台风强度确定方法、装置、电子设备及存储介质

1.本发明涉及人工智能技术领域，尤其涉及一种台风强度确定方法、装置、电子设备及存储介质。


背景技术：

2.台风是一种强大且复杂的天气系统，具有较强的破坏性。如果能为决策部门提供精准、高效的台风信息预报，则在很大程度上能够减少台风对人们日常生产和生活的影响。
3.目前，通过对台风最大强度的估算进行台风预报，在业界最为普遍。而为准确对台风的最大强度进行估算，通常需要获取相应的卫星云图，并识别卫星云图的图像特征，从而估计强度等级。
4.相关技术中，卷积神经网络模型被广泛应用于台风最大强度的估算任务中，卷积神经网络模型可以获取卫星云图的图像特征，实现对台风强度的估算。然而，卷积神经网络的预测结果与输入的卫星云图的图像质量密切相关，其中，卫星云图的分辨率较低，以及台风形成初期云层螺旋半径并不明显，且卫星云图易受到气流、水汽等因素影响，台风强度往往受到所处经纬度，温度，地球自转等多种因素影响，进而导致最终的强度估算结果的准确度低。


技术实现要素：

5.本发明提供一种台风强度确定方法、装置、电子设备及存储介质，用以解决现有技术中台风强度估算的准确度低的缺陷，实现了精准估算台风强度，提升了台风强度确定的准确率。
6.本发明提供一种台风强度确定方法，所述方法包括：获取台风图像；将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
7.根据本发明提供的一种台风强度确定方法，所述基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱，包括：基于所述台风图像，确定所述目标台风的至少一个第一目标三元组；所述第一目标三元组包括第一实体、关系和第二实体；基于所述目标台风对应的属性值，确定所述目标台风的至少一个第二目标三元组；所述第二目标三元组包括第三实体、属性和属性值；所述第三实体为所述第一实体或所述第二实体；
基于所述第一目标三元组和所述第二目标三元组，构建所述目标台风的所述知识图谱。
8.根据本发明提供的一种台风强度确定方法，所述基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征，包括：对所述第一实体和所述第二实体分别预设第一初始特征向量，对所述关系预设第二初始特征向量；基于所述第三实体，构造所述第三实体对应的属性特征向量；基于所述第一初始特征向量、第二初始特征向量和属性特征向量，确定所述目标台风的隐式特征。
9.根据本发明提供的一种台风强度确定方法，所述基于所述第一初始特征向量、第二初始特征向量和属性特征向量，确定所述目标台风的隐式特征，包括：将所述第一初始特征向量和所述属性特征向量进行融合，得到融合特征向量；基于所述融合特征向量和所述第二初始特征向量，确定所述目标台风的隐式特征。
10.根据本发明提供的一种台风强度确定方法，所述基于所述融合特征向量和所述第二初始特征向量，确定所述目标台风的隐式特征，包括：基于所述融合特征向量和所述第二初始特征向量，计算所述第一目标三元组对应的得分；基于所述得分，确定所述目标台风的隐式特征。
11.根据本发明提供的一种台风强度确定方法，所述基于所述图像特征和所述隐式特征，确定所述目标台风的强度，包括：基于所述图像特征和所述隐式特征，将所述图像特征和所述隐式特征进行拼接，得到拼接特征；将所述拼接特征输入至分类器模型，得到所述分类器模型输出的所述目标台风的强度；所述分类器模型是基于样本拼接特征进行训练得到的，用于对所述目标台风的强度进行分类。
12.根据本发明提供的一种台风强度确定方法，所述将所述第一初始特征向量和所述属性特征向量进行融合，得到融合特征向量，包括：将所述第一初始特征向量和所述属性特征向量，采用公式（1）进行融合，得到所述融合特征向量；其中，所述e表示融合特征向量，所述ei表示所述第一初始特征向量，所述i表示所述第一初始特征，所述ie表示所述属性特征向量，所述w表示线性变换参数矩阵；所述t表示转置。
13.本发明还提供一种台风强度确定装置，所述装置包括：获取模块，用于获取台风图像；特征提取模块，用于将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；构建模块，用于基于所述台风图像，构建所述台风图像对应的目标台风的知识图
谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；第一确定模块，用于基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；第二确定模块，用于基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
