亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于卷積神經(jīng)網(wǎng)絡(luò)的典型雷暴云下地面電場(chǎng)識(shí)別研究

        2022-08-30 03:38:22孫中華傅正財(cái)劉亞坤畢曉蕾
        電瓷避雷器 2022年4期
        關(guān)鍵詞:區(qū)域

        孫中華, 傅正財(cái), 劉亞坤, 陳 堅(jiān), 畢曉蕾, 劉 娟

        (1.上海交通大學(xué)電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室,上海 200030;2.中國石化青島安全工程研究院化學(xué)品安全國家重點(diǎn)實(shí)驗(yàn)室,山東 青島 266101)

        0 引言

        雷暴云在形成到消亡的過程中,云中電荷聚集和釋放會(huì)使得地面電場(chǎng)發(fā)生劇烈變化,因此,可基于地面電場(chǎng)特征開展雷電預(yù)警和雷電防護(hù)研究[1-2]。雷暴個(gè)體特征差異明顯,基于傳統(tǒng)電場(chǎng)閾值分析原理的雷電預(yù)警方法存在適應(yīng)性差、命中率低等問題。為提高雷電預(yù)警的準(zhǔn)確度,相關(guān)學(xué)者采用時(shí)序差分[3]、快慢抖動(dòng)分析[4]、集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)[5]、希爾伯特黃變換(HHT變換)[6]等方法對(duì)大氣電場(chǎng)數(shù)據(jù)進(jìn)行處理,也有學(xué)者將地面大氣電場(chǎng)與雷電定位和氣象雷達(dá)資料相結(jié)合[7-8],實(shí)現(xiàn)了雷電預(yù)警效果的改善。

        雷暴云發(fā)展過程中地面電場(chǎng)特征變化復(fù)雜,基于地面電場(chǎng)觀測(cè)數(shù)據(jù)的雷暴云信息提取方法仍需研究。已有學(xué)者應(yīng)用BP神經(jīng)網(wǎng)絡(luò)處理地面電場(chǎng)信息并進(jìn)行雷電預(yù)警[9-11],但存在可用數(shù)據(jù)量少、訓(xùn)練不易開展的問題。深度學(xué)習(xí)方法能在大數(shù)據(jù)中自動(dòng)學(xué)習(xí),認(rèn)識(shí)復(fù)雜樣本的深層次特征信息,已在圖像識(shí)別、語音處理等領(lǐng)域展現(xiàn)出了巨大的優(yōu)勢(shì)。將深度學(xué)習(xí)算法應(yīng)用在雷暴環(huán)境下地面電場(chǎng)大數(shù)據(jù)研究中是一種有效挖掘雷暴云信息、提高雷電預(yù)警效率的方法。

        筆者基于雷暴云的偶極子模型,研究不同天氣情況下地面電場(chǎng)的特征,通過卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練大量地面電場(chǎng)數(shù)據(jù)樣本,提出基于深度學(xué)習(xí)的雷暴云地面電場(chǎng)識(shí)別方法和雷電預(yù)警等級(jí)劃分方案,討論卷積神經(jīng)網(wǎng)絡(luò)模型在地面電場(chǎng)特征識(shí)別和雷暴區(qū)域信息獲取中的應(yīng)用可行性,所建卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了含噪地面電場(chǎng)的學(xué)習(xí)和識(shí)別。

        偶極子雷暴云模型下地面電場(chǎng)分析

        雷暴云的電荷結(jié)構(gòu)主要有偶極子模型[12]、三極模型[13]、多極模型[14-15]等多種模型,其中,偶極子模型電荷結(jié)構(gòu)明晰、可較好地模擬典型雷暴云電荷特征,并有大量觀測(cè)結(jié)果驗(yàn)證。因此,筆者采用偶極子模型研究雷暴云的地面電場(chǎng)特征。

