[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

说明书

本发明提供了一种基于对抗外推神经网络(Adversarial Extrapolation Neural Network，AENN)的雷达回波外推方法，包括：AENN离线训练：对给定的雷达数据集，通过数据预处理得到训练和测试样本集，初始化AENN网络和训练参数，利用训练样本集进行前向传播，并采用对抗性策略训练AENN；AENN在线预测：利用测试样本集对经过训练的条件生成器进行测试，得到预测的雷达回波图像。

技术领域

本发明属于大气探测中地面气象观测技术领域，涉及一种基于对抗外推神经网络的雷达回波外推方法。

背景技术

对流天气临近预报是指短时内高时空分辨率的对流天气系统发生与演变过程的预报，准确、可靠且及时的预报对于防灾减灾、危险天气预警和保障国民生命财产安全等都具有重要意义。现有对流天气临近预报技术主要包括雷达回波外推预报技术、数值预报技术和概念模型预报技术等，其中雷达回波外推预报技术是对流天气临近预报的最基础手段和最有效途径。

雷达回波外推是根据已有历史雷达回波，预测未来回波的形状、位置、强度和运动信息等，以实现对对流天气系统的跟踪预报。传统的雷达回波外推方法主要包括质心追踪法、交叉相关法和光流法。质心追踪法通过计算连续的回波单体质心来确定移动矢量，进而预测未来回波位置。但质心追踪法使用范围局限于回波较强、范围较小的对流天气系统。交叉相关法将回波划分不同的追踪区域，计算相邻时刻区域之间的最优相关系数，进而确定区域间拟合关系以及实现预测。光流法通过计算连续回波的光流场得到运动矢量场，再基于运动矢量实现外推。然而，对流天气系统是动态复杂的系统，它具有作非线性运动(如旋转)、运动中有形变(如扩张和缩小)以及生消发展变化快等特征。传统雷达回波外推方法只假设回波简单线性演变，且对历史雷达回波资料利用率不足，无法有效预测回波的旋转变化和生消发展，具有精确度低、预报时效短等缺陷。

近期，深度学习技术在计算机视觉、语音识别和自然语言处理等领域得到广泛应用。深度学习本质就是通过构建合理的神经网络结构，使用一定的训练方法从大量数据中提取所需要的模型。在雷达回波外推问题中，具有大量的观测数据用以训练，长期积累的历史雷达回波数据也隐含了雷达回波变化规律，因此从深度学习的观点出发，可以通过训练合理的神经网络模型来解决这一难题。在众多神经网络模型中，生成对抗网络(GenerativeAdversarial Networks，GAN)通过生成器G(Generator)和判别器D(Discriminator)不断博弈，进而使G学习到数据的分布，是近年来复杂分布上无监督学习最具前景的方法之一。

基于GAN网络结构，为提高雷达回波外推的准确度和预报时效，针对雷达回波的运动变化特点，设计对抗外推神经网络(Adversarial Extrapolation Neural Network，AENN)，该网络由条件生成器、回波帧判别器和回波序列判别器组成，条件生成器中间一层是卷积长短时记忆模型(Long-Short Term Memory，LSTM)，它通过引入门结构和记忆单元来解决长期依赖问题，是目前被广泛用于解决序列学习问题的热门网络模型之一。

经过训练之后的条件生成器能够有效记忆回波非线性运动、生消变化等特征。训练网络使其从历史回波数据中充分学习雷达回波运动变化规律，对于提高雷达回波外推精确度和预报时效具有重要意义。

发明内容

发明目的：本发明所要解决的技术问题是针对现有的雷达回波外推方法的准确度低、预报时效短，提出了一种基于对抗外推神经网络的雷达回波外推方法，实现对雷达回波的外推预测，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：