CN119415897A 一种基于权重集成神经网络的闪电预警方法、装置及设备 （中国科学院大气物理研究所）

院一种基于权重集成神经网络的闪电预警方本申请公开了一种基于权重集成神经网络象参数组合中各个不同的气象参数分别建立各通过遗传算法自动学习不同子气象参数组合对克服现有的神经网络预测方法存在的模型的稳2获取气象参数组合内每种气象参数的历史观测数据序列；所述使用滑窗方法，基于每种气象参数的历史观测数据序列分别建采用遗传算法确定各个子气象参数组合中每种气象参数对应的闪电预警神经网络模子气象参数组合通过对气象参数组合中的各气象参数进行排获取当前气象参数组合中每种气象参数的当前观测数据序列；分别将当前气象参数组合中每种气象参数的当前观测数据序列输入至当前气象参数确定与当前气象参数组合包含的气象参数种类一致的子气象参数组合中每种气象参根据当前气象参数组合中每种气象参数对应的闪电预报结果和当前气象参数组合中根据第k种气象参数的滑动窗口的长度对第k种气象参数的历史观测数据序列进行滑改进方式为在ConvLSTM模型的输入端加入全连接缩小层和两个多尺度卷积层，在ConvLSTM模型的输出端加入两个多尺度卷积连接缩小层用于采用如下公式对输入特征的尺;i列的特征点的气象参数的观测值，cij为全连接缩小层输入的特征图中的第i行第i列的特35.根据权利要求3所述的基于权重集成神经网络的闪电预警方法，其特征在于，所述ConvLSTM模型包括编码模块和解码模块；所述编码模块和所述解码模块均包括两个6.根据权利要求5所述的基于权重集成神经网络的闪电预警方法，其特征在于，所述;;;;;;;4系数，所述目标特征图为标注的时间步t的特征图或神经网络模型输出的时间步t的特征图，为标注的时间步t的特征图中的总闪电数，yrij为标注的时间步t的特征图的第i行第r列的特征点的闪电概率，为神经网络模型输出的时间步t的特征图的第i行第i传算法确定各个子气象参数组合中每种气象参数对应的闪电预警神经网络模型输出的闪;数集，Lossnx,为第s个子气象参数组9.一种基于权重集成神经网络的闪电预警网络的闪电预警装置应用权利要求1_8任一项所述的基于权重集成神经网络的闪电预警方历史观测数据获取模块，用于获取气象参数组合内每种气象参数的历史观测数据序样本集构建模块，用于使用滑窗方法，基于每种气象参数的历史观测数模型训练模块，用于利用每种气象参数对应的样本集分别训练神经网权重确定模块，用于采用遗传算法确定各个子气象参数组合中每种气数对应的权重；各子气象参数组合通过对气象参数组合中的各气象参数进行排列组合获预测模块，用于分别将当前气象参数组合中每种气象参数的当前观权重选取模块，用于确定与当前气象参数组合包含的气象参数种类一致综合计算模块，用于根据当前气象参数组合中每种气象参数对应56重要方法之一。然而目前用于闪电预警的神经网络模型只能接受固定形式的数据作为输能会出现观测短时间缺失或者某几次观测数据质检不过关的情况，导致部分参数不可用，建立的闪电预警神经网络模型无法推广至其他可用气象参数不[0007]本申请的目的是提供一种基于权重集成神经网络的闪电7[0013]采用遗传算法确定各个子气象参数组合中每种气象参数对应的闪电预警神经网络模型输出的闪电预报结果的权重，作为各个子气象参数组合中每种气象参数对应的权[0015]分别将当前气象参数组合中每种气象参数的当前观测数据序列输入至当前气象[0016]确定与当前气象参数组合包含的气象参数种类一致的子气象参数组合中每种气[0017]根据当前气象参数组合中每种气象参数对应的闪电预报结果和当前气象参数组8[0031]图1为本申请一实施例提供的一种基于权重集成神经网络的闪电预警方法的流程[0032]图2为本申请一实施例提供的一种基于权重集成神经网络的闪电预警方法的原理9[0041]步骤102，使用滑窗方法，基于每种气象参数的历史观测数据序列分别建立样本[0043]步骤104，采用遗传算法确定各个子气象参数组合中每种气象参数对应的闪电预[0045]步骤106，分别将当前气象参数组合中每种气象参数的当前观测数据序列输入至[0046]步骤107，确定与当前气象参数组合包含的气象参数种类一致的子气象参数组合[0047]步骤108，根据当前气象参数组合中每种气象参数对应的闪电预报结果和当前气[0051]本申请另一个示例性的实施例中，执行步骤102为观测数据质量检测与预处理的[0054]步骤202，根据第k种气象参数的滑动窗口的长度对第k种气象参数的历史观测数[0056]本申请另一个示例性的实施例中，上述步骤103中的神经网络模型为AutoFitNet方式为在ConvLSTM模型的输入端加入全连接缩小层和两个多尺度卷积层，在ConvLSTM模型的输出端加入两个多尺度卷积层和全连接放大层。[0057]如图3所示，本申请的AutoFitNet神经网络模型是在ConvLSTM模型基础上加入了Tn值不一致；记输出为[Y1,Y2,...YTm]，其1小时内的帧数为Tm，Tm可根据需求调节。AutoFitNet神经网络模型具体工作过行第i列的特征点的气象参数的观测值，即为xn(tn=1,2,3,…[0063]Step3：使用ConvLSTM模型中的ConvLSTM层学习输入输出之间的时间关系特征。bf为遗忘门的偏置。oc为时间步t的输出门的输出状态，Wxo为输出门的输入状态的卷积[0065]将解码模块输出的隐藏状态[H1,H2,...,Hm]经过个多尺度卷积层和全连接放大间步t的特征图，为标注的时间步t的特征图中的总闪电数，rrj为标注的时间步t的特征图的第i行第i列的特征点的闪电概率，Jj为神经网络模型输出的时间步t的特征图的第i行第i列的特征点的闪电概率。维的实数集，Lossnx,为第s个子气象参数组合中第ks种气象参数的第n个样本的损失函数数组合中每种气象参数的当前观测数据序列经过自动化的数据质检和预处理并筛选出存在观测且符合标准的参数，调用参数对应的模型以及该当前气象参数组合对应的权重基于权重集成神经网络的闪电预警装置实施例中的具体限定可以参见上文中对于基于权[0074]在一个示例性的实施例中，提供了一种基于权重集成神所述当前观测数据序列为包含当前观测数据的滑窗内的观测数据按时间顺序排列成的序的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于权重集成神经网络的闪电通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read_取存储器（StaticRandomAccessMemory，SRAM）或动态随机存取存储