        依據(jù)圖1所示,典型雷暴云電荷結(jié)構(gòu)中正電荷中心QP和負(fù)電荷中心QN距離地面的高度分別為hP和hN,設(shè)定雷暴云電荷中心的垂直投影為(x0,y0)??紤]大地的電場(chǎng)鏡像作用,被監(jiān)測(cè)區(qū)域(xi,yi)處的地面電場(chǎng)[16]可由公式(1)計(jì)算可得。

        (1)

        式中,Enoise(xi,yi)表示被監(jiān)測(cè)區(qū)域(xi,yi)處的背景噪聲電場(chǎng)。

        圖1 雷暴云的偶極子模型Fig.1 Dipole model of thunderstorm cloud

        由式(1)可知,當(dāng)Enoise=0時(shí),偶極子模型雷暴云下地面的電場(chǎng)由正、負(fù)電荷中心及其距離地面的高度參數(shù)共同決定,與正電荷中心QP和負(fù)電荷中心QN成線性關(guān)系。以兩組實(shí)例化數(shù)據(jù)來觀察荷電參數(shù)對(duì)雷暴云下地面電場(chǎng)的影響,得到不同電荷參數(shù)下距雷電云電荷中心地面投影±20 km區(qū)域內(nèi)的地面電場(chǎng)分布,計(jì)算結(jié)果見圖2。對(duì)比圖2(a)和2(b)可以發(fā)現(xiàn),偶極子雷暴云正負(fù)電荷的高度差越大,雷暴云在地面投影處產(chǎn)生的電場(chǎng)值就越大,其幅值能從-3.8 kV/m變到-17.7 kV/m;地面電場(chǎng)分布中電場(chǎng)陡升區(qū)域的面積則會(huì)變小,其半徑從12 km減少至5 km。

        2 地面電場(chǎng)數(shù)據(jù)訓(xùn)練樣本

        基于地面電場(chǎng)觀測(cè)的雷電預(yù)警系統(tǒng)多采用少數(shù)觀測(cè)點(diǎn)上的測(cè)量數(shù)據(jù)進(jìn)行分析和處理,易出現(xiàn)雷暴云空間電場(chǎng)分布特征部分丟失的問題,并存在由背景電場(chǎng)干擾引起的虛報(bào)和漏報(bào)的現(xiàn)象。提高雷電預(yù)警的效果需要全面獲取整個(gè)監(jiān)測(cè)區(qū)域內(nèi)的電場(chǎng)信息及其特征,因此,所提深度學(xué)習(xí)算法基于整片監(jiān)測(cè)區(qū)域內(nèi)的電場(chǎng)數(shù)據(jù)樣本開展訓(xùn)練。

        2.1 地面背景電場(chǎng)模擬

        考慮如圖3所示的被監(jiān)測(cè)區(qū)域,圖3中不規(guī)則圖形表示需要雷電監(jiān)測(cè)預(yù)警的區(qū)域,如油庫、化工廠等。采用二維幾何逼近方法將所監(jiān)測(cè)區(qū)域規(guī)則化為圖3所示的正方形虛框,其尺寸為6 km×6 km,依據(jù)0.5 km的水平距離將其劃分網(wǎng)格,得到13×13的子監(jiān)測(cè)區(qū)域,并將各子監(jiān)測(cè)區(qū)域的電場(chǎng)進(jìn)行矩陣數(shù)組處理。依據(jù)與被監(jiān)測(cè)區(qū)域中心(原點(diǎn)O)的距離,將雷暴云判斷目標(biāo)區(qū)域劃分為R0=5 km和R1=10 km、R2=20 km 3個(gè)等級(jí),分別命名O~R0、R0~R1和R1~R2為A1、A2、A3。

        圖3 電場(chǎng)監(jiān)測(cè)區(qū)域示意圖Fig.3 Schematic diagram of the electric field monitoring areas

