[發明專利]一種基于卷積神經網絡的颮線識別方法

有效

• 申請號: 202011554225.3
• 申請日: 2020-12-24
• 公開（公告）號: CN112686290B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 王新敏;栗晗;金子琪;張霞;鮑艷松
• 申請（專利權）人: 河南省氣象臺;南京雨點氣象科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/04
• 代理公司: 北京思創大成知識產權代理有限公司 11614
• 代理人: 高爽

1.一種基于卷積神經網絡的颮線識別方法，其特征在于，該方法包括以下步驟：

S1、樣本預處理步驟：

獲取雷達樣本數據集，對雷達樣本數據為颮線回波還是非颮線回波進行人工標識；對于對雷達樣本數據進行預處理，獲取雷達樣本數據在笛卡爾坐標下的組合反射率；

S2、建立颮線識別模型步驟：

構建視覺幾何組網絡VGG，整個網絡包括1個輸入層，8個卷積層，5個池化層、若干個全連接層和1個輸出層；

將雷達樣本數據在笛卡爾坐標下的組合反射率作為網絡輸入，該輸入為360×360分辨率的雷達組合反射率矩陣，經過8次卷積和5次池化后得到5×5大小、256個通道的特征圖，然后拉伸為一個長度為6400的一維向量，經過所有全連接層后映射為一個長度為2的一維向量，分別表示為輸入的雷達組合反射率矩陣屬于颮線回波和非颮線回波的概率，選取概率最大值作為分類結果；

將分類結果與人工標識進行比對，更新模型，迭代預設的次數，獲取颮線識別模型；

S3、識別步驟：

獲取待識別的雷達樣本數據集，按照步驟S1的預處理步驟，獲取組合反射率；輸入步驟S2獲取的颮線識別模型進行識別，獲取表示待識別的雷達樣本數據屬于颮線回波和非颮線回波概率的向量，選取概率最大值作為分類結果；

步驟S1中預處理步驟具體為：

S1-1、對于對雷達樣本數據，提取與仰角對應的各層數據的基本反射率因子矩陣；

S1-2、將各基本反射率因子矩陣中的因子按照方位角從-179°至179°的順序重新排列；

S1-3、采用插值法將各基本反射率因子矩陣統一為360個方位角；

S1-4、對所有層基本反射率因子矩陣，針對每個方位角中的每個距離庫選取所有仰角中的反射率因子最大值，得到組合反射率；

S1-5、采用插值法將組合反射率矩陣統一為360個距離庫，得到大小為360×360的組合反射率矩陣；

S1-6、將雷達樣本數據的組合反射率從極坐標系轉換到笛卡爾坐標系。

2.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，步驟S1中，雷達樣本數據集中，颮線回波樣本數據集和非颮線回波樣本數據集的比例為2:5。

3.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，步驟S2中視覺幾何組網絡VGG中，所有卷積層所使用的卷積核均為3×3大小，步長為1；前兩層池化層窗口大小為2×2，步長為2，后三層池化層窗口大小為3×3，步長為3；池化層采用最大池化方式。

4.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，每次經過所述卷積層之后對圖像邊緣使用相同像素進行填充，至對應卷積層卷積前的圖像尺寸。

5.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，每個卷積層和全連接層之后使用ReLU作為激活函數，對數據進行處理。

6.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，迭代訓練20次。

7.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，視覺幾何組網絡VGG的訓練過程參數設置為：學習率0.001；視覺幾何組網絡VGG迭代過程中的參數優化算法采用自適應矩估計Adam、損失函數為交叉熵函數。

8.根據權利要求1所述的基于卷積神經網絡的颮線識別方法，其特征在于，

步驟S2中，全連接層為3層。