[发明专利]基于卷积神经网络的智能闪电识别方法

说明书

一种基于卷积神经网络的智能闪电识别方法，所述识别装置包括：输入端，用于输入待识别闪电波形数据，所述闪电波形数据为一维数组序列；首层卷积层，与所述输入端相连，用于初步提取闪电波形数据的特征向量；中间处理层，与所述首层卷积层相连，用于进一步提取闪电波形数据的特征向量并降低特征向量的维度；全局最大池化层，与所述中间处理层相连，用于把所述中间处理层所提取的闪电波形数据的特征向量降到一维；全连接层，与所述全局最大池化层相连，用于综合所述全局最大池化层降到一维的特征向量；输出端，与所述全连接层相连，用于输出代表闪电类型的一维特征向量。

技术领域

本公开涉及气象-闪电及机器学习和模式识别领域，尤其涉及一种基于卷积神经网络的智能闪电识别方法。

背景技术

雷电是自然界中一种宏伟壮观的放电现象，具有放电强度大、范围广、时间长等特点，其放电机理十分复杂，研究难度较大。为了研究方便，学者们根据闪电发生的位置，将闪电主要分为云闪和地闪两种类型。云闪是云层内部、云与云之间的放电现象，其强电磁辐射对微电子设备等具有较强的杀伤力；地闪是发生在云层和地面之间的放电，能直接向地面输送电荷，对电力系统、建筑物、人身安全有着至关重要的影响。因此如何区分雷电的放电类型，对雷电防护和研究雷电放电物理过程有极其重要的作用。

区分闪电类型最直观的方法是光学观测，19世纪末期，光谱学和摄影技术是研究雷电的主要工具。由于光学观测不能对闪电的云内过程有较为丰富的了解，因此学者们开始尝试使用其他的手段来研究雷电。1937年Stekolnikov利用带拴绳的气球首次获得了雷电电流波形。Wilson首次从地面测量观察了雷暴云产生的稳定电场和雷电产生的瞬态电场极性的系统变化。1937年Scrase对雷暴云内电场进行了测量，并推测出云内的电荷结构。1942年Workman完成了距雷电相对较近地面的电磁场多站测量。由于雷电的瞬态电活动伴随着较宽的电磁辐射，学者们利用光学和UHF、VHF、VLF频段天线结合，得到不同放电类型的波形特征。1998年LASA利用低频电场天线，根据闪电放电的辐射波形的上升时间、下降时间等特征，结合闪电的定位位置，初步实现了对不同放电类型的分类。波形自动识别以及分类的准确率一直是限制自动分析雷暴过程的瓶颈，由于误判可能会导致最终物理结论的错误，设法提高准确率是一项重要的工作。

对于雷暴的物理过程分析，有效的波形判断是十分重要的一个步骤。目前国内外针对闪电波形识别的工作主要集中于人工经验判断、时域波形特征识别等手段。

公开内容

(一)要解决的技术问题

基于上述问题，本公开提供了一种基于卷积神经网络的智能闪电识别方法，以缓解现有技术中对闪电波形自动识别以及分类的准确率低，因而限制自动分析雷暴过程的等技术问题。

(二)技术方案

在本公开中，提供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；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。

在本公开实施例中，步骤A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。

在本公开实施例中，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。

在本公开实施例中，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。

在本公开实施例中，所述数据长度归一化是将数据长度统一为1.6ms。