        根據(jù)已有學(xué)者研究得到的晴天地面大氣電場(chǎng)特征及其變化規(guī)律[17-18],本研究選取陸地晴天情況下大氣電場(chǎng)的典型值19~310 V/m作為晴天地面電場(chǎng)的參考值。不同地區(qū)陰雨天情況下地面電場(chǎng)的變化范圍較大[19-21],受積雨云下部負(fù)電荷影響,陰雨天情況下地面電場(chǎng)多呈現(xiàn)負(fù)值,可選取0至-3 kV/m作為陰雨天地面電場(chǎng)的參考值。此外,地面電場(chǎng)會(huì)受到周圍建筑物等環(huán)境的影響,可采用偏移倍率0~0.4進(jìn)行修正[22-23]。依據(jù)不同天氣情況下地面電場(chǎng)的峰值范圍,整片被監(jiān)測(cè)區(qū)域某時(shí)刻t的電場(chǎng)均值可由式(2)確定,其中被監(jiān)測(cè)區(qū)域各地點(diǎn)的電場(chǎng)值由式(3)確定。在實(shí)際環(huán)境中,若存在大功率的電力設(shè)備等,會(huì)出現(xiàn)局部地面電場(chǎng)的畸變現(xiàn)象,此特殊情況下,電場(chǎng)畸變偏移范圍可以2~3 kV/m示例。綜上,模擬晴天、陰雨天和特殊情況下被監(jiān)測(cè)區(qū)域某一時(shí)刻t的背景電場(chǎng)見圖4(a)、(c)和(e)。

        Et=rand(Emin,Emax)

        (2)

        式中,Et表示t時(shí)刻被監(jiān)測(cè)區(qū)域的電場(chǎng)均值,Emin表示地面電場(chǎng)的最小值,Emax表示地面電場(chǎng)的最大值。

        Et(xi,yj)=E(t)·(rand(0,0.4)+1)

        (3)

        式中,Et(xi,yj)表示t時(shí)刻位置(xi,yj)的電場(chǎng)。

        其后,對(duì)不同情況下地面電場(chǎng)數(shù)據(jù)進(jìn)行歸一化處理,在數(shù)據(jù)歸一化處理過程中,雷暴云下被監(jiān)測(cè)區(qū)域的電場(chǎng)數(shù)值分布范圍大,電場(chǎng)數(shù)據(jù)離散性強(qiáng),因而,對(duì)每個(gè)模擬背景電場(chǎng)樣本進(jìn)行獨(dú)立的歸一化處理,處理方法如式(4)所示。同時(shí),對(duì)電場(chǎng)樣本進(jìn)行了可視化處理,將被監(jiān)測(cè)區(qū)域的電場(chǎng)信息轉(zhuǎn)化為規(guī)格為13×13、色彩取值范圍為0~255的二維灰度圖,見圖4(b)、(d)和(f)。

        (4)

        式中,Et,s表示被監(jiān)測(cè)區(qū)域的位置(xi,yi)處的地面電場(chǎng),Et,s表示t時(shí)刻被監(jiān)測(cè)區(qū)域的第s個(gè)樣本數(shù)組。

        圖4 不同情況下地面電場(chǎng)及其二維灰度圖Fig.4 Electric fields in different conditions and the associated 2-D grey images

        2.2 雷暴云下地面電場(chǎng)區(qū)域特征

        研究設(shè)定(QP,QN,hP,hN,x0,y0)的取值范圍對(duì)應(yīng)為(30~60 C, -30~60 C, 8~15 km, 1~7 km, 0 km2≤x02+y02≤202km2),隨機(jī)雷暴云相關(guān)參數(shù),計(jì)算得到不同雷暴云參數(shù)下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)訓(xùn)練樣本。根據(jù)式(1)將雷暴云參數(shù)分別實(shí)例化為例1(50, -49, 15, 7, 2,3)、例2(30, -32, 10, 2, -7, 7)、例3(40, -38, 8, 4, 15, 10),得到不同雷暴云參數(shù)實(shí)例化下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)分布,見圖5。

        圖5 隨機(jī)雷暴云參數(shù)實(shí)例在被監(jiān)測(cè)區(qū)域的地面電場(chǎng)及其二維灰度圖Fig.5 Ground electric field of monitored areas in randomly selected thunderstorm cloud examples and the associated 2-D grey images

