买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:杭州电子科技大学
摘要:本发明公开了一种基于深度学习的SuperDARN雷达对流图短期预报方法,包括以下步骤:步骤1:获取SuperDARN雷达观测数据和OMNI卫星观测数据并进行预处理;步骤2:将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集;步骤3:使用皮尔逊相关系数法进行特征选择并对其标准化;步骤4:输入到Python中Tensorflow模块搭建好的深度学习模型中进行训练,参数调试,得到预报模型;步骤5:将预报模型应用到测试数据中。本发明基于深度学习和大数据相关理论技术的发展,采用神经网络相关方法,利用SuperDARN雷达获得的海量具有丰富信息的数据,将数据之间的关系用具有强大拟合能力的神经网络表达出来,实现高纬电离层对流图像的短期预报,满足空间天气预报的需求。
主权项:1.一种基于深度学习的SuperDARN雷达对流图短期预报方法,其特征在于,包括以下步骤:步骤1:获取SuperDARN雷达观测数据和OMNI卫星观测数据并进行预处理;步骤2:将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集;步骤3:使用皮尔逊相关系数法进行特征选择并对其标准化;步骤4:输入到Python中Tensorflow模块搭建好的深度学习模型中进行训练,参数调试,得到预报模型;步骤5:将预报模型应用到测试数据中;步骤2中的匹配过程如下:步骤2.1:获取OMNI卫星所测量的行星际电场ICPEF,行星际磁场分量By和Bz,太阳风速度V,太阳风动压fp,阿尔芬马赫数Ma以及地磁指数AE;步骤2.2:根据以下公式生成时钟角theta,kan-lee重联电场Ekl,磁层顶驻留位置Rms,行星际磁场联合分量Btgm四个空间参数,公式为: 式中:Bzgm和Bygm为gsm坐标系下的行星际磁场Bz和By分量,Re为地球等效半径;步骤2.3:根据时间选择交集,并将对应的参数进行连接,同时对对流图的无效数据进行裁剪,构成包含22个参数的数据集;步骤3中特征选择过程如下:使用皮尔逊相关系数法,对多个候选变量和1个目标变量即当前经纬度网格的电势值,计算彼此间的相关性,选择相关性系数较大的N个特征作为输入特征,同时考虑历史对流图数据对当前时刻对流图数据的影响,计算其自相关系数,选择相关较强的N个历史时刻的数据作为输入;其中,皮尔逊相关系数的公式为: 式中,y代表当前时刻的电势值,即目标变量,x代表历史时刻的电势值以及近地空间参数值,即候选变量,xi为当前候选变量的第i个值,yi为目标变量的第i个值,为当前候选变量的均值,为目标变量的均值;步骤3中标准化过程如下:将数据通过z-score标准化处理使其符合标准的正态分布,其中z-score标准化的公式为: 式中,μ为均值,σ为标准差,x为标准化之前的特征向量,z为标准化后的特征向量;步骤4中搭建的神经网络结构具体为3层,一层为双向LSTM层,另外两层为全连接层;在训练过程中,采用均方误差作为损失函数,adamax作为优化算法,设置自适应学习率和批大小,直至达到预设训练迭代次数;步骤5中预报的具体过程如下:根据训练完成的所述预报模型,选择完全独立于训练数据集的测试数据集,将所述预报模型应用到该测试数据集上,然后使用三种评估指标对模型进行评估,分别为结构相似度SSIM、峰值信噪比PSNR、均方根误差RMSE,同时分析对比越极盖电势CPCP分布和越极盖电场CPEF分布与实测分布的差异性,其中,SSIM、PSNR以及RMSE的计算公式如下: 式中,X代表模型预测的对流图像,Y代表雷达实测的对流图像,μx是图像X的均值,μY是图像Y的均值,σXY是图像X和Y的协方差,是图像X的方差,是图像Y的方差,C1和C2是用来维持稳定的常数,为图片可能的最大像素值,Ii,j代表图像X在网格点i,j位置上的像素值,Ki,j代表图像Y在网格点i,j位置上的像素值。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 一种基于深度学习的SuperDARN雷达对流图短期预报方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。