欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022111889837
申请人: 河南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:依次包括以下步骤:A:获取监测区域的彩色雷达图片并转换为以像素数值代表雷达回波强度的灰度图片,然后根据得到的灰度图片建立训练数据集和测试数据集;

B:建立U-net变体神经网络模型;

C:将步骤A中获得的训练数据集,输入步骤B中建立的U-net变体神经网络模型中进行迭代训练,直至U-net变体神经网络模型收敛于设定的损失值,得到训练后的U-net变体神经网络模型;

D:将步骤A中测试数据集的数据放入步骤C中训练后的U-net变体神经网络模型进行测试,得到以测试数据集中首张图像采集时间为起点的未来90分钟内的监测区域的雷达图像;

E:对步骤D中得到的以测试数据集中首张图像采集时间为起点的未来90分钟内的雷达图像进行质量评估,得到U-net变体神经网络的性能分析结果;

F:根据步骤E中得到U-net变体神经网络的性能分析结果,调整步骤C中训练后的U-net变体神经网络模型参数,对训练后的U-net变体神经网络模型进行优化;

G:根据优化后的U-net变体神经网络模型,利用彩色雷达图片进行洪涝预警;

所述的U-net变体神经网络模型包含小波自适应去噪层和一个U型结构;

其中,小波自适应变换层将输入数据进行二维小波多尺度分解,得到输入数据的各尺度系数,然后根据自适应的阈值将所有小于阈值的各尺度系数舍去;再将剩下的各尺度系数进行逆变换,得到去噪后的数据;最后将去噪后的数据传入U型结构中的第一循环限定步长特征提取层;

U型结构从左至右、从上到下依次是第一循环限定步长特征提取层、第一最大池化层、第二循环限定步长特征提取层、第二最大池化层、第三循环限定步长特征提取层、第三最大池化层、第四循环限定步长特征提取层、第四最大池化层、第五循环限定步长特征提取层、第一上采样限定步长丰富特征层、第一注意力层、第一上采样循环限定步长特征处理层、第二上采样限定步长特征处理层、第二注意力层、第二上采样循环限定步长特征处理层、第三上采样卷积层、第三注意力层、第三上采样循环限定步长特征处理层、第四上采样卷积层、第四注意力层、第四上采样循环限定步长特征处理层和第一限定步长特征输出层。

2.根据权利要求1所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于,所述的步骤A包括以下具体步骤:A1:获取监测区域的彩色雷达图片,并将彩色雷达图片按照序号读取到四维数组dataList0中;四维数组dataList0中包含图片数量、图片像素大小和通道数;

A2:对步骤A1中得到的四维数组dataList0进行遍历,将四维数组dataList0中的彩色数据根据比色卡转换为灰度数据,最终得到灰度时间序列图片;灰度数据的数值代表雷达回波的强度;

A3:将步骤A2中得到的灰度时间序列图片进行下采样,得到下采样后的灰度时间序列图片;

A4:将步骤A3中得到的下采样后的灰度时间序列图片,按照灰度时间序列图片序号升序排序划分为15张为一组的训练数据,最终得到多组训练数据;然后将多组训练数据划分成训练数据集和测试数据集。

3.根据权利要求1所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:所述的小波自适应变换层通过下述函数实现二维小波多尺度分解:[C,S]=wavedec2(waveletDataab,2,′coif3′);

其中,C是输入数据的各尺度系数,S是各尺度系数的大小,waveletDataab是小波自适应变换层的输入数据,′coif3′为Coiflet小波基函数中的一种形式;

小波自适应变换层通过下述函数实现选取自适应阈值去噪:

nc1=wthcoef2(′h′,C,S,P);

nc2=wthcoef2(′v′,nc1,S,P);

nc3=wthcoef2(′d′,nc2,S,P);

其中,′h′,′v′,′d′分别代表从水平、垂直和对角三个方向来对各尺度系数进行去噪,nc1,nc2,nc3依次代表从水平、垂直和对角三个方向去噪后的各尺度系数,P是自适应阈值;

小波自适应变换层通过下述函数实现二维小波多尺度逆变换:

waveletResDataab=waverec2(nc3,S,′coif3′);

其中,waveletResDataab代表小波自适应变换层的输出数据,′coif3′是Coiflet小波基函数中的一种形式。

4.根据权利要求1所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:所述的每一层的循环限定步长特征提取层首先将输入数据进行限定步长特征提取,然后将经过限定步长特征提取后的数据进行二次循环特征提取;

使用限定步长特征提取数据进行二次循环特征提取的方法为:

