[发明专利]基于混编技术的模糊逻辑法气象粒子识别方法

说明书

本发明公开一种基于混编技术的模糊逻辑法气象粒子识别方法，包括以下步骤：⑴模糊化；⑵规则推导；⑶集成；⑷退模糊。本发明的识别方法利用雷达探测到的参数矩阵以及所得到的探空数据，通过由隶属函数所描述的转换规则，最终反演得到粒子相态的矩阵。本发明的识别方法过程简洁易懂，采用Matlab和Java混编技术提高识别效率，友好的交互界面为用户提供了更好的使用体验。

技术领域：

本发明涉及气象雷达领域，尤其涉及一种基于Java与Matlab混编技术的气 象粒子识别方法。

背景技术：

云中水凝物的相态演变在人工影响天气、天气现象预报、飞机积冰航空安全 等领域都具有较大影响，但探测手段的缺乏以及数据反演精度不足是制约相关研 究的开展的主要原因。国内外对云的探测手段主要有激光雷达、微波辐射计、云 幂测量仪以及无线电探空等，通过这些方式可以有效地获得云中的宏微观物理参 数信息。天气雷达对云粒子尤其是卷云冰晶粒子的探测回波强度较弱，无法利用 天气雷达的回波信息精确地反演云粒子的宏微观物理参数，而毫米波雷达对非降 水云如浅层云、高层云、高积云、晴天下的积云以及卷云具有很好的探测能力。 这些年逐渐发展起来的毫米波雷达除了能够连续观测云水平垂直结构变化,还可 以获得云内微物理参量,如云粒子的大小、浓度、滴谱分布、冰与液态水的含量 等，这为反演云粒子的参数提供支撑，提高了气象工作者识别云中水凝物粒子的 准确度，其对于天气及气候的研究具有重要的意义。

当前，用于云中水凝物粒子类型的识别与分类的主要算法有四种。分别是： (1)神经网络算法；(2)决策树算法；(3)统计决策算法和(4)模糊逻辑算法， 这些算法均能区分水凝物的类型，其中，决策树法具有速度快、精度高、生成的 模式简单易懂以及容易转化成分类规则等优点，但由于在决策树的构造过程中采 用贪心算法，因而造成了决策树规模过大、产生的规则长度过长等缺点。统计决 策法不仅可以用图论的形式直观地揭示问题的结构,又可以按照概率论原则对问 题的结构重新整理,把复杂联合概率分布问题分解为一系列相对简单的模块,大 大降低了解决问题的难度和复杂度，但不确定性过大是其明显的缺点。神经网络 法具有一定的学习功能，当学习样本规模较大、不同模式样本的特征差异较小时， 收敛速度会较慢，局部会出现较小值的问题。而Zedah提出的用于解决模糊性问 题的模糊逻辑算法可对模糊性对象精确地描述、处理，模糊逻辑算法具有一定的 扩充性和兼容性，其算法规则相较于其他算法较为简单，适合进行云粒子识别工 作，同时，运用模糊逻辑算法可以减少粒子识别系统的重复工作，使得整个系统 简洁高效。

简单地通过比对范围、查表等方法对云中水凝物粒子进行识别是行不通的， 其原因包活：⑴雷达探测所得到的各个变量、参数数据之间存在着变量重叠的情 况。⑵在对粒子分类的过程中，不同相态的粒子的取值范围并不是唯一确定的。

发明内容：

为解决上述问题，本发明提供一种基于Java与Matlab混编技术的模糊逻辑 法气象粒子识别方法，其技术方案如下：

一种基于混编技术的模糊逻辑法气象粒子识别方法，包括以下步骤：

步骤1：模糊化，通过Matlab读取毫米波雷达数据中反射率因子、多普勒 速度、谱宽数据以及探空仪数据中温度数据，再将读取的数据作为四个输入参量， 并分别建立隶属函数，将输入参量转化为模糊基；

步骤2：规则推导，经过隶属函数的建立以及四个输入参数的模糊化，通过 Matlab对毫米波雷达数据和探空仪数据中每一个点的输入参数所对应雪、冰、 混合相态、液态水、毛毛雨、雨这6种粒子类型的相态的阀值进行规则推断；

步骤3：集成，对规则推断中得到的每个点粒子相态贡献强度S_j数据采用取 最大值的方法，进行取值；

步骤4：退模糊，最终得到各个点的粒子相态类型及相态贡献强度S_j数据的 索引值，按照索引值确定该点对应哪一种粒子相态的类型。