基于序回归学习的数值模式订正的方法
专利汇可以提供基于序回归学习的数值模式订正的方法专利检索，专利查询，专利分析的服务。并且本 发明 属于 机器学习 与气象预测技术领域，具体为一种基于序回归学习的数值模式降 水 订正方法。本发明包括：针对数值模式的气象特征进行特征选择，利用气象特征和地面观测降水值之间的相关性选取有效特征；根据地面观测站的经纬度将全球数据进行区域切分，产生多个更小的空间范围，然后将该空间范围内的特征进行正则化处理；将正则化后的特征放入自 编码器 中训练，得到去除噪声的混合特征；最后，通过降水概率预测网络和序回归分布预测网络得到降水 置信度 和序回归分布，将两者融合生成最后订正后的降水值。本发明可以很好地提取降水值这种有序的离散连续值的特征，使得模型能好的学习到数值模式中降水预测的误差，从而达到更好的订正效果。，下面是基于序回归学习的数值模式订正的方法专利的具体信息内容。
1.一种基于序回归学习的数值模式订正方法，其特征在于，具体步骤为：
(1)首先，针对数值模式的气象特征进行特征选择，即利用气象特征和地面观测降水值之间的相关性，选取相关性系数高于阈值的特征，作为有效特征；
(2)其次，根据地面观测站的经纬度将全球数据进行区域切分，产生多个更小的空间范围即特征区域；将该空间范围内的特征进行正则化处理；
(3)然后,针对数据特点，去除噪声：将正则化后的特征放入一个有随机噪声扰动的自编码器中训练，得到去除噪声的混合特征；
(4)利用降噪特征，预测序回归分布：搭建多个子网络，每个子网络利用降噪后的特征作为输入，各个子网络是完全相同的网络结构，但是彼此之间参数不共享，每个子网络的输出为一个标量，最终组成序回归分布；
(5)预测降水概率，融合序回归分布；利用原始特征直接通过降水预测网络去预测样本的降水置信度；序回归分布以0.5为阈值进行统计，获得最终的降水估计值；最后将降水置信度和降水预测值相结合，得到最终的降水预测值。
2.根据权利要求1所述数值模式订正方法，其特征在于，步骤(1)中所述选取有效特征的流程为：步骤(1)中所述选取有效特征的流程为：将原始的数值模式数据中不同类型不同高度的气象特征，利用皮尔斯相关性系数来计算气象特征与地面观测站的降水观测值之间的相关性，然后设定阈值，将所有相关性系数大于阈值的特征手动选择出来作为原始特征，皮尔森相关性系数的计算方法为：
我们采用的数值模式数据为欧洲中心数值模式数据，欧洲中心数值模式数据是目前我国进行降水预测所用到的数值模式数据，在这种数值模式数据中，共有627种不同类型不同高度的气象特征，我们利用皮尔斯相关性系数来计算气象特征与地面观测站的降水观测值之间的相关性，然后设定相关性绝对值大于阈值的特征手动选择出来作为原始特征(例如设定绝对值阈值为0.2时，将有37个特征被选中组成最后的原始数据)，皮尔森相关性系数的计算方法为：
其中，符号cov(X,Y)表示两个特征X,Y之间的协方差，符号σX表示特征X的方差。
3.根据权利要求2所述的基于序回归学习的数值模式订正方法，其特征在于，步骤(2)中所述的特征区域划分和特征正则化的步骤为：
(a)根据每个地面观测站的经纬度坐标(lati,loni)，首先将其对齐到网格数据上，对齐方式为找到最邻近的左上网格坐标 然后对齐到的网格坐标作为特征区域的中心点，设定范围区域为中心点的±1°，将此区域作为特征区域；
(b)根据每个地面观测站坐标，获得多个特征区域作为训练样本，采用归一化方式消除特征尺度差异，让特征尺度归一，特征归一化的计算方式为：
其中， 为第j个样本第i个未归一化的原始特征，ui是第i个特征的均值，σi是第i个特征的标准差。
4.根据权利要求3所述的基于序回归学习的数值模式订正方法，其特征在于，步骤(3)中所消除述数据噪声的步骤为：
(a)利用一个降噪自编码机作为一个骨干网络来提取更加鲁棒的特征，降噪自编码器由一个编码器和一个解码器组成；在训练阶段，首先在归一化的特征输入到编码器前添加一个服从均值为0、方差为0.001的高斯噪声在特征上；此外，在特征经过编码器中间层后又添加一个均值为0、方差为0.0001的高斯噪声在提取的特征上；
