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: 2025113580427
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: 测量;测试
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:

1.一种基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,包括如下步骤:

步骤1,获取连续的气象雷达图像序列,采用滑动窗口策略,按照预设步长对所获取的连续气象雷达图像序列进行切片,窗口内部由前帧的输入图像序列和后帧的输出图像序列组成,窗口的长度为与之和,通过预设步长控制相邻窗口的滑动间隔,从连续的气象雷达图像序列中生成若干样本,所有样本共同构成气象雷达图像数据集;

步骤2,对气象雷达图像数据集进行预处理,将预处理后的气象雷达图像数据集划分为训练集、验证集和测试集;

步骤3,构建基于上下文注意力融合的轻量化短时降水预测模型,用于利用当前时刻的历史预设第一时间段的气象雷达图像序列对当前时刻的未来预设第二时间段的降水进行预测,历史预设第一时间段与未来预设第二时间段相连续,即模型以输入图像序列为输入,以生成的预测图像序列为输出;

所述基于上下文注意力融合的轻量化短时降水预测模型为四层编码器-解码器结构,通过下采样或上采样进入不同层;模型的输入经可变形卷积模块、上下文扩张感知模块、邻层特征融合模块和SMamba模块,结合深度可分离卷积与跳跃连接机制进行图像特征的提取、融合与重建,最终输出预测图像序列;其中,可变形卷积模块用于提取输入图像序列的非线性空间特征,实现空间自适应采样;

上下文扩张感知模块用于通过双分支空洞卷积结构保留不同感受野,以捕获图像特征的多尺度上下文信息,在保持空间分辨率的同时整合局部与全局特征;

邻层特征融合模块用于集成通道注意力与空间注意力机制,通过尺度对齐、特征拼接、通道注意力、空间注意力和特征压缩的逐步处理,实现编码器相邻层不同尺度图像特征的融合;

SMamba模块为连接编码器和解码器的瓶颈层,用于建模图像序列中的长程时序依赖关系,实现深层特征的全局信息交互与非线性建模;

步骤4,利用训练集和验证集对步骤3构建的基于上下文注意力融合的轻量化短时降水预测模型进行训练和验证,得到训练好的轻量化短时降水预测模型;

步骤5,将测试集中的输入图像序列输入训练好的轻量化短时降水预测模型中,得到短时降水预测结果。

2.根据权利要求1所述的基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,所述步骤2的具体过程如下:对每个样本中的每张气象雷达图像进行归一化处理,即将每张气象雷达图像的像素值缩放至区间;

将归一化后的气象雷达图像裁剪为预设大小,从而得到预处理后的气象雷达图像数据集,将预处理后的气象雷达图像数据集划分为训练集、验证集和测试集。

3.根据权利要求1所述的基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,所述步骤3中,在编码器中,模型的输入经可变形卷积模块得到可变形卷积模块的输出;可变形卷积模块的输出经2倍下采样后,再依次经第一深度可分离卷积模块和第一上下文扩张感知模块,得到第一上下文扩张感知模块的输出;第一上下文扩张感知模块的输出与可变形卷积模块的输出经第一邻层特征融合模块融合后,得到第一融合特征;第一深度可分离卷积模块的输出经2倍下采样后,再依次经第二深度可分离卷积模块和第二上下文扩张感知模块,得到第二上下文扩张感知模块的输出;第二上下文扩张感知模块的输出与第一上下文扩张感知模块的输出经第二邻层特征融合模块融合后,得到第二融合特征;第二深度可分离卷积模块的输出经2倍下采样后,再经过第三深度可分离卷积模块,得到第三深度可分离卷积模块的输出;第三深度可分离卷积模块的输出与第二上下文扩张感知模块的输出经第三邻层特征融合模块融合后,得到第三融合特征;

瓶颈层包括SMamba模块,第三深度可分离卷积模块的输出经2倍下采样后,再依次经第四深度可分离卷积模块和SMamba模块,得到SMamba模块的输出;

