一种基于深度学习的非气象目标的智能识别方法

本发明涉及毫米波云雷达非气象目标智能识别领域，特别是涉及一种基于深度学习的非气象目标的智能识别方法。

背景技术：

1、毫米波云雷达是一种采用高频电磁波对气象目标进行高精度探测的新型气象雷达，可用于降水、云、雾等气象目标的精细化探测。它利用气象粒子群对电磁波的后向散射效应，获取气象目标的回波强度、径向速度、速度谱宽以及极化信息，并进一步生成二次数据产品。气象目标具有回波信号强度弱、运动速度慢、分布式特征明显等特点，这些特点致使毫米波云雷达在探测时不可避免地会同时接收到大量非气象目标的回波信号，这些杂波源大量存在于雷达的探测范围内，所以毫米波云雷达的原始回波数据是气象目标回波与非气象目标回波的叠加，给气象研究人员在判断降水区域、降水特性、云底高度等天气变化时带来了难题。因此设计毫米波云雷达非气象目标的智能识别能有效解决非气象目标识别技术的关键问题。

2、目前已有多种非气象目标智能识别算法，如：基于模糊逻辑的非气象目标智能识别、基于神经网络的智能识别、基于机器学习的识别算法。这些方法都需要扩充更多的特征数据，计算特征的相关性，并且需要提供标注好的数据作为训练数据，使得智能程度不足、识别的准确度不高，泛化能力较差。因此本文针对以上问题，利用毫米波云雷达数据标注算法、毫米波云雷达数据的数据扩充方法、毫米波云雷达数据细节信息和全局信息提取模块、毫米波云雷达数据特征信息融合模块构建一个高效、可靠的基于深度学习的毫米波云雷达非气象目标智能模型。

3、具体来说，毫米波云雷达数据由于检测环境和检测条件的不同，获取的数据良莠不齐，如何通过现有数据中的易分类样本来对难分类样本进行标注从而提高检测数据的利用率也是本领域需要解决技术问题。

4、进一步的，u-net架构是一种经典的卷积神经网络，主要用于图像分割任务，尤其是在医学图像分割领域表现出色。但用于海量数据的处理时，处理速度较慢，且没有很好地泛化效果。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于深度学习的非气象目标的智能识别方法，所述方法包括：

2、步骤s1：对毫米波云雷达数据中的易分类样本进行标注，毫米波云雷达数据包括垂直向上扫描模式数据和平面位置扫描模式数据，从而构建垂直向上扫描模式数据中易分类样本的带标签数据集t1和平面位置扫描模式数据中易分类样本的带标签数据集p1；在标注过程中，选择若干特定标签作为增强提示；

3、步骤s2：以步骤s1中的易分类样本的数据集作为正样本进行伪标签学习，从而对毫米波云雷达数据中的难分类样本进行标注，以此构建难分类样本的数据集，将难分类样本的数据集和步骤s1中易分类样本的数据集进行合并，获取垂直向上扫描模式数据的数据集t3和平面位置扫描模式数据的数据集p3；

4、步骤s3：对步骤s2中的数据集t3和数据集p3进行数据扩充，获取垂直向上扫描模式数据总训练数据集t和平面位置扫描模式数据总训练数据集p；

5、步骤s4：构建基于u-net结构的智能识别模型，智能识别模型由编码器、提示增强模块、特征融合层、解码器和分类头组成；导入垂直向上扫描模式数据总训练数据集t或平面位置扫描模式数据总训练数据集p的毫米波云雷达数据至编码器中，获取编码特征；

6、其中，提示增强模块与编码器并行设计，将步骤s1中的增强提示输入提示增强模块获取与解码器分辨率一致的增强提示特征；

7、步骤s5：导入编码特征和增强提示特征至解码器中，获取初始解码特征；

8、步骤s6：导入步骤s4的编码特征和步骤s5的初始解码特征至特征融合层中进行特征融合，获取融合特征，并将融合特征上采样至解码器中，经解码器再次特征还原后，获取最终解码特征；

9、步骤s7：分类头对步骤s6的最终解码特征进行处理，获取毫米波云雷达数据的预测类别。

10、进一步的，步骤s1具体为：

11、步骤s11：通过高度、坐标信息和反射率因子对垂直向上扫描模式数据，进行划分，获得易分类样本和难分类样本，易分类样本包括晴空回波、气象回波和背景波；生成垂直向上扫描模式数据中易分类样本的带标签数据集t1；