14.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述台风强度确定方法。
15.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述台风强度确定方法。
16.本发明提供的台风强度确定方法、装置、电子设备及存储介质，通过将获取的台风图像输入至卷积神经网络，得到卷积神经网络输出的图像特征；再根据获取的台风图像，构建台风图像对应的目标台风的知识图谱；知识图谱用于表示目标台风的先验知识信息和属性信息；根据先验知识信息和属性信息，确定目标台风的隐式特征；最后根据图像特征和隐式特征，确定目标台风的强度。本发明提供的方法，通过构建台风图像对应的目标台风的知识图谱，确定目标台风的隐式特征，及将卷积神经网络得到的图像特征和隐式特征进行结合，实现了先验知识在训练过程中的嵌入，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，能够得到更加高效、准确的台风强度的估算结果，提升了台风强度确定的准确率。
附图说明
17.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明提供的台风强度确定方法的流程示意图之一；图2是本发明提供的台风强度确定方法的流程示意图之二；图3是本发明提供的基于知识图谱表示学习方法的过程示意图；图4是本发明提供的台风强度确定方法的流程示意图之三；图5是本发明提供的台风强度确定装置的结构示意图；图6是本发明提供的电子设备的结构示意图。
具体实施方式
19.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.下面结合附图，通过一些实施例及其应用场景对本发明提供的台风强度确定方法进行详细地说明。
21.本发明提供一种台风强度确定方法，该台风强度确定方法适用于台风强度的估算场景中，获取台风图像；将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；基于所述图像特征和所述隐式特征，确定所述目标台风的强度。本发明提供的方法，通过构建台风图像对应的目标台风的知识图谱，确定目标台风的隐式特征，及将卷积神经网络得到的图像特征和隐式特征进行结合，实现了先验知识在训练过程中的嵌入，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，能够得到更加高效、准确的台风强度的估算结果，提升了台风强度确定的准确率。
22.下面结合图1-图4描述本发明的台风强度确定方法。
23.图1是本发明的提供的台风强度确定方法的流程示意图之一，如图1所示，该方法包括步骤101-步骤105，其中：步骤101，获取台风图像。
24.需要说明的是，本发明提供的台风强度确定方法可适用于台风强度的估算场景中。该方法的执行主体可以为台风强度确定装置，例如电子设备、或者该台风强度确定装置中的用于执行台风强度确定方法的控制模块。
25.具体地，台风图像是指图像中包含有台风的图像，通过卫星拍摄具有台风的目标区域得到的卫星云图，从而可以获取到台风图像。
26.步骤102，将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的。
27.具体地，卷积神经网络可以是vgg-19网络模型，也可以是其他网络模型，对此不做任何限定；其中，卷积神经网络包括卷积层、激活层（rectified linear unit，relu）和池化层。
28.实际中，将获取的台风图像输入至卷积神经网络，可以得到卷积神经网络输出的台风图像对应的图像特征；其中，卷积神经网络是基于样本台风图像进行训练得到的。
29.步骤103，基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息。
30.具体地，目标台风表示为台风图像中包含的台风；先验知识信息可以表示为目标台风所在的区域、所属的类别和初始风力，以及基于目标台风所在的区域、所属的类别和初始风力，确定的相关知识信息；属性信息可以为能够表示目标台风属性的信息，例如，台风所在洋面的温度、大气湿度、经纬度等。
31.实际中，根据台风图像，可以获取到目标台风的先验知识信息，以及通过监测传感器，可以获取到目标台风的属性信息，从而构建台风图像对应的目标台风的知识图谱。
32.步骤104，基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征。
33.具体地，根据知识图谱中目标台风的先验知识信息和属性信息，通过表示学习的方法，可以确定出目标台风的隐式特征；其中，隐式特征表示目标台风在低维空间中的特征。
