一种基于T‑S模型的FNN降水粒子相态识别方法

摘要

本发明提供了一种基于T‑S模型的FNN降水粒子相态识别方法。该方法通过建立基于T‑S模型的FNN，首先对双线偏振气象雷达接收的偏振参量进行模糊化、规则计算、模糊推理和退模糊处理，然后利用FNN误差反馈的思想自适应的调节模糊化过程中不同降水粒子相态的各偏振参量隶属函数参数，最后对待识别的降水粒子进行相态识别。本发明提供方法可以根据天气环境的变化，自适应地更新相应隶属函数参数，使系统的识别能力比固定参数时有较大提升，同时识别的结果能更加细致地反映天气情况，仿真实验验证了本方法的有效性。

说明书

技术领域

本发明属于气象雷达信号处理技术领域，特别是涉及一种将T-S模型与神经网络相结合的降水粒子相态识别方法。

背景技术

云内降水粒子相态的合理识别在云降水物理、人工影响天气等领域具有非常重要的科学意义，不仅对了解水凝物在云中的生成和转换、提高降水量的测量精度有重要的应用价值，而且能为人工影响天气的决策和评估提供重要的参考依据。

由于传统的单偏振气象雷达只发射和接受单一方向的功率信息，因此得到的信息有限，限制了其对降水粒子相态识别的准确性。双线偏振气象雷达作为一种新型的天气信号回波探测工具，由于能同时发射和接收水平与垂直极化方向的信号，较传统的单偏振气象雷达可以获得更多的极化信息，因而在天气信号处理中的降水粒子相态识别方面具有一定的优势。

近年来，许多基于数学统计原理的方法都被运用到了降水粒子相态识别领域，包括统计决策、判决图法、模糊逻辑方法等。统计决策理论是一种有效的降水粒子相态识别算法，但由于很难获得降水粒子的先验概率和概率密度函数，使得数据模型的建立变得十分困难，进而会对分类的效果产生很大影响。判决图方法是一种基于布尔逻辑的算法，该方法根据预先确定的类型边界来对降水粒子进行分类，但是气象雷达接收到的不同降水粒子的协方差矩阵不是相互独立的，对降水粒子相态识别精度有一定的影响。模糊逻辑方法对不同降水粒子相态的各偏振参量建立隶属函数和规则基，解决了回波信号间相互排斥的问题，在降水粒子的相态识别方面具有一定的优势，但是不同降水粒子相态的极化参量隶属函数参数采用经验值，从而使得降水粒子相态识别性能不稳定。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于T-S模型的FNN降水粒子相态识别方法。

为了达到上述目的，本发明提供的基于T-S模型的FNN降水粒子相态识别方法包括按顺序进行的下列步骤：

1)建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的S1阶段；

2)建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的S2阶段；

3)建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的S3阶段；

4)利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的S4阶段。

在步骤1)中，所述的建立FNN模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的方法是：所述的前件网络包括输入层和隐含层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入前件网络，然后在隐含层经过模糊化处理，计算出每项偏振参量对应不同降水粒子相态的初始化隶属函数，最后利用初始化隶属函数经过规则计算和归一化后得到连接权值。

在步骤2)中，所述的建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的方法是：所述的后件网络包括输入层、隐含层和输出层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入后件网络，然后根据T-S模型，在隐含层的各个子网络中计算不同降水粒子相态的模糊推理值，最后在输出层利用步骤1)计算得到的连接权值对模糊推理值进行加权平均，得到模糊推理结果。

在步骤3)中，所述的建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的方法是：在反馈网络中，首先对步骤2)中得到的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回步骤1)中建立的前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。

在步骤4)中，所述的利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的方法是：首先利用大量实测数据通过步骤1)、步骤2)、步骤3)建立的前件网络、后件网络和反馈网络对前件网络中的各偏振参量隶属函数参数进行训练，然后利用训练得到的各偏振参量隶属函数参数构成成型的FNN，最后将待识别降水粒子的双线偏振气象雷达的偏振参数输入FNN，输出即为该降水粒子的最终相态识别结果。

本发明提供的基于T-S模型的FNN降水粒子相态识别方法是通过建立基于T-S模型的FNN，首先对双线偏振气象雷达接收的偏振参量进行模糊化、规则计算、模糊推理和退模糊处理，然后利用FNN误差反馈的思想自适应的调节模糊化过程中不同降水粒子相态的各偏振参量隶属函数参数，最后对感兴趣的降水粒子进行相态识别。本发明提供方法可以根据天气环境的变化，自适应地更新相应隶属函数参数，使系统的识别能力比固定参数时有较大提升，同时识别的结果能更加细致地反映降水情况，实测数据实验验证了本方法的有效性。

