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！

摘要：本发明公开了一种基于Transform‑Flownet和R‑FPN的降水预测方法，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；利用目标降水预测模型预测下一个小时的降雨量。本发明将降水的局部信息和全局信息进行结合，将降水图像的时间信息和空间信息进行有效融合，对降水进行更加全方位的特征提取，提高了对于降水预测的准确性和提高了对于复杂天气图像进行降水预测的精准度和有效性。

主权项：1.一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，包括如下步骤：步骤1，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；步骤2，构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；其中初始降水预测模型包括R-FPN网络、Trasnform网络和Flownet网络，利用R-FPN网络获取气象雷达图像数据的具有时间信息的局部信息，利用Trasnform网络获取气象雷达图像数据的具有时间信息的全局信息，利用Flownet网络获取气象雷达图像数据的空间信息；步骤3，利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；步骤4，将前一个小时的气象雷达图像数据输入至目标降水预测模型，利用目标降水预测模型预测下一个小时的降雨量；步骤2中构建初始降水预测模型包括：构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块，然后将n个图像块并行输入至n个R-FPN网络，且将第n-1个R-FPN网络的输出结果记作隐藏状态保存下来，作为第n个R-FPN网络的隐藏数据输入至第n个R-FPN网络；将得到的n个R-FPN网络的输出结果相结合，得到雷达图像的局部特征图；将预处理之后的气象雷达图像进行分割拼接，然后将图像编码成序列输入至Transform网络，得到雷达图像的全局特征图；将雷达图像的全局特征图与局部特征图一同输入至FAM模块，结合生成带有全局特征和局部特征的时间特征图；将每一个图像块输入到R-FPN网络当中，在R-FPN模型当中，首先将输入数据记作m5，然后m5经过一个3×3卷积得到p5，随后m5向下进行2倍采样得到m4；同时m5经过1×1卷积再向下2倍采样，与m4的特征图相结合进行3×3卷积，再与p5进行向下2倍采样的特征图结合得到p4；同时m4向下2倍采样得到m3，然后m5经过1×1卷积再向下4倍采样，再与m4经过1×1卷积再向下2倍卷积的特征图与m3一起进行3×3卷积，将其结合的特征图与p4向下2倍采样的特征图相结合得到p3；m3向下2倍采样得到m2；m5经过1×1卷积进行向下8倍采样的特征图，同时m4经过1×1卷积进行向下4倍采样，与m3经过1×1卷积进行向下2倍采样的特征图相结合，再与m2一起经过3×3卷积得到的卷积图与p3向下2倍卷积的特征图相结合得到p2，将p2作为输出；同时将p2的输出结果记作隐藏状态H保存下来，作为下一层R-FPN的隐藏数据输入进去，即对于第n层的R-FPN来说，Hn-1进行向上2倍采样再与第n层的经过采样和卷积的m2、m3、m4、m5一起作为输入数据进行3×3卷积得到特征图与第n层的经过采样的p3结合，得到p2即输出，也是隐藏状态Hn；在FAM模块中，将全局特征的输出特征图通过2个1×1卷积层后，使得全局信息的特征图维数和通道数与局部信息经过1个1×1卷积层和上采样的特征图保持一致；将全局信息和局部信息的特征图进行拼接后再经过3×3卷积层，使得局部信息的低分辨率特征图和全局信息的高分辨率特征图进行结合生成语义流场；将低分辨率图通过语义流场变形为高分辨率图像，再将其与之前的高分辨率图像结合得到最后的特征图。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于Transform-Flownet和R-FPN的降水预测方法