34.步骤105，基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
35.具体地，根据卷积神经网络输出的图像特征及根据知识图谱中目标台风的先验知识和属性信息确定的隐式特征，将图像特征和隐式特征进行结合，确定目标台风的最终强度。
36.本发明提供的台风强度确定方法，通过将获取的台风图像输入至卷积神经网络，得到卷积神经网络输出的目标台风的图像特征；再根据获取的台风图像，构建台风图像对应的目标台风的知识图谱；知识图谱用于表示目标台风的先验知识信息和属性信息；根据先验知识信息和属性信息，确定目标台风的隐式特征；最后根据图像特征和隐式特征，确定目标台风的强度。本发明提供的方法，通过构建台风图像对应的目标台风的知识图谱，确定目标台风的隐式特征，及将卷积神经网络得到的图像特征和隐式特征进行结合，实现了先验知识在训练过程中的嵌入，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，能够得到更加高效、准确的台风强度的估算结果，提升了台风强度确定的准确率。
37.图2是本发明的提供的台风强度确定方法的流程示意图之二，如图2所示，该方法包括步骤201-步骤207，其中：步骤201，获取台风图像。
38.步骤202，将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的。
39.关于步骤201-202的说明和解释，可以参照上述针对步骤101-102的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
40.步骤203，基于所述台风图像，确定所述目标台风的至少一个第一目标三元组；所述第一目标三元组包括第一实体、关系和第二实体。
41.具体地，根据获取的台风图像，通过海洋专家对台风图像中的目标台风的所在区域、所属类别以及初始风力等级等信息进行判断，其中，海洋专家判断得到的信息以第一目标三元组的形式进行组织，第一目标三元组包括第一实体、关系和第二实体，第一目标三元组表示为（第一实体，关系，第二实体）。例如，第一目标三元组为（台风，所处区域，热带海洋）、（台风，初始风力等级，强台风）、（台风，所属类别，热带气旋）。
42.实际中，依据海洋专家所判断得到的信息，结合文献和维基百科等百科知识，通过补全技术扩展和推理海洋专家所判断得到的信息，得到更多的目标台风的信息，得到的目标台风的信息也是以第一目标三元组的形式进行组织，从而确定出目标台风的至少一个第一目标三元组。例如，海洋专家判断得到的信息以第一目标三元组的形式组织，该第一目标三元组为（台风，所处区域，东海），通过结合文献和维基百科，可以得到（东海，属于，太平洋），因此，可以推理得到目标台风的信息，该信息也是以第一目标三元组的形式组织，该第一目标三元组为（台风，所处区域，太平洋）。
43.步骤204，基于所述目标台风对应的属性值，确定所述目标台风的至少一个第二目标三元组；所述第二目标三元组包括第三实体、属性和属性值；所述第三实体为所述第一实体或所述第二实体。
44.具体地，通过设置在目标台风区域的监测传感器，可以得到目标台风的属性值；其中，属性值可以为目标台风所在洋面的温度、大气湿度、经纬度等对应的监测值；根据属性值，可以得到目标台风的属性信息，其中，属性信息以第二目标三元组的形式进行组织，第二目标三元组包括第三实体、属性和属性值，即第二目标三元组表示为（第三实体，属性，属
性值）。
45.例如，第二目标三元组为（台风，中心最大风速（米/秒），42.0）、（台风，所处区域的温度（摄氏度），30.0）、（台风，所处的纬度（度），10.0）。
46.需要说明的是，第三实体可以为第一目标三元组中的第一实体或第二实体，从而可以确定出目标台风的至少一个第二目标三元组。
47.步骤205，基于所述第一目标三元组和所述第二目标三元组，构建所述目标台风的所述知识图谱。
48.具体地，由于第一目标三元组是根据海洋专家判断的信息，结合文献和百科知识而得到的，第一目标三元组可以表示为先验知识信息；而第二目标三元组是根据监测传感器获取的属性信息。因此，根据第一目标三元组和第二目标三元组，共同构建目标台风的知识图谱；其中，知识图谱中包括至少一个第一目标三元组和至少一个第二目标三元组，即知识图谱中包括先验知识信息和属性信息。
49.步骤206，基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征。
50.步骤207，基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
51.关于步骤206-207的说明和解释，可以参照上述针对步骤104-105的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
