买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学;南京气象科技创新研究院

摘要：本发明公开了一种闪电探测网布局优化方法，包括：采集研究区域内的各个探测站点的地形历史数据、气象历史数据和闪电活动历史数据，合并后得到数据集D；得到预处理后的数据集D'；基于神经网络模型构建闪电位置预测模型；基于目标函数，采用遗传算法不断迭代探测站点布局，直至满足停止准则，输出最优探测站点布局。本发明将地理、气象和闪电历史数据融合在一起，通过神经网络和强化学习方法，实现了对站点布局的优化和实时调整，从而提高了闪电预测的准确率。

主权项：1.一种闪电探测网布局优化方法，其特征在于，所述闪电探测网布局优化方法包括以下步骤：S1，采集研究区域内的各个探测站点的地形历史数据、气象历史数据和闪电活动历史数据，分别构建得到地形数据向量、气象数据向量和闪电活动历史数据向量，合并后得到数据集D；S2，对数据集中的数据向量进行标准化和归一化处理，得到预处理后的数据集D'；S3，基于神经网络模型构建闪电位置预测模型，以最小化预测闪电位置和实际闪电位置之间的差值为约束条件，采用预处理后的数据集D'对闪电位置预测模型进行训练，得到训练完成的闪电位置预测模型；S4，定义目标函数，采用预测闪电位置和实际闪电位置之间的距离以衡量探测站点布局与闪电位置预测需求之间的匹配程度；基于目标函数，采用遗传算法不断迭代探测站点布局，直至满足停止准则，输出最优探测站点布局；其中，每次探测站点布局更新后，采用闪电位置预测模型计算得到对应迭代轮次的预测闪电位置，再将研究区域划分为多个网格，在每个网格内计算得到实际闪电位置和预测闪电位置之间的距离，将之作为当前网格的预测误差；步骤S3中，所述闪电位置预测模型包括输入层、自注意力层、时间卷积层、地理注意力池化层、神经张量网络层、全连接层和输出层；所述自注意力层通过学习的权重矩阵Wq、Wk和Wv，将输入层导入的数据集D'中的数据映射到queryQ、keyK和valueV三个子空间中：Q＝D′Wq，K＝D′Wk，V＝D′Wv，计算注意力权重： 其中，dk是K的维度；采用注意力权重来加权求和V，得到自注意力层的输出Oattention：Oattention＝attention_weights*V；所述时间卷积层在时间维度对闪电活动的时间序列数据进行卷积运算，捕捉闪电活动的时间序列数据的局部模式和趋势；时间卷积层使用一维卷积来处理时间序列数据，时间卷积层的输出Oconv为：Oconv＝reluconv1dOattention,kernel+bias其中，conv1d表示一维卷积操作，kernel是卷积核，bias是偏置项，relu是激活函数；所述地理注意力池化层根据地理数据赋予不同区域不同的注意力权重，对卷积层和注意力层的输出进行池化，地理注意力池化层的输出Opool为：attention_weights＝softmaxWpool*Oconv+bpoolOpool＝sumattention_weights*Oconv其中，Wpool和bpool是需要学习的权重和偏置，softmax是激活函数，sum是加权平均操作；所述神经张量网络层用于处理处理地理和气象数据中的复杂关系，神经张量网络层的输出Ontn为：Ontn＝reluOpool*Wntn*OpoolT+Wlinear*Opool+b其中，Wntn、Wlinear和b是需要学习的权重和偏置，*表示矩阵乘法，relu是激活函数；所述全连接层将神经张量网络层的输出转化为预测结果Ofc，并通过输出层输出预测闪电位置yhat：Ofc＝Wfc*Ontn+bfcyhat＝Wout*Ofc+bout其中，Wfc和Wout为待学习的权重，bfc和bout为待学习的偏置；所述闪电位置预测模型的损失函数为： 其中θ代表闪电位置预测模型的参数，θ*代表闪电位置预测模型的最优参数，y是实际闪电位置，是预测闪电位置；步骤S4中，采用遗传算法不断迭代探测站点布局，直至满足停止准则，输出最优探测站点布局的过程包括以下步骤：定义均方误差目标函数用以衡量探测站点布局S与预测闪电位置之间的匹配程度： 其中，N是数据点数量，yi是第i个观测的实际闪电位置，是第i个观测的预测闪电位置；应用遗传算法对站点布局S进行优化；其中，在每次迭代中，应用遗传算法生成一组新的站点布局S，并使用目标函数来计算其与预测闪电位置之间的匹配度，进而评估新站点布局S的优劣；通过选择、交叉和变异操作，在搜索空间中不断寻找最优的站点布局S，直到满足停止准则；在每次遗传算法的迭代中，根据产生的新站点布局S计算对应的预测闪电位置再将研究区域划分为多个网格，每个网格的大小由预设的精度阈值Em确定；在每一个网格中，计算实际闪电位置y与预测的闪电位置之间的距离，将该距离作为预测误差： 其中，对于每个网格g∈G，Eg表示网格中预测的闪电位置与实际闪电位置yg之间的距离；若Eg＜Em，则认定该网格的预测为准确，相应的站点布局S是可行的，Em为预设的距离阈值；由所有网格中预测准确的比例计算得出整个研究区域的预测准确率Accuracy，公式为： 所述闪电探测网布局优化方法还包括以下步骤：定义用于表示当前的环境情况的状态s，状态s包括当前的闪电活动情况：闪电的频率、强度、地理位置以及当前探测站点布局S；定义行动集合A，行动集合A包含所有允许的站点布局调整方式：移动某个站点到新的位置、增加一个新的站点和删除一个现有的站点；布局优化策略模型πs；θnn，策略模型决定在给定状态s下采取什么样的行动，采用基于神经网络的深度学习模型构建策略模型，参数θnn是基于深度学习的神经网络模型的权重；定义奖励函数Ra,s，用于根据预测闪电位置的准确性衡量采取某个行动后的结果：Ra,s＝-ea,s式中，ea,s是状态s和行动a场景下闪电位置预测模型的预测误差；在每个时间步，使用如下公式更新布局优化策略参数θnn： 式中，α是学习率，at是在状态st下选择的行动，Rt是收到的奖励，是策略的梯度。

全文数据：

权利要求：

百度查询： 南通大学 南京气象科技创新研究院 一种闪电探测网布局优化方法