附图说明

图1为本发明提供的基于T-S模型的FNN降水粒子相态识别方法流程图。

图2为FNN模型图。

图3为钟形隶属函数。

图4为本发明方法的冰雪云降水相态识别结果。

图5为NOAA提供的冰雪云降水相态识别结果。

图6为本发明方法的强对流降水相态识别结果。

图7为ARM提供的强对流降水相态识别结果。

具体实施方式

下面结合附图和具体实例对本发明提供的基于T-S模型的FNN降水粒子相态识别方法进行详细说明。

如图1所示，本发明提供的基于T-S模型的FNN降水粒子相态识别方法包括按顺序进行的下列步骤：

1)建立FNN(模糊神经网络)模型前件网络，以双线偏振气象雷达的各项偏振参量数据作为FNN模型前件网络的输入值，计算连接权值的S1阶段；

在此阶段中，前件网络包括输入层和隐含层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入前件网络，然后在隐含层经过模糊化处理，计算出每项偏振参量对应不同降水粒子相态的初始化隶属函数，最后利用初始化隶属函数经过规则计算和归一化后得到连接权值。

具体方法如下：

图2为本发明方法建立的FNN模型。其中，前件网络包括：输入层和隐含层。前件网络有作用是对输入的偏振参量进行模糊化、规则计算、归一化处理，为后件网络提供连接权值。

在输入层中，输入值为x₁,x₂,x₃,x₄，其分别表示双线偏振气象雷达的各偏振参量：反射率因子Z_H，差分反射率因子Z_DR，差分相移率K_DP，互相关系数ρ_HV。

[x₁,x₂,x₃,x₄]^T＝[Z_H,Z_DR,K_DP,ρ_HV]^T(1)

隐含层包括：模糊化层和规则计算层。

在模糊化层中，对各偏振参量进行模糊化处理，建立不同降水粒子相态各偏振参量的隶属函数如图3所示，钟形隶属函数具有一个宽泛的平坦区域，两端有较宽的过渡区，平滑过渡可以增强降水粒子相态识别的鲁棒性。

其中x_j(j＝1,2,3,4)为双线偏振气象雷达的第j个偏振参量。是第j个偏振参量对应第i(i＝1,2,3,4,5,6,7,8)类降水粒子相态的隶属函数曲线中心，是第j个偏振参量对应第i类降水粒子相态的隶属函数曲线宽度，是第j个偏振参量对应第i类降水粒子相态的隶属函数曲线斜率。隶属函数是一个在[0,1]之间的数，其越接近于0，表示第j个偏振参量x_j属于第i类降水的程度越小；反之，其越靠近1，表示第j个偏振参量x_j属于第i类降水粒子相态的程度越大。

在规则计算层中，每个节点代表一条模糊规则，对待识别降水粒子的各偏振参量的隶属函数进行模糊计算，可计算得到待识别降水粒子隶属于不同降水粒子相态的规则适用度R。待识别降水粒子隶属于第i类降水粒子相态的规则适用度R_i可由下式计算得到：

对规则适用度R_i进行归一化处理，计算得到归一化后的规则适用度并将其作为连接权值传输到后件网络的隐含层。

2)建立FNN模型后件网络，根据T-S模型，利用步骤1)获得的连接权值计算模糊推理结果的S2阶段；

在此阶段中，后件网络包括输入层、隐含层和输出层，首先双线偏振气象雷达的各项偏振参量数据从输入层进入后件网络，然后根据T-S模型(Takagi-Sugeno模糊模型)，在隐含层的各个子网络中计算不同降水粒子相态的模糊推理值，最后在输出层利用步骤1)计算得到的连接权值对模糊推理值进行加权平均，得到模糊推理结果。

具体方法如下：

在后件网络的输入层中，输入可表示为：

[x₀,x₁,x₂,x₃,x₄]^T＝[1,Z_H,Z_DR,K_DP,ρ_HV]^T(5)

其中，第0个节点的输入值x₀＝1，其作用是提供模糊规则后件中的常数项。

后件网络的隐含层由r个结构相同的并列子网络组成，每个子网络产生一个输出量。每个子网络拥有i个节点数，每个节点数代表一条模糊推理。根据T-S模型，该推理规则如下：

当

此时，有下式成立：

其中y_ri表示后件网络的第r个子网络中第i类降水粒子相态的模糊推理值，表示第r个子网络的权值系数，表示第j个偏振参量对应第i类降水粒子相态隶属函数值的模糊集。后件网络的隐含层输出的模糊推理值如下式所示：