12、步骤s12：通过窗口过滤对于平面位置扫描模式数据进行划分，获得易分类样本和难分类样本，易分类样本包括地物回波、晴空回波和背景波；生成平面位置扫描模式数据中易分类样本的带标签数据集p1。

13、进一步的，步骤s2具体为：

14、步骤s21：将步骤s1中得到数据集t1和数据集p1作为正样本，将步骤s1中平面位置扫描模式数据和垂直向上扫描模式数据作为训练集d；

15、步骤s22：构建初步分类模型，通过对训练集d基于正样本进行伪标签学习，从而对初步分类模型进行训练，训练后获得的初步分类模型对垂直向上扫描模式数据和平面位置扫描模式数据中的难分类样本进行标注，获得垂直向上扫描模式数据的难分类样本的数据集t2和平面位置扫描模式数据中难分类样本的数据集p2；

16、步骤s23：对数据集t2和p2进行微调，使得数据集t2和p2中的反射率因子均高于预设阈值，将微调后的数据集t2和数据集t1合并得到垂直向上扫描模式数据的数据集t3，将微调后的数据集p2和数据集p1合并得到平面位置扫描模式数据的数据集p3。

17、进一步的，步骤s3的数据扩充具体为：

18、步骤s31：对于垂直向上扫描模式数据的数据集t3，通过随机平移将数据集t3的样本和对应的标签沿着x轴方向随机平移若干个单位，扩充为垂直向上扫描模式数据的数据集t4；通过随机翻转将数据集t3的样本和对应的标签以y轴为中心轴进行数据翻转，扩充为垂直向上扫描模式数据的数据集t5，将数据集t3、t4、t5合并得到垂直向上扫描模式数据总训练数据集t；

19、步骤s32：对于平面位置扫描模式数据的数据集p3，通过随机平移将数据集p3的样本和对应的标签沿着x轴方向随机平移若干个单位，扩充为平面位置扫描模式数据的数据集p4；通过随机翻转将数据集p3的样本和对应的标签以y轴为中心轴进行数据翻转，扩充为平面位置扫描模式数据的数据集p5；通过随机复制将数据集p3的样本和对应的标签覆盖至数据空缺处，扩充为平面位置扫描模式数据的数据集p6，将数据集p3、p4、p5、p6合并获得平面位置扫描模式数据总训练数据集p。

20、进一步的，步骤s4中的编码器由三层结构相同的编码层和两层结构相同的最大池化层组成，具体为依次串联的第一编码层、第一最大池化层、第二编码层、第二最大池化层和第三编码层；第一、第二和第三编码层对输入数据进行特征提取，分别获取第一编码特征、第二编码特征和第三编码特征，最大池化层对输入数据进行最大池化处理；

21、步骤s4中的编码层均由依次串联的3层深度残差块组成，编码层进行特征提取的过程表示为：

22、；

23、；

24、其中，为单层深度残差块的输出，为单层深度残差块的输入，为卷积核为3×3大小的卷积操作，为批归一化操作，为激活操作，为编码层的输出。

25、进一步的，解码器由三层结构相同的解码层和两层结构相同的转置上采样层组成，具体为依次串联的第一解码层、第一转置上采样层、第二解码层、第二转置上采样层和第三解码层；第一、第二和第三解码层对输入数据进行特征还原，分别获取第一初始解码特征、第二初始解码特征和第三初始解码特征；转置上采样层拼接解码层的输出和步骤s4中的增强提示特征后进行转置上采样；

26、解码层依次对输入数据进行不同尺度的卷积、批归一化处理和修正线性单元操作，从而完成特征还原，解码层的处理过程表示为：

27、；

28、其中，为解码层的输出，为解码层的输入，为卷积核是3×3大小的卷积，为批归一化操作，为非线性激活函数，用于修正线性单元。

29、进一步的，特征融合层包括结构相同的三层融合层，具体为第一融合层、第二融合层和第三融合层；第一编码特征和第三初始解码特征通过第一融合层进行特征融合获取第一融合特征；第二编码特征和第二初始解码特征通过第二融合层进行特征融合获取第二融合特征；第三编码特征和第一初始解码特征通过第三融合层进行特征融合获取第三融合特征；输入第三融合特征至第一解码层中，将第一解码层的输出导入至第一转置上采样层中，将第一转置上采样层的输出与第二融合特征拼接后导入至第二解码层中，输入第二解码层的输出至第二转置上采样层中，将第二转置上采样层的输出与第一融合特征拼接后导入至第三解码层中，第三解码层输出最终解码特征；

