[发明专利]基于多源卷积神经网络的雷雨大风等级预测分类方法

摘要

本发明公开了一种基于多源卷积神经网络的雷雨大风等级预测分类方法。该方法采用多源卷积神经网络模型对多普勒气象雷获得的多种数据图像进行特征提取，能够融合更多的气象数据信息，提高了对差异性特征的提取；同时方法结合了支持向量机中的分类方法，在中小样本的气象数据训练集上获得的模型有很好的雷雨大风等级预测分类效果。

主权项

1.一种基于多源卷积神经网络的雷雨大风等级预测分类方法，其特征在于包括以下步骤：S1：基于多普勒气象雷达图像数据，按照S11～S13生成若干训练样本，形成训练数据集：S11：从历史气象数据中，初步筛选待预测的目标区域范围内发生的局部雷雨大风事件，确定每个局部雷雨大风事件的发生时间、风速大小和发生位置；S12：针对每个局部雷雨大风事件，根据该事件的发生时间，从雷达历史数据中选取N类能够用于预测局部雷雨大风事件的多普勒气象雷达数据，然后在每一类多普勒气象雷达数据上，以该事件的发生位置为中心截取一张多普勒气象雷达图像；S13：根据每个局部雷雨大风事件对应的风速大小进行雷雨大风等级划分，并赋予样本标签；然后将每个局部雷雨大风事件的N张多普勒气象雷达图像和其对应的雷雨大风等级作为一个训练样本；S2：按照S21～S23构建并训练雷雨大风等级预测分类网络模型：S21：构建多源卷积神经网络和支持向量机相结合的网络模型，所述的多源卷积神经网络包含多个卷积神经网络和2个全连接层，每个卷积神经网络接收不同的多普勒气象雷达图像作为输入，并将图像输入转为特征向量输出；所有卷积神经网络输出的特征向量拼接成一个总特征向量；支持向量机分类器以多源卷积神经网络的输出结果作为输入进行分类，输出雷雨大风等级结果；S22：利用S1中得到的训练数据集对雷雨大风等级预测分类网络模型进行训练，训练分为两个步骤进行：第一步，先训练多源卷积神经网络模型，且在训练过程中，根据不同样本与样本所属类别的样本中心的距离加入一个惩罚损失，用于缩小属于同一类的特征之间的类内距离；多源卷积神经网络的2个全连接层中，利用第一个全连接层的输出计算所述惩罚损失，利用第二个全连接层的输出计算交叉熵损失，将两个损失函数结合作为总的损失函数训练多源卷积神经网络模型；第二步，在训练好的多源卷积神经网络模型的基础上，将第一个全连接层的输出作为支持向量机的输入数据进行训练和预测分类；S3：基于S2中训练完毕的雷雨大风等级预测分类网络模型，将目标区域的实时多普勒气象雷达图像输入到多源卷积神经网络模型对应的卷积神经网络，然后将第一个全连接层的输出作为支持向量机的输入数据，得到雷雨大风等级的分类预测结果。