(b)使用均值平方损失来训练整个增强的降噪自编码器，训练损失函数为：
其中，N表示图片数量，F(xi；θ)表示解码器的输出，xi表示第i个原始不加噪声的特征，θ表示网络模型的参数；
(c)在测试阶段，直接利用归一化特征作为输入，并且去掉输入编码器前和编码器中间层的噪声扰动，然后将编码器的输出作为降噪特征，供后续模块使用。
5.根据权利要求4所述的基于序回归学习的数值模式订正方法，其特征在于，步骤(4)中所述预测序回归分布的步骤为：
(a)序回归分布，首先将预测值域为[ymin,ymax]回归标签转化成K-1个序集合，集合表示为：
R＝{R1,R2,......,Rk-1}
其中，R表示整个序回归分布，Ri是序分布中第i个值，若Ri为1，表示该样本的标签值大于等于第i个序阈值；
(b)依靠K-1个独立的子网络分别去预测Ri的值，整个子网络是由卷积层、池化层和跳连接构成，在最后的输出后通过一个Sigmoid函数让预测值映射到[0,1]之间，表示Ri取值为1的概率；
(c)整个模型的训练依靠改进的交叉熵损失，名为FocalLoss来独立的训练各个子网络，Focal Loss的表达式为：
其中，K-1表示序分布的规模，γ用于调节不同难度的样本对整体损失函数的贡献，α用于平衡不同类别之间的不均衡问题。
6.根据权利要求5所述的基于序回归学习的数值模式订正方法，其特征在于，步骤(5)中所述降水概率预测和融合序分布的步骤为：
(a)利用归一化的特征通过一个深度网络去直接预测样本的是否降水的置信度；将序回归分布转化为降水估计值，转化的公式如下所示：
其中，η对值域分割的间隔大小；
(b)根据预测的降水置信度设定阈值，小于阈值的样本降水即为0，大于阈值的样本就认为降水估计值极为最后的降水预测值。
基于序回归学习的数值模式订正的方法
技术领域
背景技术
1295–1320(2015)
发明内容
具体实施方式
线性回归 1.60±0.05 4.43±0.21 0.32±0.02 0.35±0.04 0.20±0.02
支持向量机 1.34±0.05 4.96±0.24 0.23±0.01 0.35±0.03 0.00±0.00
多层感知机 1.25±0.04 4.25±0.15 0.40±0.03 0.45±0.02 0.29±0.02
全卷积网络 1.25±0.11 4.36±0.28 0.39±0.04 0.45±0.05 0.29±0.03
单回归自编码器 1.20±0.10 4.30±0.12 0.58±0.03 0.47±0.02 0.29±0.01序回归自编码器 1.02±0.03 4.23±0.14 0.60±0.03 0.52±0.01 0.30±0.01。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 具备气体阻隔性的墨液供给管 | 2020-05-08 | 54 |
| 基于区域摄像头的目标追踪方法、装置及系统 | 2020-05-08 | 574 |
| 一种智能路由方法 | 2020-05-08 | 932 |
| 一种酒店自助服务终端及酒店改建方法与信息管理方法 | 2020-05-08 | 640 |
| 特别是用于计轴器的应变测量设备 | 2020-05-08 | 632 |
| 一种变色防伪标签 | 2020-05-08 | 510 |
| 快速拍摄方法、设备及可读存储介质 | 2020-05-08 | 903 |
| 一种基于图像处理的建筑物表面裂缝检测方法及系统 | 2020-05-08 | 407 |
| 一种磁瓦表面缺陷检测方法 | 2020-05-08 | 447 |
| 用于检测转子转速的角动量发送器和夹紧套筒的布置组件 | 2020-05-08 | 871 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
