[发明专利]针对双偏振天气雷达的水凝物粒子分类识别方法及装置

权利要求书

1.一种针对双偏振天气雷达的水凝物粒子分类识别方法，其特征在于，所述方法包括：

对双偏振观测参量数据进行预处理，所述双偏振观测参量数据至少包括反射率因子Z_H、水凝物粒子差分反射率Z_DR、差分相移率K_DP以及交叉相关系数ρ_HV中的一种；

将预处理后的双偏振观测参量数据输入分类识别模型以训练所述分类识别模型；

所述分类识别模型中的各个神经元都有对应的线性关系系数w和偏移b，单个神经元到单个神经元的线性关系为z＝∑w_ix_i+b，其中w_i表示为n*1的权重矩阵，x_i表示1*n的向量矩阵，将整个分类识别模型做一般化，假设第l-1层共有m个神经元，则对于第l层的第j个神经元的输出有如公式(1)所示的前向传播：

其中，σ()为激活函数，包括Relu激活函数和Softmax激活函数，表示第l层输出层，表示第l-1层与l层之间的权重矩阵，表示第l-1层的第k个神经元的输出，表示第l层的第j个神经元的偏移；

所述Relu激活函数如公式(2)所示：

f(x)＝max(0,x) (2)

其中，x表示输入层矩阵的横标志，max()表示最大值函数；

所述Softmax激活函数如公式(3)所示：

其中，z_i表示输出层的第i个元素，表示e的z数组的第i个元素幂次，表示e的z数组的第c个元素幂次；

确定所述分类识别模型的多类交叉熵损失函数如(4)所示：

其中，输入数据的模型预测值为Y：y¹，y²，...，y^m，输入数据的真实值为

通过如下公式(5)和公式(6)迭代求解各层神经元的w和b：

公式(5)和公式(6)中，上标L表示第L层神经元，上标L-1表示第L-1层神经元，σ′()表示选用的激活函数，a^L表示L层n*1的矩阵向量，a^L-1表示输出L-1层n*1的矩阵向量，z表示输出层，z^L表示第L层输出层，y表示输入层矩阵的竖标志，⊙标识Hadamard积，表示对应位置的对应数值相乘；

在求解出的各层神经元的w和b都小于停止迭代阈值ε时，输出线性关系系数集W和偏移集B，得到权值文件；

利用所述权值文件配置所述分类识别模型，并将新数据流输入至所述分类识别模型中依次得到识别效果；

在所述分类识别模型的训练初期，基于线性插值权重其中，Var(v∞)为无穷大时的方差，Var(v_t)为t时刻的方差，通过如下公式(9)进行线性插值：

其中，Δθ为参数更新量，η为学习率，Adam(t)为t时刻的Adam优化器，SGD_Momentum(t)为t时刻的SGD+Momentum优化器，m_t为一阶矩，ε为迭代阈值，v_t为二阶矩，均为指数滑动平均的超参。

2.根据权利要求1所述的方法，其特征在于，在对双偏振观测参量数据进行预处理之前，所述方法还包括：

将各个双偏振观测参量通过线性化的方法转换到预设的阈值范围内，实现对原始数据的等比例缩放，得到所述双偏振观测参量数据。

3.根据权利要求1所述的方法，其特征在于，所述对双偏振观测参量数据进行预处理，包括：

通过如下公式(7)和公式(8)平滑所述双偏振观测参量数据：

g(x,y)＝1/n∑_{I∈Neighbour}I(x,y) (7)

g(x,y)＝MED{I(x-k,y-l)}(k,l∈W) (8)

公式(7)和公式(8)中，Neighbour为偏振参量数据总集，n为偏振参量数据总集的总数，g(x,y)为输出数据，I(x,y)为输入数据，W为滑动窗口大小。