[发明专利]基于卷积神经网络的智能闪电识别方法

权利要求书

1.一种基于卷积神经网络的智能闪电识别方法，利用基于卷积神经网络的智能闪电识别装置对闪电类型进行识别，所述智能闪电识别方法，包括：

步骤A：收集原始闪电波形数据，所述闪电波形数据为一维数组序列；

步骤B：预处理步骤A所收集的原始闪电波形数据；

步骤C：利用步骤B所预处理后的闪电波形数据对基于卷积神经网络的智能闪电识别装置进行训练学习；以及

步骤D：将待识别的闪电波形数据输入步骤C所训练学习后的闪电识别装置，得到代表闪电类型的一维特征向量，完成闪电的识别；

所述闪电波形数据包括闪电的时域信号，所述时域信号为闪电放电过程产生的低频和甚低频频段的电磁辐射信号；

所述步骤C，包括：

步骤C1：设置闪电识别装置训练的迭代次数；

步骤C2：将步骤B预处理后的闪电波形数据和闪电类型数据读入所述闪电识别装置进行训练学习；以及

步骤C3：保存训练好的闪电识别装置，完成基于卷积神经网络的智能闪电识别装置的训练学习；

所述步骤C2中，采用多层的非线性激活函数的一维卷积来直接处理闪电时域信号，具体为利用一维向量对一维数组序列x进行点积得到一个新的数组序列s，其计算如公式(2)所示：

s_j＝k^Tx_i-m+1：j (2)；

式中，T表示矩阵的转置，m表示卷积核k的长度，i，j均表示特征映射的位置序号，最终通过多个新生成的数组序列的特征来作为综合判断原始一维数组序列所代表的闪电类型的依据；

所述闪电类型依据其放电类型包括：负地闪、正地闪、NBE、初始击穿或普通云闪。

2.根据权利要求1所述的基于卷积神经网络的智能闪电识别方法，所述步骤A通过人工经验对收集的原始闪电波形数据进行分类，从而进行标签化。

3.根据权利要求1所述的基于卷积神经网络的智能闪电识别方法，步骤B所述预处理包括：数据长度归一化和/或数据幅值归一化。

4.根据权利要求3所述的基于卷积神经网络的智能闪电识别方法，所述数据长度归一化是将数据长度统一为1.6ms。

5.根据权利要求3所述的基于卷积神经网络的智能闪电识别方法，所述数据幅值归一化为对数据幅值进行均值归一化处理，计算过程如公式(3)：

其中，S_max和S_min分别表示闪电波形数据的最大值和最小值，S_mean表示闪电波形数据序列的平均值，n表示闪电波形数据序列的位置，S_n和S_r分别表示经过幅值归一化后的波形数据序列和原始闪电波形数据序列。

6.根据权利要求1所述的基于卷积神经网络的智能闪电识别方法，步骤C所述对基于卷积神经网络的智能闪电识别装置进行的训练学习均在Keras神经网络框架上实现，后端为TensorFlow。