龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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：中国海洋大学
摘要：本发明公开一种基于多任务学习的强对流龙卷识别方法，旨在提高龙卷识别的准确率。该方法重点关注反射率因子、径向速度和谱宽等关键变量，并将数据处理到统一的空间分辨率。随后，利用多任务学习架构进行龙卷识别，包括龙卷检测任务和龙卷数量估计任务，以促进模型从输入数据中全面捕捉龙卷的空间分布信息和位置信息。在识别模块中，引入了多头卷积块结构，以捕捉不同区域和通道之间的相关性。通过引入可学习参数以确保模型在训练过程中适当地平衡检测任务和估计任务。本发明综合考虑了龙卷特征的多样性和复杂性，通过有效地处理雷达数据和采用多任务学习架构，提高了龙卷识别的准确性。
主权项：1.一种基于多任务学习的强对流龙卷识别方法，其特征在于，包括：步骤S1、雷达数据获取：获取雷达最低三个仰角的数据，并使用反射率因子、径向速度和谱宽三个关键变量作为输入数据；步骤S2、雷达数据处理：将反射率因子的0.15km分辨率、径向速度和谱宽的0.25km分辨率插值到统一的0.25km空间分辨率，对反射率因子和谱宽进行归一化为[0,1]，径向速度归一化为[-1,1]；步骤S3、龙卷识别：采用多任务学习架构，包括检测任务和估计任务；多任务识别模型遵循硬参数共享原则的多任务学习架构，多任务学习架构包括共享层和两个特定任务输出层，共享层采用了5层编解码架构，包括编码器、解码器和跳转连接，其中编码器引入了多头卷积块MHCB以增强对龙卷相关特征的辨别能力；多头卷积块MHCB由空间注意力单元和通道注意力单元组成，利用多头注意策略并行捕捉不同维度雷达数据之间的依赖关系；输出层由两个特定任务层组成，包括龙卷无龙卷检测层和估计层；步骤S4、设置损失函数：在检测任务中引入加权二值化交叉熵损失BCELoss和DiceLoss，用于解决正负样本失衡问题，估计任务采用MSELoss回归输出龙卷数量。
全文数据：
权利要求：
百度查询： 中国海洋大学 一种基于多任务学习的强对流龙卷识别方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号