        在圖5中,參數(shù)實(shí)例1、參數(shù)實(shí)例2和參數(shù)實(shí)例3分別對(duì)應(yīng)雷暴云位于圖3所示區(qū)域A1、A2、A3的情形,其中,參數(shù)實(shí)例1的雷暴云地面電場(chǎng)考慮了陰雨天的環(huán)境影響,參數(shù)實(shí)例2的雷暴云地面電場(chǎng)考慮了陰雨天和特殊背景的環(huán)境影響,參數(shù)實(shí)例3考慮了晴天的環(huán)境影響。分析圖(5)可以發(fā)現(xiàn),雷暴云位于不同區(qū)域時(shí)被監(jiān)測(cè)區(qū)域的地面電場(chǎng)差別明顯,在A1區(qū)域時(shí),被監(jiān)測(cè)區(qū)域的地面電場(chǎng)在偶極子下部負(fù)電荷的影響下整體呈現(xiàn)負(fù)值,電場(chǎng)變化的梯度較大;在A2區(qū)域時(shí),雷暴云與被監(jiān)測(cè)區(qū)域的距離增大,被監(jiān)測(cè)區(qū)域的地面電場(chǎng)值整體逐漸減小,甚至個(gè)別位置出現(xiàn)電場(chǎng)極性反轉(zhuǎn)的現(xiàn)象;在A3區(qū)域時(shí),雷暴云與被監(jiān)測(cè)區(qū)域距離進(jìn)一步增大,地面電場(chǎng)受偶極子上部正電荷的影響逐漸增強(qiáng),被監(jiān)測(cè)區(qū)域的地面電場(chǎng)呈現(xiàn)正值。在地面電場(chǎng)二維灰度圖中,雷暴云在被監(jiān)測(cè)區(qū)域產(chǎn)生的地面電場(chǎng)可視化圖像出現(xiàn)白→黑均勻過渡現(xiàn)象,與圖4所示不同情況下地面電場(chǎng)相比,表現(xiàn)出了明顯的灰度過渡特征。

        2.3 地面電場(chǎng)訓(xùn)練樣本

        研究設(shè)計(jì)了基于不同情況下地面電場(chǎng)樣本的約束隨機(jī)生成算法,產(chǎn)生包含不同情況下地面電場(chǎng)的隨機(jī)綜合訓(xùn)練樣本,總樣本量為30 000個(gè)地面電場(chǎng)矩陣組。對(duì)于雷暴云訓(xùn)練樣本,首先隨機(jī)初始化雷暴云參數(shù),同時(shí)疊加隨機(jī)的晴天或陰雨天背景電場(chǎng),并變隨機(jī)概率耦合特殊背景電場(chǎng),從而得到雷暴云下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本集。對(duì)于晴天或陰雨天的訓(xùn)練樣本,以變隨機(jī)概率模式疊加特殊背景電場(chǎng),得到晴天或陰雨天下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本集。在總樣本量的雷暴云所處區(qū)域考慮中,根據(jù)雷暴云與被監(jiān)測(cè)區(qū)域中心的距離(如圖3所示劃分區(qū)域),在各區(qū)域內(nèi)(A1,A2,A3)共隨機(jī)生成了15 000個(gè)考慮特殊背景電場(chǎng)存在情況下的雷暴云下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本、7 500個(gè)考慮特殊背景電場(chǎng)存在情況下的晴天地面電場(chǎng)樣本和7 500個(gè)考慮特殊背景電場(chǎng)存在情況下的陰天地面樣本。