52.本发明提供的台风强度确定方法，通过获取的台风图像，确定能够表示目标台风的先验知识信息的至少一个第一目标三元组；第一目标三元组包括第一实体、关系和第二实体；再根据目标台风对应的属性值，确定能够表示目标台风的属性信息的至少一个第二目标三元组；第二目标三元组包括第三实体、属性和属性值；第三实体为第一实体或第二实体；再根据第一目标三元组和第二目标三元组，构建目标台风的知识图谱，通过获取目标台风丰富的先验知识信息和属性信息，构造出目标台风的知识图谱，进而实现了先验知识在训练过程中的嵌入，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，能够得到更加高效、准确的台风强度的估算结果，提升了台风强度确定的准确率。
53.可选地，上述步骤206的具体实现方式包括以下步骤：步骤1）对所述第一实体和所述第二实体分别预设第一初始特征向量，对所述关系预设第二初始特征向量。
54.在本技术实施例中，采用知识图谱表示学习方法，得到目标台风的隐式特征。
55.具体地，对知识图谱中第一目标三元组中的第一实体和第二实体分别预设第一初始特征向量，对第一目标三元组中的关系预设第二初始特征向量；其中，第一初始特征向量和第二初始特征向量均为随机低维向量，将第一初始特征向量和第二初始特征向量作为初始特征表示。
56.步骤2）基于所述第三实体，构造所述第三实体对应的属性特征向量。
57.具体地，由于第三实体为第一实体或第二实体，该第三实体具有对应的属性和属性值，因此，对知识图谱中具有属性信息的第三实体，通过词袋模型构造第三实体对应的属性特征向量；其中，属性特征向量中的每个维度分别表示对应的属性值。
58.例如，第三实体存在属性信息为（台风，中心最大风速（米/秒），42.0）、（台风，所处区域的温度（摄氏度），30.0）、（台风，所处的纬度（度），10.0），根据词袋模型，可以得到第三实体对应的属性特征向量，其中，t表示装置。
59.需要说明的是，对于知识图谱中的第三实体，若存在属性信息与词袋模型得到的属性特征向量的维度不相同时，则采用属性特征向量补0的方式。
60.步骤3）基于所述第一初始特征向量、第二初始特征向量和属性特征向量，确定所述目标台风的隐式特征。
61.可选地，上述步骤3）的具体实现方式还包括以下内容：将所述第一初始特征向量和所述属性特征向量进行融合，得到融合特征向量。
62.具体地，使用转换函数，将第一实体和第二实体分别对应的第一初始特征向量和第三实体对应的属性特征向量进行融合，得到融合特征向量，即第一实体或第二实体的最终向量表示。
63.可选地，将所述第一初始特征向量和所述属性特征向量，采用公式（1）进行融合，得到所述融合特征向量；其中，所述e表示融合特征向量，所述ei表示所述第一初始特征向量，所述i表示所述第一初始特征，所述ie表示所述属性特征向量，所述w表示线性变换参数矩阵；所述t表示转置。
64.具体地，使用转换函数，采用上述公式（1）可以得到融合特征向量。
65.基于所述融合特征向量和所述第二初始特征向量，确定所述目标台风的隐式特征。
66.本发明提供的台风强度确定方法，通过对第一实体和第二实体分别预设第一初始特征向量，对关系预设第二初始特征向量；根据第三实体，构造第三实体对应的属性特征向量；将第一初始特征向量和属性特征向量进行融合，得到融合特征向量；基于融合特征向量和第二初始特征向量，确定目标台风的隐式特征，实现了知识图谱借助表示学习方法得到目标台风的隐式特征，进而实现目标台风更加高效、准确的台风强度的估算，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，提升了台风强度确定的准确率。
67.可选地，所述基于所述融合特征向量和所述第二初始特征向量，确定所述目标台风的隐式特征，包括：基于所述融合特征向量和所述第二初始特征向量，计算所述第一目标三元组对应的得分；基于所述得分，确定所述目标台风的隐式特征。
68.具体地，在得到融合特征向量之后，基于三元组平移转换的方式，使用基于翻译的模型（transe模型）计算经过关系平移后的第一实体和第二实体之间的距离评估第一目标三元组的置信度，即采用公式（2）计算第一目标三元组对应的融合特征向量的得分；其中：其中，表示第一目标三元组（h，r，t）的得分，h表示第一实体，r表示关系，t表示第二实体，表示第一实体的第一初始特征向量，表示关系的第二初始特征向量，表示第二实体的第一初始特征向量，表示范数。
69.实际中，使用最小化基于边缘（margin）的损失函数训练transe模型，从而不断优化第一实体、第二实体和关系的隐式特征表示；其中，损失函数采用公式（3）表示：
