[发明专利]一种基于卷积神经网络的飑线识别方法

权利要求书

1.一种基于卷积神经网络的飑线识别方法，其特征在于，该方法包括以下步骤：

S1、样本预处理步骤：

获取雷达样本数据集，对雷达样本数据为飑线回波还是非飑线回波进行人工标识；对于对雷达样本数据进行预处理，获取雷达样本数据在笛卡尔坐标下的组合反射率；

S2、建立飑线识别模型步骤：

构建视觉几何组网络VGG，整个网络包括1个输入层，8个卷积层，5个池化层、若干个全连接层和1个输出层；

将雷达样本数据在笛卡尔坐标下的组合反射率作为网络输入，该输入为360×360分辨率的雷达组合反射率矩阵，经过8次卷积和5次池化后得到5×5大小、256个通道的特征图，然后拉伸为一个长度为6400的一维向量，经过所有全连接层后映射为一个长度为2的一维向量，分别表示为输入的雷达组合反射率矩阵属于飑线回波和非飑线回波的概率，选取概率最大值作为分类结果；

将分类结果与人工标识进行比对，更新模型，迭代预设的次数，获取飑线识别模型；

S3、识别步骤：

获取待识别的雷达样本数据集，按照步骤S1的预处理步骤，获取组合反射率；输入步骤S2获取的飑线识别模型进行识别，获取表示待识别的雷达样本数据属于飑线回波和非飑线回波概率的向量，选取概率最大值作为分类结果；

步骤S1中预处理步骤具体为：

S1-1、对于对雷达样本数据，提取与仰角对应的各层数据的基本反射率因子矩阵；

S1-2、将各基本反射率因子矩阵中的因子按照方位角从-179°至179°的顺序重新排列；

S1-3、采用插值法将各基本反射率因子矩阵统一为360个方位角；

S1-4、对所有层基本反射率因子矩阵，针对每个方位角中的每个距离库选取所有仰角中的反射率因子最大值，得到组合反射率；

S1-5、采用插值法将组合反射率矩阵统一为360个距离库，得到大小为360×360的组合反射率矩阵；

S1-6、将雷达样本数据的组合反射率从极坐标系转换到笛卡尔坐标系。

2.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，步骤S1中，雷达样本数据集中，飑线回波样本数据集和非飑线回波样本数据集的比例为2:5。

3.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，步骤S2中视觉几何组网络VGG中，所有卷积层所使用的卷积核均为3×3大小，步长为1；前两层池化层窗口大小为2×2，步长为2，后三层池化层窗口大小为3×3，步长为3；池化层采用最大池化方式。

4.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，每次经过所述卷积层之后对图像边缘使用相同像素进行填充，至对应卷积层卷积前的图像尺寸。

5.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，每个卷积层和全连接层之后使用ReLU作为激活函数，对数据进行处理。

6.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，迭代训练20次。

7.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，视觉几何组网络VGG的训练过程参数设置为：学习率0.001；视觉几何组网络VGG迭代过程中的参数优化算法采用自适应矩估计Adam、损失函数为交叉熵函数。

8.根据权利要求1所述的基于卷积神经网络的飑线识别方法，其特征在于，

步骤S2中，全连接层为3层。