[发明专利]改进深度卷积自编码嵌入聚类的终端区气象场景识别方法

权利要求书

1.一种改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，包括：

构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别；选取相应的无监督聚类效果评估指标，对气象场景识别进行评估；以及

对识别的气象场景进行验证，并确定所识别出场景的特点。

2.如权利要求1所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，

所述构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别的方法包括：

卷积自编码神经网络的学习是使其损失函数最小，对于输入对流天气图像

x＝{x₁，x₂，...，x_i}，有k个卷积核，每个卷积核参数由W^k和b^k组成，用h^k表示卷积层：

h^k＝σ(x*W^k+b^k)；

式中，σ为Relu激活函数；*为2D卷积；

每张特征图h与其对应的卷积核的转置进行卷积操作并将结果求和，然后加上偏置，得到反卷积操作：

式中，y为重构图像，y＝{y₁，y₂，...，y_i}；H为整个特征图组；为权重在两个维度上的翻转操作；

将输入的样本和最终利用特征重构得出来的结果进行欧几里得距离比较，并根据BP算法，以获取一个完整的卷积自编码器损失函数：

通过卷积运算获取梯度值：

式中，δh和δy分别为隐藏状态和重建状态的增量；

通过随机梯度来更新权重，以进行卷积自编码网络的训练，完成对图像数据降维。

3.如权利要求2所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，

所述构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别的方法还包括：

将深度自编码中的解码和编码的全连接层替换为卷积层，使用拉平操作，拉平特征向量，利用聚类损失和重构损失作为损失函数，将编码层和解码层修改为卷积层和池化层共同实现图像特征提取，然后利用聚类损失和重构损失作为损失函数，对模型进行训练。

4.如权利要求3所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，

所述选取相应的无监督聚类效果评估指标，对气象场景识别进行评估的方法包括：

根据DBI指数、平均轮廓系数、CH得分对气象场景识别进行评估；

DB指数为：

其中，avg(C_i)，avg(C_j)代表了簇C_i，C_j内样本间的平均距离；

d_cen(C_i，C_j)代表了簇C_i，C_j中心点间的距离；

平均轮廓系数为：

其中，a_i表示点i与所在簇中其他所有点距离的平均值；b_i表示点i与其他不同簇中其他所有点距离的平均值的最小值；

CH指数为：

其中k表示聚类数量；N代表样本量；SS_B为类间方差；SS_W为类内方差；

DBI指数大于等于0越接近于0评估越好；

平均轮廓系数-1～1之间，越接近于1评估越好；

CH得分大于0，得分越高评估越好。

5.如权利要求4所述的改进深度卷积自编码嵌入聚类的终端区气象场景识别方法，其特征在于，

所述对识别的气象场景进行验证，并确定所识别出场景的特点的方法包括：

通过可视化方法及实际运行数据对识别的气象场景进行验证，并确定所识别出场景的特点。