30、步骤s6中的特征融合层通过1×1卷积降低输入数据的通道数后再进行逐像素相加进行特征融合，再通过一个1×1卷积层和sigmoid激活函数生成注意力权重，并将注意力权重作用于编码层的输出上，最终得到融合特征，表示为：

31、；

32、其中，表示注意力权重，为融合特征，为编码层的输出，为解码层的输出，为1×1卷积操作，为批归一化操作，为非线性激活操作，为sigmoid激活操作。

33、进一步的，分类头通过一个3×3卷积层将最终解码特征的通道数调整为3，再使用softmax激活操作得到最终解码特征的每个像素所属每个类别的概率值，通过统计概率值预测毫米波云雷达数据的类别。

34、进一步的，步骤s22中的构建初步分类模型，通过对训练集d基于正样本进行伪标签学习，从而对初步分类模型进行训练，具体为：

35、步骤s221：初步分类模型对已标注的正样本以及未标注的难分类样本进行随机变化操作以进行预处理，随机变化操作包括旋转、反转、裁剪和灰度变换；

36、将预处理后的已标注的正样本以及难分类样本输入到初步分类模型中进行特征提取操作，分别对应获取有标注提取特征和无标注提取特征；

37、利用密度聚类算法对有标注提取特征和无标注提取特征进行无监督聚类；具体为：

38、步骤s222：对于每个数据点，计算该数据点的邻域，表示为：

39、；

40、其中，表示的邻域，表示欧式距离，表示数据点的相邻数据点；

41、将数据点作为核心点，将其邻域内的点归为同一簇，并继续对邻域进行扩展：对相邻数据点，如果 也可作为核心点，继续扩展邻域；约束条件表示为：

42、；

43、；

44、其中，为聚类核心点的最小点数约束，表示邻域；

45、重复扩展过程，直到不能满足约束条件；

46、标记不是核心点且也不属于任何核心点的邻域内的点为噪声点，对于噪声点不做处理；

47、步骤s223：完成聚类操作之后，获取聚类原型，表示为：

48、；

49、其中，是被分配到第个聚类的特征集合；是第个聚类中包含的特征数量；是分配到第个聚类中的数据点；

50、步骤s224：将聚类原型作为伪标签，根据伪标签构建自监督损失函数，最小化自监督损失函数以进一步优化初步分类模型；

51、其中，自监督损失函数包括对比损失函数和均方误差一致性损失函数，对比损失函数表示为：

52、；

53、其中，表示样本i和样本j对应的伪标签，表示样本i和样本j对应的无标注提取特征，为指示函数，表示欧几里得距离；

54、其中，均方误差一致性损失函数表示为：

55、；

56、其中，表示样本的总数量；

57、自监督损失函数表示为：

58、。

59、进一步的，步骤s4中的将增强提示输入特征增强模块，获取与解码器分辨率一致的增强提示特征；具体为：

60、输入增强提示，使用3×3卷积对增强提示进行下采样，获取与解码器分辨率一致的增强提示特征，表示为：

61、；

62、其中，为增强提示特征，为预设的特定标签，为预设另一个的特定标签，为3×3卷积操作，为批归一化操作。

63、本发明的有益效果是：

64、本发明的提供的一种基于深度学习的非气象目标的智能识别方法首先通过对现有毫米波云雷达数据中的易分类样本进行伪标签学习，从而对毫米波云雷达数据中的难分类样本进行标注以完成数据扩充，提高了对毫米波云雷达数据的利用率；进一步，本发明通过构建基于u-net架构的智能识别模型，通过编码器-解码器的结构提高对毫米波云雷达数据特征分类能力，更进一步地，本发明通过构建提示增强模块，对特定的标签进行提示增强，提高了模型对特定标签的敏感程度，也降低了智能识别模型的计算量，提高了泛化能力。