[发明专利]基于集成经验模态分解和极端梯度提升的雷电预警方法

权利要求书

1.一种基于集成经验模态分解和极端梯度提升的雷电预警方法，其特征在于，包括以下步骤：

(1)大气电场信号数据的采集与处理；

(2)将大气电场信号分解成具有不同尺度的模态分量，包含不同的局部特征信息；

(3)计算各IMF分量的样本熵，根据熵的大小将IMF分量分为随机、细节、趋势分量，对三类信号求和得到相应的重构分量；

(4)提取重构分量的特征值；

(5)构建预警模型，将提取的特征进行归一化处理后作为输入量进行训练；训练过程中，利用网格搜索法调整模型参数；

(6)雷电预警，利用步骤(5)所得的模型对测试集进行预测，把测试集分解得到各分量的预测结果进行融合，给出预警信号。

2.根据权利要求1所述的基于集成经验模态分解和极端梯度提升的雷电预警方法，其特征在于，该方法采用EEMD算法分解大气电场仪采集数据，计算原始数据和各模态函数的样本熵，按随机分量、细节分量、趋势分量进行分类重构，分别提取重构分量的统计和自编码器特征，采用XGBoost算法建立预警模型，并对各分量的分类器进行融合，给出预警信号。

3.根据权利要求1所述的基于集成经验模态分解和极端梯度提升的雷电预警方法，其特征在于：步骤(2)进行大气电场信号的分解与重构，包括如下步骤：

(2.1)设大气电场信号为x(n)，n＝1，2，...，L；选取P个不同正态分布的高斯白噪声{ω_p(n)}，p＝1，2，...，P；n＝1，2，...，L；

将原大气电场信号与噪声进行叠加得到：x_p(n)＝x(n)+ω_p(n)，p＝1，...，P；

(2.2)将信号x_p(n)的局部极大值点用曲线连接，定义为上包络f_pmax(n)；

将所有的局部极小值点用曲线连接，定义为下包络f_pmin(n)；

并设上、下包络的平均值为m_p(n)，则：

m_p(n)＝[f_pmax(n)+f_pmin(n)]/2；

(2.3)将信号x_p(n)与包络的平均值m_p(n)作差运算：c_p1(n)＝x_p(n)-m_p(n)；

(2.4)若第一次得到的c_p1(n)不满足固有模态函数IMF的要求，则继续将其看作新的信号x_p(n)，重复步骤(2.2)、(2.3)，直到c_p1(n)为一个IMF分量；

得到第一个IMF分量c_p1(n)后，再用信号x_p(n)减去c_p1(n)，得到剩余信号x_p1(n)，继续将剩余信号看作新的信号x_p(n)，重复以上步骤，依次得到c_p2(n),c_p3(n),...,c_pK(n)；信号x_p(n)最终被分解为K个IMF分量c_pk(n)和一个剩余量r_p(n)；即：

(2.5)对叠加白噪声后的P个序列{x_p(n)}中的每个都进行分解，第p个信号分解得到的第k阶IMF分量为c_pk(n)，剩余量为r_p(n)；

对所有信号的IMF分量和余量分别进行集成平均，平均值作为原信号x(n)的第k阶IMF分量c_k(n)和余量r(n)；

则原大气电场信号x(n)表示为：