后件网络的输出层接收由前件网络提供的连接权值并结合后件网络中每个子网络输出的模糊推理值y_ri进行加权平均，得到模糊推理结果y_k(k＝1,2,…r)，如下式所示：

则后件网络的输出y可表示为：

y＝[y₁y₂...y_r]^T(10)

3)建立FNN模型反馈网络，利用步骤2)获得的模糊推理结果，自适应更新步骤1)中建立的FNN模型前件网络中隶属函数参数的S3阶段；

在此阶段中，在反馈网络中，首先对步骤2)中得到的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回步骤1)中建立的前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。

具体方法如下：

反馈网络的作用是更新前件网络中不同降水类型各偏振参量的隶属函数参数值。在反馈网络中，首先对后件网络输出的模糊推理结果进行退模糊处理，得到降水粒子相态聚类中心值，然后与聚类中心的期望值进行比较得到误差，最后根据误差负反馈原理返回前件网络的模糊化层，自适应地更新各偏振参量对应不同降水粒子相态的隶属函数参数。

后件网络的子网络输出的模糊推理结果y_k是一个模糊集合，为了在降水粒子相态中找到最能代表模糊集合输出的清晰值，需对其进行退模糊处理。本发明将模糊推理结果的均值作为降水粒子相态聚类中心值C，即对于假设存在的8种降水粒子相态，本发明建立如表1所示的降水粒子相态聚类中心期望值C_ei索引表。

表1 8种降水粒子相态的聚类中心期望值

将上述计算得到的降水粒子相态聚类中心值与表1中对应的期望值进行比较，利用误差反馈的思想对前件网络进行训练，下面给出具体推导过程。

取降水粒子相态聚类中心的误差计算公式为：

其中C_ei为第i类降水类型网络期望输出的聚类中心，C_i为第i类降水类型网络实际输出的聚类中心，e_i为第i类降水类型聚类中心的期望输出值和实际输出值的误差。

当第i类降水类型聚类中心的实际输出值与期望输出值不一致时，则从后件网络的输出层返回前件网络的模糊化层，对不同降水类型各偏振参量隶属函数参数重新计算。模糊化层中第i类降水类型的第j个偏振参量隶属函数参数的修正参量用下式进行计算：

其中分别为第i类降水类型的第j个偏振参量隶属函数参数的训练权值。

根据以上计算得到的不同降水类型各偏振参量隶属函数参数的修正参量更新步骤1)中原各偏振参量隶属函数参数，更新后的不同降水类型各偏振参量隶属函数参数分别为可由式(15)—式(17)计算得到：

4)利用实测数据对步骤1)、步骤2)、步骤3)中建立的前件网络、后件网络和反馈网络进行训练，最后运用训练得到的FNN进行降水粒子相态识别的S4阶段：

在此阶段中，首先利用大量实测数据通过步骤1)、步骤2)、步骤3)建立的前件网络、后件网络和反馈网络对前件网络中的各偏振参量隶属函数参数进行训练，然后利用训练得到的各偏振参量隶属函数参数构成成型的FNN，最后将待识别降水粒子的双线偏振气象雷达的偏振参数输入FNN，输出即为该降水粒子的最终相态识别结果。

具体方法如下：

本发明方法采用美国俄克拉荷马州的WSR-88D雷达(KTLX)不同时刻扫描得到的多组LEVEL-II实测数据对模糊神经网络训练学习，计算不同降水类型各偏振参量隶属函数参数。利用模糊神经网络训练计算得到的不同降水类型各偏振参量隶属函数参数建立相应隶属函数，分别对KTLX双线偏振气象雷达的一次冰雪云降水(2015年05月13日，19:30，GMT)和CSAPR双线偏振气象雷达一次强对流降水(2011年05月20日，11:01，GMT)的相态进行识别，验证所提降水粒子相态识别算法的性能，识别结果如图4—图7所示。

由图4和图5比较可见，在距离KTLX双线偏振气象雷达半径100km的距离范围内，毛毛雨(DR)和雨(RA)的相态能够被有效地区分开，此外，在距离KTLX双线偏振气象雷达220km附近被湿雪(WS)粒子信号所淹没的冰晶(IC)粒子的相态得到了有效识别。由图6和图7比较可见，本发明建立的8种降水类型可以更精细化地对降水粒子相态进行识别。例如：毛毛雨(DR)和强降雨(RA)的相态得到了有效的区分；被强降雨(RA)粒子信号淹没的干雪(DS)粒子相态得到了有效的识别。由此可以看出本发明方法的识别精度更高，能够更加细致地反映降水情况。