其中,outputDatak1表示U-net变体神经网络模型的第k层第一次循环的输出数据,inputDatak1表示U-net变体神经网络模型的第k层第一次循环的输入数据,mk1和nk1表示inputDatak1的高度和宽度,Kernelk1表示U-net变体神经网络模型的第k层第一次循环的特征提取矩阵,stridek1表示U-net变体神经网络模型第k层第一次循环的特征提取矩阵在输入数据矩阵中每次移动的步长;k1表示变体神经网络模型第k层第一次循环;i,j分别代表inputDatak1第i行第j列;

outputDatak表示U-net变体神经网络模型的第k层第二次循环的输出数据,同时也是U-net变体神经网络第k层的输出;inputDatak2表示U-net变体神经网络模型的第k层第二次循环的输入数据,mk2和nk2表示inputDatak2的高度和宽度,Kernelk2表示U-net变体神经网络模型的第k层第二次循环的特征提取矩阵,stridek2表示U-net变体神经网络模型第k层第二次循环的特征提取矩阵在输入数据矩阵中每次移动的步长;k2表示变体神经网络模型第k层第二次循环。

5.根据权利要求1所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:所述的步骤C中,首先对步骤A中获得的训练数据集进行归一化处理;将归一化后的数据,按照序号升序划分为15张为一组的训练数据;然后将划分后的多组训练数据输入到U-net变体神经网络模型中进行迭代训练,并设定训练次数、学习率、batch size和损失函数;每次训练结束后,将本次训练的模型参数保存;当损失函数的值收敛于设定的损失值时,停止训练;训练次数为3000次,学习率为0.00001,batch size为1,损失值为20%,损失函数为MSE函数;MSE函数的公式为:其中,D代表雷达图片的二维矩阵的范围,aq和bq分别指真实的雷达图片和预测出来的雷达图片的灰度值,其中q代表第q张雷达图片。

6.根据权利要求1所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于,所述的步骤D包括以下具体步骤:D1:将测试数据集中的连续的15张图像datan-datan+14,输入步骤C中得到的训练后的U-net变体神经网络模型中,得到以图像datan的采集时间为起点的未来90分钟内的连续的15张监测区域的灰度图片datan+1-datan+15;

D2:将灰度图片datan+1-datan+15进行反归一化、重新着色和上采样后得到连续的15张监测区域的彩色雷达图片。

7.根据权利要求6所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于,所述E步骤包含以下步骤:E1:将步骤D1中得到的灰度图片中的所有像素值,按照设定的洪涝灾害阈值分为预测正例和预测负例,若灰度图像某一像素值大于洪涝灾害阈值,则该像素值为预测正例;若灰度图像某一像素值小于洪涝灾害阈值,则该像素值为预测负例;

E2:对实际时刻的彩色雷达图片按照比色卡转换为代表雷达回波强度的灰度图片,并对灰度图片按照E1中的步骤进行处理,将该灰度图片的所有像素值按照设定的洪涝灾害阈值分为预测正例和预测负例;

E3:将步骤E1和步骤E2中得到的灰度图片进行评分预测,评分指标分为空报率、漏报率和命中率;空报率是指在预报洪涝在灾害区域中实际没有洪涝的区域占总预报洪涝区域的比重,漏报率是指实际发生洪涝区域漏报的区域占全部实际洪涝区域的比重,命中率是指预测出的实际的洪涝区域占据全部实际洪涝区域的比重;

空报率的计算公式为FAR=(ypre-his)/ypre,漏报率的计算公式为MAR=(yobs-his)/yobs,命中率的计算公式为POD=his/yobs;

其中,ypre代表预测为正例的区域的像素值,yobs代表实际为正例的区域的像素值,his代表预测为正例的区域和实际为正例的区域的交界区域的像素值。

8.根据权利要求7所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:所述的步骤F中,在调整训练后的U-net变体神经网络模型的参数时,若步骤E中的命中率低于设定的命中率阈值,则降低模型参数中的学习率重新训练;若步骤E中的漏报率高于设定的漏报率阈值,则通过增大模型参数中的batch size的值来重新训练。

9.根据权利要求2所述的基于雷达图像的U-net变体神经网络的洪涝预警方法,其特征在于:

所述的步骤A1中,将生成时间作为彩色雷达图片的序号,并将15张按照序号升序排序的彩色雷达图片封装为一组彩色时间序列图片,每组彩色时间序列图片中所有的彩色雷达图片的检测区域均相同,每个彩色雷达图片均代表形状为[1024,1012,3]的三维数组;每组彩色时间序列图片均代表形状为[15,1024,1012,3]的四维数组dataList0;

步骤A2中,对形状为[15,1024,1012,3]的四维数组dataList0进行遍历,将dataList0中的数据按照比色卡中的规则(r,g,b)->x进行变换,遍历之后得到的灰度时间序列图片均代表形状为[15,1024,1012]的三维数组dataList1;

步骤A3中,在进行下采样时,对三维数组dataList1进行遍历,对三维数组dataList1中的数据,使用一个3像素*3像素大小的滑动窗口进行遍历,在遍历时取滑动窗口中的像素值的算数平均值作为融合后的像素值;经过处理之后的三维数组dataList1形状变为[15,256,256],其中,256,256代表经过下采样后灰度时间序列图片的尺寸为256像素*256像素;

步骤A4中,训练数据集划分时,将第1张至第15张灰度时间序列照片作为一组数据,将2张至第16张作为一组数据,以此类推。