其中，表示知识图谱中的正第一目标三元组集合，表示知识图谱中的负第一目标三元组集合，表示正第一目标三元组，表示负第一目标三元组，表示margin值，表示正第一目标三元组的得分，表示负第一目标三元组的得分。
70.需要说明的是，通过最小化上述公式（3）表示的损失函数，不断优化第一实体和第二实体的第一初始特征向量，关系的第二初始特征向量，以及上述公式（1）中的线性变换参数矩阵w，不断优化第一实体、第二实体和关系的隐式特征表示，即实现对知识图谱中低维向量的优化，最终得到蕴含知识图谱语义信息的目标台风的隐式特征。
71.本发明提供的台风强度确定方法，通过根据融合特征向量和第二初始特征向量，计算第一目标三元组对应的得分；再根据计算得到的得分，通过最小化损失函数不断优化第一目标三元组中第一实体、第二实体的第一初始特征向量和关系的第二初始特征向量，实现对知识图谱中低维向量的优化，确定目标台风的隐式特征，实现了知识图谱借助表示学习方法得到目标台风的隐式特征，进而实现目标台风更加高效、准确的台风强度的估算，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的不足，提升了台风强度确定的准确率。
72.图3是本发明提供的基于知识图谱表示学习方法的过程示意图，如图3所示，将第一目标单元组中的第一实体和第二实体分别预设第一初始特征向量，对关系预设第二初始特征向量；再分别对第一实体和第二实体构造属性特征向量；使用转换函数分别对第一实体的第一初始特征向量和属性特征向量，以及第而实体的第一初始特征向量和属性特征向量进行融合，分别得到第一实体对应的融合特征向量和第二实体对应的融合特征向量；再将融合特征向量和第二初始特征向量输入至trans模型中，使用得分函数计算第一目标三元组对应的得分；在trans模型训练的过程中，使用最小化基于margin的损失函数不断优化第一实体、第二实体和关系分别对应的第一初始特征向量和第二初始特性向量，以及转换函数中的线性变换参数矩阵，从而实现对知识图谱低维特征向量的优化，并最终得到蕴含知识图谱语义信息的目标台风的隐式特征。
73.可选地，上述步骤207的具体实现方式包括以下步骤：步骤1）基于所述图像特征和所述隐式特征，将所述图像特征和所述隐式特征进行拼接，得到拼接特征；步骤2）将所述拼接特征输入至分类器模型，得到所述分类器模型输出的所述目标台风的强度；所述分类器模型是基于样本拼接特征进行训练得到的，用于对所述目标台风的强度进行分类。
74.具体地，将经过卷积神经网络得到的图像特征和知识图谱训练得到的目标台风的隐式特征进行拼接，得到拼接特征，即融合先验知识嵌入的目标台风特征表示；再将拼接特征输入分类器模型中，得到分类器模型输出的目标台风的强度，从而得到目标台风的最大强度等级。
75.需要说明的是，在分类器模型的训练过程中，预先设计了目标台风强度的等级标签；在将样本拼接特征输入至分类器模型时，可以根据分类器模型输出的台风强度对应的
等级，确定台风的最大强度等级。在分类器模型训练结束时，将拼接特征输入至分类器模型，可以直接得到分类器模型输出的目标台风的强度对应的等级，从而实现对目标台风的最大强度的预测，有效弥补卷积神经网络单纯依靠台风图像进行台风强度估算的不足。
76.图4是本发明提供的台风强度确定方法的流程示意图之三，如图4所示，该方法包括：1）将台风图像401输入至卷积神经网络的卷积层402，得到卷积层402输出的卷积结果；再将卷积结果输入至激活层403，得到激活层403输出的激活结果；再将激活结果输入至池化层404，得到池化层输出的图像特征405；2）根据台风图像，通过海洋专家判断得到的信息以及根据百科知识扩展海洋专家判断得到的信息，得到目标台风的至少一个第一目标三元组；以及根据监测传感器得到的目标台风的属性值，得到目标台风的的至少一个第二目标三元组；再根据第一目标三元组和第二目标三元组，构建知识图谱406；3）根据构建的知识图谱406，使用知识图谱表示学习方法407，得到目标台风的隐式特征408；4）将图像特征405和隐式特征408输入至加法器409，得到加法器409输出的拼接特征；5）将拼接特征输入至分类器模型410，得到分类器模型410输出的目标台风的强度等级411，从而确定出目标台风的强度。
77.下面对本发明提供的台风强度确定装置进行描述，下文描述的台风强度确定装置与上文描述的台风强度确定方法可相互对应参照。
