[发明专利]基于离散属性BNT的双偏振气象雷达降水粒子分类方法

权利要求书

1.一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法，其特征在于：所述的基于离散属性BNT的双偏振气象雷达降水粒子分类方法包括按顺序进行的下列步骤：

1)获取双偏振气象雷达的实测偏振参量数据，从中随机选取部分或全部数据作为离散化数据集，同时选取部分数据作为训练数据集，采用基于粗糙集信息熵的离散化算法对离散化数据集中的离散化数据进行离散化而获得离散化标准，之后利用离散化标准对训练数据集中的训练数据进行离散化的S1阶段；

2)使用上述训练数据集中离散化后的训练数据对贝叶斯网络进行基于互信息的贝叶斯网络结构学习以及与学得结构相对应的参数学习，获得条件概率密度表，并完成贝叶斯网络分类器构建的S2阶段；

3)利用融化层信息、异常值信息以及场景影响信息计算出降水粒子的类先验概率的S3阶段；

4)将步骤2)中获得的条件概率密度表、步骤3)中获得的降水粒子的类先验概率输入到步骤3)中构建的贝叶斯网络分类器中，由此进行降水粒子分类的S4阶段。

2.根据权利要求1所述的基于离散属性BNT的双偏振气象雷达降水粒子分类方法，其特征在于：在步骤1)中，所述的获取双偏振气象雷达的实测偏振参量数据，从中随机选取部分或全部数据作为离散化数据集，同时选取部分数据作为训练数据集，采用基于粗糙集信息熵的离散化算法对离散化数据集中的离散化数据进行离散化而获得离散化标准，之后利用离散化标准对训练数据集中的训练数据进行离散化的方法是：

对离散化数据集中数据进行排序去重，取相邻两个数据的中点值作为候选断点集合，结果断点集初始化为空集；计算候选断点对论域的信息熵值，取最小者加入到结果断点集合中，之后计算离散化数据集中的样本值与结果断点集合中每一个元素的欧氏距离集合，找到与欧氏距离集合中最小元素对应的断点与样本值，令该断点代替样本值；根据这个最小欧式距离准则，更新离散化数据集中全部样本的值可得到一个新的决策表，判断新决策表的相容性，迭代直到整个决策表相容为止；最终输出的结果断点集合D称为离散化标准；得到的离散化标准用最小欧式距离准则更新训练数据集，可得到离散化的训练数据集。

3.根据权利要求1所述的基于离散属性BNT的双偏振气象雷达降水粒子分类方法，其特征在于：在步骤2)中，所述的使用上述训练数据集中离散化后的训练数据对贝叶斯网络进行基于互信息的贝叶斯网络结构学习以及与学得结构相对应的参数学习，获得条件概率密度表，并完成贝叶斯网络分类器构建的方法是：

基于互信息的贝叶斯网络结构学习是：计算两两属性节点间的互信息，并且选取大于门限值的节点对建立无向边；之后对建立的无向边定向，定向原则是与类节点互信息值大的属性节点指向与类节点互信息值小的属性节点；如果求得的贝叶斯网络中存在成环的部分，则去掉环中互信息最小的边，最终得到一个有向无环图；与学得结构相对应的参数学习的方法是：对离散化后的训练数据进行统计计数，然后根据结构学习学得的贝叶斯网络结构以及偏振参量的不同取值求出每种组合情况相应的概率，之后进行拉普拉斯平滑处理构成条件概率密度表。

4.根据权利要求1所述的基于离散属性BNT的双偏振气象雷达降水粒子分类方法，其特征在于：在步骤3)中，所述的利用融化层信息、异常值信息以及场景影响信息计算出降水粒子的类先验概率的方法是：

某雷达距离单元内不存在某种降水粒子，将该降水粒子类先验概率置为0，否则为1；属性范围内禁止存在的降水粒子先验概率置为0；针对应用场景对降水粒子分类的影响，适当提高或降低对应降水粒子的类先验概率。