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！

龙图腾网恭喜南京信息工程大学申请的专利一种基于体积雷达数据的3D卷积神经网络雷暴识别方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119247367B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411793516.6，技术领域涉及：G01S13/95；该发明授权一种基于体积雷达数据的3D卷积神经网络雷暴识别方法及系统是由韩进;张家珺设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种基于体积雷达数据的3D卷积神经网络雷暴识别方法及系统在说明书摘要公布了：本发明公开了一种基于体积雷达数据的3D卷积神经网络雷暴识别方法及系统，包括：获取原始雷达体扫数据，转化为雷达体积数据文件作为训练数据，构建得到体积雷达数据集；获取与原始雷达体扫数据的时间、地区均对应的地闪定位数据，根据地闪定位数据的经纬度坐标对体积雷达数据集进行标注，作为体积雷达数据集的标签；构建得到雷暴识别模型，采用体积雷达数据集及其标签训练雷暴识别模型的网络权重；将待识别的雷达体扫数据输入训练完成的雷暴识别模型，识别得到不同区域的雷暴发生概率，生成雷暴识别结果。本发明保留和利用了原始雷达数据的层间信息，提高了雷暴识别的准确性。

本发明授权一种基于体积雷达数据的3D卷积神经网络雷暴识别方法及系统在权利要求书中公布了：1.一种基于体积雷达数据的3D卷积神经网络雷暴识别方法，其特征在于，所述方法包括以下步骤：步骤A，获取原始雷达体扫数据，通过线性内插法将原始雷达体扫数据转化为对应层数的雷达反射率图像，灰度化所有层的雷达反射率图像，将灰度化后的图像按照层数顺序组合到一起并保存为雷达体积数据文件，将雷达体积数据文件作为训练数据，构建得到体积雷达数据集；步骤B，获取与原始雷达体扫数据的时间、地区均对应的地闪定位数据，根据地闪定位数据的经纬度坐标对体积雷达数据集进行标注，作为体积雷达数据集的标签；步骤C，基于3D卷积神经网络构建得到雷暴识别模型，采用体积雷达数据集及其标签训练雷暴识别模型的网络权重；步骤D，将待识别的雷达体扫数据进行与步骤A中相同的转换过程后输入训练完成的雷暴识别模型，输出雷达体扫数据覆盖范围内雷暴影响区域的位置；步骤B进一步包括：将对应地区栅格化，根据地闪定位数据中记录的经纬度坐标将地闪发生地点定位至对应的栅格，清除孤立的地闪定位；将分布密集度大于预设密集度阈值的地闪区域与其周围一定距离内的栅格标注为雷暴影响区域，结合体积雷达数据集将标注扩展到三维空间中，为雷暴影响区域中的数据设置标签，完成数据集标签的生成；步骤C中，所述雷暴识别模型包括输入模块、大内核特征提取模块、编码器模块、解码器模块和输出模块；所述输入模块对于体积雷达数据集中的第i组数据Vi，随机提取一个大小为H×W×D的子体Pi作为大内核特征提取模块的输入，子体Pi的通道数C＝1；所述大内核特征提取模块计算得到子体Pi的特征向量Z，并将其作为编码器模块的输入：Z＝GNConvPi；式中，Conv·表示一次3D卷积操作，卷积核大小为7，步长为2，填充为3；GN·表示组归一化操作，特征向量Z的大小为通道数扩展为C＝48；所述编码器模块包括依次连接的四层编码器，每层编码器均包括相互连接的卷积模块和全局特征挖掘模块；其中，第i层编码器的计算公式为：Z′i＝ConvBlockZi-1；Zi＝GFEZ′i；其中，Zi-1为上一层编码器的输出，ConvBlock·为卷积模块，Z′i是第i层编码器中卷积模块的输出结果，GFE·表示基于自注意力机制和卷积的全局特征挖掘模块的输出函数，Zi是第i层编码器的输出；所述解码器模块包括依次连接的五层解码器，每层解码器将对应层数的编码器的输出与上一层解码器的输出拼接作为输入，每层解码器中包含一个卷积模块；最后一层解码器输出的特征依次通过一个1×1×1大小的卷积层和一个softmax函数来获得雷暴识别模型最终的输出；所述卷积模块均包括依次连接的第一卷积块、第二卷积块和下采样块；所述第一卷积块和第二卷积块均包括依次连接的深度卷积单元、第一逐点卷积通道、第一组归一化单元、第一激活单元、第二卷积通道和第一融合单元；所述第一卷积块的计算公式： 所述第二卷积块的计算公式为： 其中，和分别是第一卷积块和第二卷积块的深度卷积单元的输出，和是第一卷积块和第二卷积块的第一逐点卷积通道的输出，GN·、GELU·、DWC·、DCS·分别表示组归一化函数、GELU激活函数、深度卷积函数和逐点卷积函数；所述下采样块对第二卷积块输出的特征图zl+1进行下采样，获得卷积模块的输出其中，下采样块通过一次卷积操作将特征图zl+1的长宽高缩小为原来的一半，通道数变为原来的两倍；所述全局特征挖掘模块包括第二组归一化单元、多头自注意力单元、第一卷积单元、拼接单元、第二卷积单元、第二激活单元和第二融合单元；所述第二组归一化单元对卷积模块的输出特征进行组归一化，组归一化结果分别输入至多头自注意力单元和第一卷积单元，提取得到局部特征Z1和全局特征Z2：Z1＝ConvGNZ′i；Z2＝MSAGNZii；式中MSA·表示为多头自注意力机制；所述拼接单元将局部特征Z1和全局特征Z2进行拼接后，输入至第二卷积单元进行一次卷积核大小为1的3D卷积操作，完成局部特征Z1和全局特征Z2的融合，获得融合之后的特征向量Z″i，公式为：Z″i＝ConvConcatZ1,Z2；将融合之后的特征向量Z″i输入到第二激活单元中，采用第二融合单元将第二激活单元的输出特征与全局特征挖掘模块的输入特征相融合以获得全局特征挖掘模块的输出特征向量Zi：Zi＝GELUZ″i+Z′i；式中，GELU·是激活函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。