        3 地面電場(chǎng)識(shí)別

        卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種前饋型的神經(jīng)網(wǎng)絡(luò),卷積層提取數(shù)據(jù)特征,池化層完成數(shù)據(jù)局部子抽樣,具有可高效濾除無關(guān)信息和關(guān)聯(lián)識(shí)別局部數(shù)據(jù)的優(yōu)點(diǎn)。依據(jù)本研究對(duì)象特點(diǎn),所處理的數(shù)據(jù)為大量地面電場(chǎng)矩陣組,并需考慮局部電場(chǎng)數(shù)據(jù)的空間梯度關(guān)系,適合用卷積神經(jīng)網(wǎng)絡(luò)處理識(shí)別。

        3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        依據(jù)前述對(duì)不同情況下地面電場(chǎng)的特征分析,分類處理樣本,將不包含雷暴云信息的晴天和陰雨天的地面電場(chǎng)樣本(即對(duì)立樣本)的標(biāo)簽設(shè)為0,將包含背景噪聲的A1、A2、A3區(qū)域內(nèi)的雷暴云下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本的標(biāo)簽分別設(shè)為1、2、3。其后,建立基于LeNet模型[24]的CNN網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu),見圖6。在圖6中,C1由32個(gè)不同的2×2的卷積核和2×2的最大池化組成,C2由64個(gè)不同的2×2的卷積核和2×2的最大池化組成,C3由64個(gè)不同的2×2的卷積核組成,這3層主要用來對(duì)電場(chǎng)數(shù)據(jù)的特征進(jìn)行提取。在分類時(shí),利用flatten層完成卷積數(shù)據(jù)的一維數(shù)組轉(zhuǎn)化,再對(duì)其進(jìn)行兩個(gè)全連接層處理。其中,隱藏層D1含有64個(gè)神經(jīng)元,D2由softmax函數(shù)激活且完成含4個(gè)輸出的樣本分類識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的損失函數(shù)選擇分類交叉熵,采用RMSProp優(yōu)化算法更新網(wǎng)絡(luò)的權(quán)重。

        圖6 CNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 The network structure of CNN

        以位于A1區(qū)的雷暴云下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本數(shù)據(jù)為例,將其輸入到所建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練,得到C1卷積核的2通道和32通道的特征見圖7,從圖7中可以發(fā)現(xiàn),2通道主要對(duì)中心區(qū)域的數(shù)據(jù)特征進(jìn)行提取,32通道主要對(duì)邊緣及4個(gè)邊角上的數(shù)據(jù)特征進(jìn)行提取。

        圖7 訓(xùn)練模型中間層的可視化Fig.7 Visualization of the middle layer in training model

        3.2 電場(chǎng)數(shù)據(jù)分類結(jié)果

        本研究訓(xùn)練的樣本由27 000個(gè)地面電場(chǎng)矩陣組組成,包含了A1、A2、A3區(qū)的雷暴云下被監(jiān)測(cè)區(qū)域的地面電場(chǎng)樣本各4 500個(gè),晴天和陰雨天的背景電場(chǎng)樣本各6 750個(gè)。驗(yàn)證數(shù)據(jù)集由3 000個(gè)地面電場(chǎng)矩陣組樣本組成,其中,A1、A2、A3區(qū)的雷暴云樣本各500個(gè),晴天和陰雨天的背景電場(chǎng)樣本各750個(gè)。圖8和圖9分別是訓(xùn)練集的損失值下降曲線和驗(yàn)證集的準(zhǔn)確率。依據(jù)圖8可以發(fā)現(xiàn),訓(xùn)練次數(shù)達(dá)到180次左右時(shí),訓(xùn)練集的損失值下降減緩,對(duì)應(yīng)的驗(yàn)證集準(zhǔn)確率也達(dá)到相對(duì)穩(wěn)定的位置,穩(wěn)定值高于93%,表明所提CNN方法能夠較好地區(qū)分背景地面電場(chǎng)樣本與雷暴云下地面電場(chǎng)樣本。

        在分類識(shí)別中,采用精確率Precision和召回率Recall作為檢驗(yàn)指標(biāo),其計(jì)算方法如式(5)和式(6)所示。

        Precision=TP/(TP+FP)

        (5)

        Recall=TP/(TP+FN)

