤：步骤S1：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；步骤S2：对所述训练数据进行重采样提高包含对流云比例；步骤S3：对所述进行重采样的训练数据进行预处理；步骤S4：构建用于进行多通道卫星数据识别的神经网络；步骤S5：对所述神经网络总损失函数针对类不平衡进行优化；步骤S6：将所述预处理的训练数据输入所述神经网络进行训练，直至训练损失降低到阈值以下；步骤S7：封装训练好的神经网络模型，输入卫星观测数据对未来某一时刻对流初生进行预测；在步骤S2中，所述训练数据中包含对流云的样本记为正样本，将没有对流云的样本记为负样本；随机抽取M＝[m×dr]个样本，若M个样本中包含正样本个数少于md个，则再抽取M个样本，将其中的正样本与之前的正样本合并，重复直至正样本个数超过md个；其中，r是正样本真实占比，d是设定训练神经网络中输入的正样本比例最小值，m是单次训练的输入样本个数；在步骤S3中，还包括以下步骤；步骤S31：输入多通道卫星数据与标签进行值归一化与尺寸归一化；步骤S32：对输入的训练数据与标签同时进行数据增强，通过数据增强增加现有数据量；所述数据增强的方法包括将所述训练数据和标签进行平移、缩放和上下翻转；在步骤S4中，所述神经网络包括主干网络和第一至第四上采样卷积层；所述主干网络包括依次连接的第一至第五卷积组；在数据输入所述第一卷积组前还设有降维卷积层，所述降维卷积层包括尺寸为1×1×1的卷积核，用于调整所述神经网络输入通道数，将输入数据样本的通道压缩到3；所述第五卷积组的输出与所述第一上采样卷积层的输入连接；所述第一上采样卷积层的输出与所述第四卷积组的输出拼接，并与第二上采样卷积层的输入连接；第二上采样卷积层的输出与所述第三卷积组的输出拼接，并与第三上采样卷积层的输入连接；第三上采样卷积层的输出与所述第二卷积组的输出拼接，并与第四上采样卷积层的输入连接；第四上采样卷积层的输出与所述第一卷积组的输出拼接作为神经网络的最终结果输出；在步骤S5中，所述总损失函数采用Focalloss进行极类不平衡补偿约束，对流初生预测网络输出的损失函数用于表征网络预测结果与真实对流事件在空间上的分布差异，所述对流初生预测网络输出的损失函数模型是： 其中，Lfocal是对流初生预测网络输出的损失函数，I是对流初生标签，是输出的对流初生预报结果，i、j是横纵坐标索引，N是标签包含像素个数，α和γ是补偿系数；则总损失函数为：L＝λ1Lfocal+λ2∑‖ω‖2其中，L是总损失函数，ω是网络权重，λ1表示总损失函数中Focalloss的系数，λ2表示总损失函数中权重约束的系数。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD