[发明专利]雷电地闪回击波形的自动识别方法、系统及电子设备

权利要求书

1.一种雷电地闪回击波形的自动识别方法，其特征在于：

采集真实雷电信号；

利用预先训练得到的识别模型对所述真实雷电信号的波形进行识别；

得到识别结果输出；

其中，所述预先训练得到的识别模型为通过对采集到的雷电原始波形数据，进行雷电信号类别标注以及特征提取，根据各个特征的重要程度进行特征筛选，并基于机器学习算法对筛选出的特征进行训练得到；

所述雷电原始波形数据的采集包括：

利用雷电电场变化测量仪采集雷电地闪回击的原始波形数据；

根据需要判别的雷电地闪回击形成所需的最大时间，采用滑动窗口将雷电地闪回击信号切片，并将雷电地闪回击信号转化为可供人工识别的波形图像；

其中，所述雷电电场变化测量仪采集的雷电地闪回击信号应均匀分布在探测站周围10～200km范围内。

2.根据权利要求1所述的雷电地闪回击波形的自动识别方法，其特征在于：在利用机器学习算法对筛选出的特征进行训练前，进一步包括：对样本均衡性进行判断，若样本中存在某类数据明显少于其它类数据，则判断为该样本存在不均衡现象；

对于所述不均衡现象中的正负样本不平衡现象，采用负样本抽样法进行正负样本平衡；

对于所述不均衡现象中的正样本类别不平衡现象，采用上采样法对正样本进行扩充，实现正样本之间的类别均衡。

3.根据权利要求1所述的雷电地闪回击波形的自动识别方法，其特征在于：所述特征提取包括：

采用计算局部范围内迭代差值来代替原始波形数值的方式进行波形转换；

采用滑动窗对每个窗内的波形进行降采样；

利用特征提取法进行特征提取。

4.根据权利要求3所述的雷电地闪回击波形的自动识别方法，其特征在于：所述特征提取法包括基于滑动窗口的统计特征法、小波包特征法、梅尔倒谱系数法、线性预测系数法、线性预测倒谱系数法中的任意一种或多种。

5.根据权利要求1所述的雷电地闪回击波形的自动识别方法，其特征在于：所述各个特征的重要程度采用随机森林法进行计算。

6.根据权利要求1所述的雷电地闪回击波形的自动识别方法，其特征在于：所述基于机器学习算法对筛选出的所述特征进行训练包括：

对数据集进行划分，使所述数据集中70％用于训练，20％用于验证，10％用于测试；

将准确率、召回率和速度作为评价指标，选取综合得分最高的机器学习算法对筛选出的特征进行训练；

所述综合得分为对准确率评价得分、召回率评价得分和速度评价得分加权处理后的评分。

7.根据权利要求1所述的雷电地闪回击波形的自动识别方法，其特征在于：还包括对识别模型进行优化，所述优化过程为：

利用识别模型对真实雷电信号进行预测，然后将模型的预测结果和实际波形的类别进行比对，得到模型的精度，若所述模型的精度低于设定精度阈值，则将实际检测中存在的错误数据加入输入数据中进行迭代处理，直至模型的精度达到设定的精度阈值。

8.根据权利要求6所述的雷电地闪回击波形的自动识别方法，其特征在于：所述训练过程中的超参数调优采用先随机搜索，再网格搜索的方式进行调优。