        (6)

        式中,TP表示預(yù)測(cè)為正、實(shí)際為正的樣本,F(xiàn)P表示預(yù)測(cè)為正、實(shí)際為負(fù)的樣本,F(xiàn)N表示預(yù)測(cè)為負(fù)、實(shí)際為正的樣本。

        圖8 訓(xùn)練集損失值Fig.8 Loss of the training set

        圖9 驗(yàn)證集準(zhǔn)確率Fig.9 Accuracy of the validation set

        驗(yàn)證后所得的混淆矩陣見表1,計(jì)算得到各類別的精確率和召回率見表2。在表2中,類別0表示非雷暴云樣本(即環(huán)境樣本)的精確率和召回率分別是98.47%和96.73%,各個(gè)區(qū)域地面電場(chǎng)樣本識(shí)別的精確率分別為98.20%、90.20%和77.80%,表明所提CNN方法可準(zhǔn)確地區(qū)分雷暴云與非雷暴云下的地面電場(chǎng)樣本并進(jìn)行區(qū)域分類。分析混淆矩陣可見,500個(gè)類別1的樣本中有491個(gè)樣本被正確識(shí)別,識(shí)別錯(cuò)誤的9個(gè)樣本處于A1與A2的交界處。23個(gè)類別0的樣本被誤識(shí)別為類別3,50個(gè)類別3的樣本被識(shí)別為類別0,這些誤判主要是受到陰雨天背景電場(chǎng)的影響。

        表1 驗(yàn)證集的混淆矩陣Table 1 Confusion matrix of the validation set

        表2 驗(yàn)證集的精確率和召回率Table 2 Precision rate and recall rate of the validation set %

        3.3 基于電場(chǎng)識(shí)別結(jié)果的雷電預(yù)警等級(jí)劃分

        根據(jù)雷暴云與監(jiān)測(cè)區(qū)域中心之間的距離范圍劃分雷電預(yù)警等級(jí),將A1、A2和A3區(qū)域內(nèi)識(shí)別出的雷暴信息分別劃分為第一、二和三級(jí)的雷電預(yù)警等級(jí)。采用探測(cè)概率(Percent of Doom,POD)、虛警率(False Alarm Rate,FAR)和臨界成功指數(shù)(Critical Success Index,CSI) 評(píng)價(jià)雷電預(yù)警效率,其計(jì)算公式見式(7)-(9)。

        (7)

        (8)

        (9)

        式中,X為實(shí)際發(fā)生閃電并準(zhǔn)確預(yù)警的次數(shù);Y為實(shí)際發(fā)生閃電而未預(yù)警的次數(shù);Z為預(yù)警而無閃電發(fā)生的次數(shù)。

        依據(jù)本研究劃分的雷電預(yù)警方法,得到基于CNN地面電場(chǎng)識(shí)別結(jié)果的雷電預(yù)警效率評(píng)價(jià)指標(biāo)分別為POD=88.73%,F(xiàn)AR=8.21%,CSI=87.39%。對(duì)比已有文獻(xiàn)中基于電場(chǎng)絕對(duì)值判定的雷電預(yù)警方法,得到如表3所示的不同閾值下預(yù)警效率的評(píng)價(jià)指標(biāo)。依據(jù)表3可得,電場(chǎng)閾值越低,POD就越大,但對(duì)應(yīng)的FAR就會(huì)增大。權(quán)衡POD和FAR結(jié)果,以CSI指標(biāo)的最大值來選取閾值,得到表3中4 kV/m電場(chǎng)閾值對(duì)應(yīng)的POD、FAR和CSI分別為64.00%、4.48%和62.11%。與CNN方法相比,本研究所提方法對(duì)地面電場(chǎng)樣本的識(shí)別更精準(zhǔn)。

        表3 驗(yàn)證集在不同閾值下的預(yù)警效率Table 3 Warning efficiency of the validation set under different thresholds %