78.图5是本发明提供的台风强度确定装置的结构示意图，如图5所示，该台风强度确定装置500包括：获取模块501、特征提取模块502、构建模块503、第一确定模块504和第二确定模块505，其中：获取模块501，用于获取台风图像；特征提取模块502，用于将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；构建模块503，用于基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；第一确定模块504，用于基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；第二确定模块505，用于基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
79.本发明提供的台风强度确定装置，通过将获取的台风图像输入至卷积神经网络，得到卷积神经网络输出的目标台风的图像特征；再根据获取的台风图像，构建台风图像对应的目标台风的知识图谱；知识图谱用于表示目标台风的先验知识信息和属性信息；根据先验知识信息和属性信息，确定目标台风的隐式特征；最后根据图像特征和隐式特征，确定目标台风的强度。本发明提供的装置，通过构建台风图像对应的目标台风的知识图谱，确定目标台风的隐式特征，及将卷积神经网络得到的图像特征和隐式特征进行结合，实现了先验知识在训练过程中的嵌入，弥补了卷积神经网络单纯依靠台风图像进行台风强度估算的
不足，能够得到更加高效、准确的台风强度的估算结果，提升了台风强度确定的准确率。
80.可选地，所述构建模块503，具体用于：基于所述台风图像，确定所述目标台风的至少一个第一目标三元组；所述第一目标三元组包括第一实体、关系和第二实体；基于所述目标台风对应的属性值，确定所述目标台风的至少一个第二目标三元组；所述第二目标三元组包括第三实体、属性和属性值；所述第三实体为所述第一实体或所述第二实体；基于所述第一目标三元组和所述第二目标三元组，构建所述目标台风的所述知识图谱。
81.可选地，所述第一确定模块504，具体用于：对所述第一实体和所述第二实体分别预设第一初始特征向量，对所述关系预设第二初始特征向量；基于所述第三实体，构造所述第三实体对应的属性特征向量；基于所述第一初始特征向量、第二初始特征向量和属性特征向量，确定所述目标台风的隐式特征。
82.可选地，所述第一确定模块504，具体用于：将所述第一初始特征向量和所述属性特征向量进行融合，得到融合特征向量；基于所述融合特征向量和所述第二初始特征向量，确定所述目标台风的隐式特征。
83.可选地，所述第一确定模块504，具体用于：基于所述融合特征向量和所述第二初始特征向量，计算所述第一目标三元组对应的得分；基于所述得分，确定所述目标台风的隐式特征。
84.可选地，所述第二确定模块505，具体用于：基于所述图像特征和所述隐式特征，将所述图像特征和所述隐式特征进行拼接，得到拼接特征；将所述拼接特征输入至分类器模型，得到所述分类器模型输出的所述目标台风的强度；所述分类器模型是基于样本拼接特征进行训练得到的，用于对所述目标台风的强度进行分类。
85.可选地，所述第一确定模块503，还用于：将所述第一初始特征向量和所述属性特征向量，采用公式（1）进行融合，得到所述融合特征向量；其中，所述e表示融合特征向量，所述ei表示所述第一初始特征向量，所述i表示所述第一初始特征，所述ie表示所述属性特征向量，所述w表示线性变换参数矩阵；所述t表示转置。
86.图6是本发明提供的一种电子设备的实体结构示意图，如图6所示，该电子设备600可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640
完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行台风强度确定方法，该方法包括：获取台风图像；将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
87.此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
88.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的台风强度确定方法，该方法包括：获取台风图像；将所述台风图像输入至卷积神经网络，得到所述卷积神经网络输出的图像特征；所述卷积神经网络是基于样本台风图像进行训练得到的；基于所述台风图像，构建所述台风图像对应的目标台风的知识图谱；所述知识图谱用于表示所述目标台风的先验知识信息和属性信息；基于所述先验知识信息和属性信息，确定所述目标台风的隐式特征；基于所述图像特征和所述隐式特征，确定所述目标台风的强度。
89.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
90.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
91.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。