在解码器中,SMamba模块的输出经2倍上采样后,再与第三融合特征跳跃连接,得到第三跳跃连接结果,第三跳跃连接结果经第五深度可分离卷积模块,得到第五深度可分离卷积模块的输出;第五深度可分离卷积模块的输出经2倍上采样后,再与第二融合特征跳跃连接,得到第二跳跃连接结果,第二跳跃连接结果经第六深度可分离卷积模块,得到第六深度可分离卷积模块的输出;第六深度可分离卷积模块的输出经2倍上采样后,再与第一融合特征跳跃连接,得到第一跳跃连接结果,第一跳跃连接结果经第七深度可分离卷积模块,得到第七深度可分离卷积模块的输出;第七深度可分离卷积模块的输出经2倍上采样后,再与可变形卷积模块的输出拼接,拼接结果再依次经第八深度可分离卷积模块和卷积层,得到模型的输出。

4.根据权利要求3所述的基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,第一上下文扩张感知模块和第二上下文扩张感知模块的结构相同,均包括两个分支,第一分支包括膨胀率为4的空洞卷积、批量归一化和ReLU激活函数,第二分支包括膨胀率为6的空洞卷积、批量归一化和ReLU激活函数;各上下文扩张感知模块的表达式如下:,

其中,表示各上下文扩张感知模块的输入,和分别表示膨胀率为4和6的空洞卷积,表示批量归一化,表示ReLU激活函数,表示对第一分支特征和第二分支特征拼接,表示卷积,表示对拼接结果进行卷积、批量归一化和ReLU激活操作得到的结果,表示对进行卷积、批量归一化和ReLU激活操作得到的结果,表示对和进行残差连接得到的增强特征。

5.根据权利要求3所述的基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,第一邻层特征融合模块、第二邻层特征融合模块和第三邻层特征融合模块的结构相同,均包括通道注意力模块和空间注意力模块,融合相邻层不同尺度的图像特征,各邻层特征融合模块的具体流程如下:,

其中,表示相邻两层的下层特征,表示对相邻两层的上层特征进行子采样得到的特征,表示最大池化操作,表示卷积操作,表示批量归一化,表示ReLU激活函数,表示对进行通道维拼接得到的特征,、分别为、的通道数,表示通道维拼接;

对进行通道注意力加权融合,具体为:对分别进行自适应最大池化和自适应平均池化,利用多层感知机分别对最大池化结果和平均池化结果进行处理,对处理结果进行逐元素相加并经过sigmoid激活,得到通道权重,,利用对进行逐通道加权,得到通道注意力模块的输出结果,,其中,+表示按通道逐元素相加, 表示sigmoid激活操作,表示逐元素相乘;

对进行空间注意力加权融合,具体为:对分别进行平均池化和最大池化,得到两个空间注意力图,对两个空间注意力图进行拼接后,再经过卷积、批量归一化、sigmoid激活后得到空间权重图,,利用对进行逐元素加权得到特征,,对进行卷积、批量归一化和ReLU激活操作得到各邻层特征融合模块的输出,,其中,表示两个空间注意力图的拼接结果,表示卷积,表示卷积。

6.根据权利要求3所述的基于上下文注意力融合的轻量化短时降水预测方法,其特征在于,所述SMamba模块的表达式如下:输入批量归一化:,

将展平为序列:,

序列建模:,

恢复为2D特征图:,

生成最终输出:,

其中,表示批量大小,表示图像通道数,分别表示图像高、宽,表示对SMamba模块的输入进行批量归一化,表示形状重塑,表示维度置换,表示将输入的2D特征图按空间位置展平为长度为的序列,为实数域,表示适配2D特征图的序列建模器,表示将序列维度置换且形状重塑后得到的2D特征图,表示GELU激活操作,表示SMamba模块的输出。

7.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述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计算机程序时实现如权利要求1至6任一项所述的基于上下文注意力融合的轻量化短时降水预测方法的步骤。

8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于上下文注意力融合的轻量化短时降水预测方法的步骤。