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: 202310714414X
申请人: 南京信息工程大学
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:

1.一种基于时序预测神经网络的天气雷达回波外推方法,其特征在于,包括以下步骤:S1,用OpenCV读取连续时间序列的天气雷达回波数据集,数据集中包含n个天气雷达回波样本;其中,n个天气雷达回波样本中包括训练集、验证集、测试集;每个天气雷达回波样本由20帧时间连续的天气雷达回波图像组成,其中,前10帧天气雷达回波图像记为x,作为模型的输入;后10帧天气雷达回波图像记为y,每帧图像以灰度图PNG格式存储;

S2,采用自适应性的归一化方法对天气雷达回波数据集进行预处理;

S3,在ST-LSTM单元中嵌入时空自注意力模块,得到基于时空自注意力和时序预测神经网络的时空序列预测模型;

构建时空序列预测模型的具体实现过程如下:

S31,通过联立两个Self-Attention基础结构,搭建时空自注意力模块,提取第l层第t时间步的时间特征信息和第l层第t时间步的空间特征信息S32,将时空自注意力模块ST-SAM嵌入时序预测神经网络单元ST-LSTM,得到ST-SARNNBlock,完成ST-SARNN Block内部计算;

S33,通过堆叠ST-SARNN Block,得到“编码-预测”型时序预测模型;

S34,利用“编码-预测”型时序预测模型中的Encoding Network对x进行多层的ST-SARNN Block计算;利用Forecasting Network对y进行逐时间步的预测;

所述步骤S31的具体实现过程如下:

S311,对时空自注意力模块ST-SAM第l隐藏层的时间步的高阶特征信息进行时间特征部分的卷积计算,分别得到三个时间维度的隐藏状态权重矩阵,具体公式如下:其中,convolution()表示卷积计算;表示时间维度的“查询”向量,表示时间维度的“被查”向量,表示时间维度的“内容”向量;

S312,计算第l层第t时间步的时间特征信息具体公式如下:

其中,softmax()表示激活函数;T表示矩阵转置;z为自变量;

S313,计算第l层第t时间步的空间特征信息具体公式如下:

其中,表示空间维度的“查询”向量,表示空间维度的“被查”向量,表示空间维度的“内容”向量;

S314,将作为第l层第t时间步的时间特征信息流输出,作为输入传递给第l层第t+1时间步;将作为第l层第t时间步的空间特征信息流输出,作为输入传递给第l+1层第t时间步;

S4,将预处理后的天气雷达回波数据集中的训练集用于训练模型;

S5,将训练好的模型对测试集进行预测,利用验证集进行验证,通过验证后,得到雷达回波外推模型。

2.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法,其特征在于,步骤S2中,对天气雷达回波数据集进行预处理的具体实现过程如下:S21,求得天气雷达回波样本X中的x的最大雷达反射率值;

S22,根据最大反射率值进行归一化处理,具体公式如下:

其中,ProNormalization(X)表示对天气雷达回波样本X进行归一化操作,max(x)表示对x取最大值,gain表示增益。

3.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法,其特征在于,所述步骤S32的ST-SARNN Block内部计算的具体过程如下:S321,初步提取时间特征信息得到第l层第t时间步的初始时间特征记忆隐藏状态矩阵具体计算公式如下:其中,表示对第l-1层第t时间步的时间特征信息进行卷积操作;σ()为sigmoid函数,与tanh()函数同均为激活函数;*表示卷积操作;Wxg、Wxf、Wxi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中针对进行卷积计算时可训练的卷积核参数;Whg、Whf、Whi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中针对进行卷积计算时可训练的卷积核参数;bg、bf、bi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中卷积运算时的偏置项;gt表示初步提取时间特征时的单元状态更新值;it表示初步提取时间特征时的输入门;ft表示初步提取时间特征时的遗忘门;是第l层第t-1时间步的时间特征信息;是第l层第t-1时间步的初始时间特征记忆隐藏状态矩阵;

S322,初步提取空间特征信息得到第l层第t时间步的初始空间特征记忆隐藏状态矩阵具体计算公式如下:其中,W′xg、W′xf、W′xi分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中针对进行卷积计算时可训练的卷积核参数;Wmg、Wmf、Wmi分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中针对进行卷积计算时可训练的卷积核参数;b′g、b′f、b′i分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中卷积运算时的偏置项;是第l-1层第t时间步的空间特征信息;g't表示初步提取空间特征时的单元状态更新值;表示初步提取空间特征时的输入门;f't表示初步提取空间特征时的遗忘门;是第l层第t时间步的初始空间特征记忆隐藏状态矩阵;

S323,进一步提取时间特征信息和空间特征信息,具体公式如下:

其中,Wxo、Who、Wco和Wmo分别表示用于对和进行卷积计算时卷积核内部可被训练的参数;bo表示在进行卷积运算求得输出门ot时的偏置项;表示将和在通道维度进行拼接,再进行一次1×1卷积,W1×1为1×1卷积核内的训练参数;表示计算得到的时空信息初步融合数据;ST-SAM()表示时空自注意力模块;表示第l层第t时间步进一步提取后的时间特征信息;表示第l层第t时间步进一步提取后的空间特征信息。

4.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法,其特征在于,所述步骤S4的具体实现过程如下:S41,将训练集中的每个样本的x输入到ST-SARNN模型中,得到预测的y的雷达回波图像y′i;

S42,计算损失函数loss,公式如下:

其中,m为同一批训练的样本数,yi为第i个雷达回波真值。