基于卷积神经网络的双极化气象雷达冰雹检测方法

针对现有冰雹检测算法过分依赖专家经验的问题。本文提出一种基于卷积神经网络的双极化气象雷达冰雹检测方法。首先对单个雷达分辨单元分割并利用相邻分辨单元的极化信息进行填充,将极化信息转化为数据矩阵。接着搭建卷积神经网络模型进行特征提取和分类,然后用样本数据对网络进行训练调整模型参数。最后使用训练好的模型进行冰雹检测。通过仿真数据和实测数据的实验结果表明,该方法能够在提取数据特征和自适应调节网络参数基础上有效进行冰雹检测。

基于核密度估计的贝叶斯模型冰雹检测方法

针对冰雹检测方法中大量带标签数据不易获取的问题,本文提出一种基于核密度估计(Kernel Density Estimation,KDE)的贝叶斯模型冰雹检测方法,利用大量无标签数据和少量带标签数据,根据概率对冰雹进行检测。该方法首先根据大量无标签数据的密集程度将其初步分成若干集合,然后每个集合采用高斯核密度函数以及最佳固定带宽值,计算得到每个集合的类条件概率,其次利用少量带标签数据以及降水粒子的融化层信息建立类先验概率,最后根据每个集合的最大后验概率匹配降水粒子类型,实现冰雹与其他降水粒子类型的检测结果。通过实测数据对模型的验证结果表明,该方法能够较好的实现冰雹检测。

一种机器视觉的冰雹检测方法

针对气象部门人工检测冰雹费时费力的问题,文中提出一种基于机器视觉的冰雹检测方法。首先通过Relief⁃F算法提取有效特征;再基于支持向量机的粒子群优化算法对冰雹进行识别和分类,该方法能够提取冰雹的几何特征、颜色特征参数,可进一步优化机器视觉的冰雹图像处理策略和识别算法。文中采集模拟降雹下的图像160幅,真实场景下的冰雹图像40幅,非冰雹图像200幅,选择实验室模拟的图像作为训练集,其余作为测试集进行图像识别和分类处理。结果表明:所提系统对冰雹识别的准确率最高达97.50%,对冰雹分类的准确率最高为93.50%,能够实现利用机器视觉代替人工视觉对冰雹进行检测的目的。