        圖10中,在t1時(shí)刻雷暴云剛進(jìn)入預(yù)警范圍,此時(shí)判定被監(jiān)測(cè)區(qū)域施行第三級(jí)預(yù)警;在t2時(shí)刻,雷暴云進(jìn)入A2區(qū)域,判定被監(jiān)測(cè)區(qū)域施行第二級(jí)預(yù)警;在t3時(shí)刻,雷暴云進(jìn)入A1區(qū)域的邊界,判定被監(jiān)測(cè)區(qū)域施行第一級(jí)預(yù)警。

        4 結(jié)論

        筆者研究了基于偶極子電荷結(jié)構(gòu)模型下雷暴云的地面電場(chǎng)特征,訓(xùn)練了27 000個(gè)隨機(jī)的地面電場(chǎng)樣本,建立了可識(shí)別地面電場(chǎng)的CNN網(wǎng)絡(luò)結(jié)構(gòu),對(duì)各類地面電場(chǎng)樣本進(jìn)行了區(qū)分識(shí)別,得到:

        1)所提CNN方法區(qū)分各類地面電場(chǎng)樣本的整體準(zhǔn)確率高于93%,區(qū)分雷暴云和非雷暴云樣本的精確率和召回率分別為98.47%和96.73%。

        2)基于CNN識(shí)別的雷電預(yù)警探測(cè)概率POD、虛警率FAR、臨界成功指數(shù)CSI分別可達(dá)88.73%、8.21%和87.39%。

        3)所提方法對(duì)雷暴云所處區(qū)域識(shí)別的精確率分別為98.20%、90.20%和77.80%,召回率均高于85%,據(jù)此可劃分雷電預(yù)警等級(jí),為局部區(qū)域的雷電預(yù)警提供參考。

        猜你喜歡
        區(qū)域
        分割區(qū)域
        探尋區(qū)域創(chuàng)新的密碼
        科學(xué)(2020年5期)2020-11-26 08:19:22
        基于BM3D的復(fù)雜紋理區(qū)域圖像去噪
        軟件(2020年3期)2020-04-20 01:45:18
        小區(qū)域、大發(fā)展
        商周刊(2018年15期)2018-07-27 01:41:20
        論“戎”的活動(dòng)區(qū)域
        區(qū)域發(fā)展篇
        區(qū)域經(jīng)濟(jì)
        關(guān)于四色猜想
        分區(qū)域
        公司治理與技術(shù)創(chuàng)新:分區(qū)域比較
        乌克兰少妇xxxx做受6| 青青草成人在线播放视频| 久久综合九色欧美综合狠狠| 亚洲国产成人久久综合| 亚洲成在人线av| 无码人妻丰满熟妇区免费| 草青青视频手机免费观看| 亚洲国产婷婷香蕉久久久久久| 最近中文字幕视频完整版在线看| 国产精选免在线观看| av网址不卡免费在线观看| 在线播放草猛免费视频| 久久亚洲av无码西西人体| 日韩视频第二页| 一片内射视频在线观看| 97中文字幕精品一区二区三区| 各种少妇正面着bbw撒尿视频| 国产成人综合久久精品推| 国产三级在线看完整版| 国产实拍日韩精品av在线| 亚洲欧美日韩国产精品一区二区 | 日日碰狠狠丁香久燥| 国产一精品一aⅴ一免费| 国产一级内射一片视频免费| 蜜臀av色欲a片无码精品一区| 久久天天躁夜夜躁狠狠躁2022| 久久亚洲一级av一片| 精品粉嫩av一区二区三区| 特黄特色的大片观看免费视频| 无码久久流水呻吟| 成人免费毛片立即播放| 大ji巴好深好爽又大又粗视频 | 无码人妻专区免费视频| 国产一区二三区中文字幕| 欧美性生交活xxxxxdddd| 欧美俄罗斯乱妇| 国产日韩一区二区精品| 亚洲女优中文字幕在线观看| 成人免费一区二区三区| 国产高潮流白浆免费观看不卡| 亚洲成人一区二区av|