[发明专利]一种基于对抗外推神经网络的雷达回波外推方法

权利要求书

1.一种基于对抗外推神经网络的雷达回波外推方法，其特征在于，包括以下步骤：

步骤1，AENN离线训练：输入雷达数据集，对雷达数据集进行数据预处理，得到训练样本集和测试样本集，初始化AENN网络和训练参数，利用训练样本集采用对抗性策略训练AENN，得到训练过的条件生成器；

步骤2，AENN在线预测：将测试样本集输入经过步骤1获得的条件生成器中，得到预测的雷达回波外推图像；

步骤1包括以下步骤：

步骤1-1，数据预处理：对给定的多普勒天气雷达基数据，通过数据插值得到雷达回波强度等高平面显示CAPPI数据，将CAPPI数据转换为归一化灰度数据，基于归一化灰度数据集划分得到包含TrainsetSize组样本的训练样本集和一定数量的测试样本集；

步骤1-2，AENN初始化：根据AENN结构，构造条件生成器、回波帧判别器和回波序列判别器，其中条件生成器用于在输入的回波序列上产生对未来回波状况的预测，回波帧判别器用于将每个外推回波帧与对应的真实回波帧区分开来，回波序列判别器用于将整个外推回波序列与对应的真实回波序列区分开来，为离线训练阶段提供AENN的初始化模型；

步骤1-3，训练参数初始化：条件生成器、回波帧判别器和回波序列判别器均由Adam优化器训练，设置学习率λ、训练阶段每次输入的样本数量BatchSize和网络训练的最大迭代次数IterationMax；训练样本集的最大批训练次数当前批训练次数BatchNum和当前迭代次数IterationNum均为1；

步骤1-4，训练样本读取：采用批训练的方式，每次训练时从步骤1-1获得的训练样本集中读取BatchSize组训练序列样本sequence；

步骤1-5，前向传播：对步骤1-4读取的每个训练序列样本sequence，条件生成器将训练序列样本sequence中输入序列input作为输入，前向传播输出预测回波序列；回波帧判别器将训练序列样本sequence中对照序列contrast的回波帧或预测回波序列中的预测回波帧作为输入，前向传播输出一个概率标量p₁；回波序列判别器将训练序列样本sequence中输入序列input和预测回波序列作为输入，或将训练序列样本sequence作为输入，前向传播输出一个概率标量p₂；

步骤1-6，对抗性策略训练：每次训练AENN时首先训练回波帧判别器，再训练回波序列判别器，最后训练条件生成器，采用交替训练优化的方式，训练它们之中的任意一个时另外两个的参数保持不变，根据步骤1-5被训练网络前向传播得到的输出，计算相应的损失函数，根据损失函数计算被训练网络参数的梯度，利用随机梯度下降的方法更新参数，设置回波帧判别器、回波序列判别器和条件生成器的训练次数比；

步骤1-7，离线训练阶段控制：对离线神经网络训练阶段进行整体控制，分为以下三种情况：

如果训练样本集中仍存在未使用过的训练样本，即BatchNum＜BatchMax，则返回步骤1-4继续读取BatchSize组训练样本，进行网络训练；

如果训练样本集中不存在未使用过的训练样本，即BatchNum＝BatchMax，且当前网络迭代次数小于最大迭代次数，即IterationNum＜IterationMax，则令BatchNum＝1，返回步骤1-4继续读取BatchSize组训练样本，进行网络训练；

如果训练样本集中不存在未使用过的训练样本，即BatchNum＝BatchMax，且网络迭代次数达到最大迭代次数，即IterationNum＝IterationMax，则结束AENN离线训练阶段，此时条件生成器能够在输入的回波序列上产生对未来回波状况的预测。