[发明专利]基于增量学习的厄尔尼诺极端天气预警方法及装置

权利要求书

1.一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述方法包括：

对海洋数据进行下采样，得到多尺度的海洋数据，将多尺度数据以预设年为界划分为多个任务序列；

将任务序列以数据流形式输入并行卷积神经网络，通过有监督表示学习提取多尺度特征；

基于增量训练，使用多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识；

使用多尺度特征自适应融合技术，根据输入多尺度数据不同的时间跨度，自适应学习不同的融合参数，增强对新任务的学习能力；

自适应融合后的特征通过全连接层，输出反映厄尔尼诺现象变化规律的Nino3.4指数；基于Nino3.4指数建立极端降雨概率r的映射函数，预测r值超过阈值q则进行暴雨预警并提前开展输电线路暴雨防治工作；

其中，所述使用多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识具体为：

在每次训练新任务时，利用上一个训练阶段已经训练好的旧并行网络参数初始化新并行网络Ω^t，冻结旧并行网络Ω^t-1的参数，并将训练数据同时输入新旧的并行网络中；

将新并行网络和旧并行网络输出的多尺度特征和进行离散余弦变换，拉近其多尺度特征低频分量之间的欧式距离，约束特征的演变；

将欧式距离定义为多尺度特征频域蒸馏损失函数：

其中，t代表训练阶段，代表新并行网络的输出特征的前k个低频分量，代表旧并行网络的输出特征的前k个低频分量，K为特征向量的长度。

2.根据权利要求1所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述多尺度特征频域蒸馏技术用于使新并行网络的输出特征去逼近旧并行网络的输出特征。

3.根据权利要求1所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述多尺度特征自适应融合技术包括：多尺度并行网络，两个瓶颈层，两个全连接层，以及一个自适应融合函数。

4.根据权利要求1所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，

所述旧并行网络为：第t-1个训练阶段已经训练好的网络；

所述新并行网络为：使用上一阶段训练好的网络来初始化参数的新并行网络，用于当前第t个训练阶段的训练；

在新的训练阶段，旧并行网络参数全程冻结，用于帮助训练新并行网络，新并行网络训练完成后删除旧并行网络。

5.根据权利要求3所述的一种基于增量学习的厄尔尼诺极端天气预警方法，其特征在于，所述自适应融合函数为：

a₁为大尺度特征对最终结果的重要性，a₂为小尺度特征对最终结果的重要性，abs和log函数旨在使大或小的输入值得到更显著的区分，sigmoid函数旨在将a₁和a₂的值映射到(0,1)区间，f_s为打分层，用于输出每一尺度特征的重要性；

其中，h_fusion为多尺度特征自适应融合后的最终特征，代表原大尺度特征，此特征更适合进行短期预测，代表原小尺度特征。