一种基于模糊神经网络–模糊C均值聚类的双偏振气象雷达降水粒子分类方法

对于地杂波存在情况下的降水粒子分类问题,传统方法在不同的天气及环境条件下会产生较大分类误差。该文提出一种基于模糊神经网络(FNN)-模糊C均值聚类(FCM)算法的双偏振气象雷达降水粒子分类方法。该方法首先利用双偏振气象雷达在晴空模式下接收的地杂波数据训练FNN,自适应地计算地杂波各偏振参量隶属函数的参数,然后利用训练得到的地杂波隶属函数对降水模式下的地杂波进行抑制,最后采用模糊C均值聚类算法对地杂波抑制后的回波进行降水粒子分类。对实测数据的处理结果表明,该方法能够有效地抑制地杂波并获得较为精细的降水粒子分类结果。

MC-DTSVMs的双偏振气象雷达降水粒子分类方法

为解决双偏振气象雷达偏振参量数据随机缺失情况下的降水粒子分类问题,提出一种矩阵填充-决策树支持向量机多分类器的双偏振气象雷达降水粒子联合分类方法。首先,根据矩阵填充算法对存在随机缺失的偏振参量数据进行重构;然后,利用训练数据对决策树支持向量机多分类器进行学习;最后,使用学习好的决策树支持向量机多分类器实现对重构数据的降水粒子分类。通过对实测数据的处理及结果分析,证明了该方法能够有效地解决偏振参量数据随机缺失情况下的降水粒子分类问题。

基于增量贝叶斯的双偏振气象雷达降水粒子分类方法

面对降水粒子分类过程中可能存在的样本数不足,样本质量不高的问题,提出一种基于增量贝叶斯的双偏振气象雷达降水粒子分类方法。该方法首先处理有标签的训练数据集,获取属性节点和类节点之间的条件概率表构建朴素贝叶斯分类器;接着使用朴素贝叶斯分类器分类无标签数据,判断类置信度值后将符合条件的数据追加到训练数据集中,最后修正朴素贝叶斯分类器完成增量学习,得到增量贝叶斯分类器实现降水粒子分类。增量贝叶斯分类器不仅能够增加有效的数据样本,还能够及时更新分类器从而提高其泛化性和适应性,分类结果的准确性也得到了一定的改善。

基于DTSVMs-BNT协同训练的双偏振气象雷达降水粒子分类方法

本文提出了一种基于决策树支持向量机-贝叶斯网络协同训练的双偏振气象雷达降水粒子分类方法。该方法首先使用有标签的数据初步训练得到贝叶斯网络和决策树支持向量机两种分类器。然后取出部分无标签的数据,通过两个分类器得到类别的预测结果,计算该部分预测结果的置信度,将预测结果满足阈值的无标签数据放入到有标签数据集中。使用更新后的有标签数据集重新训练两个分类器。重复该过程直到所有无标签训练数据都被放入到有标签数据集中,这时完成训练得到协同训练分类器,最后使用协同训练分类器对测试数据集进行降水粒子分类。实验表明,该方法使用一部分有标签数据结合一部分无标签数据,有效地提高了分类器性能,实现了降水粒子的准确分类。

双偏振气象雷达关键技术

偏振雷达是一种新型的天气雷达,该设备极大地促进了降水物理学科和雷达气象的发展,提升了人类应用天气灾害的能力。本文对当前偏振雷达的发展现状进行了全面的总结与分析,对相关的关键技术进行了介绍,报告如下。

基于ECOC平衡随机森林的雷达降水粒子分类

针对数据不平衡情况下的降水粒子分类问题,提出了一种基于纠错输出码(error correcting output code,ECOC)平衡随机森林的双偏振气象雷达降水粒子分类方法。首先,将多类别降水粒子数据集编码为多个二分类数据集;然后,对二分类数据集进行有放回的平衡重采样,构建多棵分类回归树;最后,利用所有的分类回归树联合进行降水粒子分类。对实测数据的处理结果表明,所提方法能够在保证总体准确率较高的情况下,大幅提高少数类的分类效果。

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题,提出一种双偏振体制天气雷达下基于修正小波变换插值树扩展朴素贝叶斯(tree augmented naive Bayesian,TAN)的降水粒子分类方法。首先,需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理,以获得较高分辨率的雷达偏振参量数据。然后,基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练,得到可用于降水粒子分类的TAN网络。最后,将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明,对于低分辨率雷达偏振参量数据,所提方法可以取得较好的降水粒子分类结果。

基于二维统计分析的降水粒子分类方法

为解决双偏振气象雷达模糊逻辑方法如何确定隶属函数参数提高准确率的问题,本文使用二维统计分析的方法确定钟型隶属函数的参数,实现基于模糊逻辑双偏振气象雷达降水粒子分类方法。首先使用二维统计得到频次图,通过对频次图分析以及对隶属函数临界值的分析确定钟型隶属函数参数,然后根据极化参数的贡献程度以及准确率确定不同降水粒子各极化参数的权重系数。最后使用调节参数后的模糊逻辑方法对一次雷达数据进行降水粒子分类。通过对实测数据的结果分析证明了该方法的有效性。

基于改进FNN的降水粒子分类方法

针对模糊神经网络(Fuzzy Neural Network,FNN)降水粒子分类方法在训练过程中隶属度函数初值不易确定的问题,本文提出了一种改进的模糊神经网络降水粒子分类方法。首先利用K-means++算法对没有标签区域里的双偏振气象雷达数据进行聚类,将聚类结果和另一区域中双偏振气象雷达获取的少量带标签数据进行相关性分析来得到带标签数据,接着对带标签数据进行统计分析来得到模糊神经网络隶属度函数参数初值,将统计好的参数代入模糊神经网络中并对网络进行离线训练,最后使用依据数据自适应调节好的模糊神经网络分类器实现降水粒子的分类。通过对实测数据实验结果表明,该方法能够得到较为合理的降水粒子分类结果。