一种基于多基地映射的NGO-mcODM雷电预测方法

本发明属于雷电观测，具体涉及一种基于多基地映射的ngo-mcodm雷电预测方法。

背景技术：

1、雷暴气候是发生在中小尺度对流体统中的常见天气现象，雷暴天气往往伴随着闪电的活动，可引起森林和油库火灾、造成供电及通讯信息系统故障或损坏，对航天航空、矿山及一些重要而敏感的高技术装备等具有重大威胁。八十年代以后，闪电引起的危害显著增加，特别是与高新技术关系密切的领域，如航空航天、国防、通讯、电力、计算机、电子工业等由于广泛应用对闪电电磁干扰极为敏感的大规模及超大规模集成电路致使遭雷击的几率大大增加。所以对雷暴的预测预警显得尤为重要。

2、通常可以采用闪电参数化的气象数值预报模型《基于数值天气模式及其模式输出的闪电预报研究进展》(《地球科学进展》(2017))进行预测，模式运转后可以模拟出气象参数的演变规律，但大多数气象模式无法直接预测雷暴。也可以采用深度学习的方法对雷暴进行预测，比如采用一些优秀的提取特征信息的网络模型《recursive bayesianrecurrent neural networks for time-series modeling》(《ieee transactions onneural networks》(2010))

3、由于业务数值预报模式时空扩展性小以及水平和垂直分辨率较低，雷暴的预警预报成为天气预报中较困难的工作之一。雷暴预报所参考的气象信息数据量较大，依靠预报员主观提取特征量并设置阈值，难以完全发现数据中有价值的细节信息或者细微差别。如果预报员对于强对流发生发展规律认识不够深刻、全面，也会忽视其中的有效信息统，这种传统的方式通常会造成虚警率偏高《the defi-nition of goes infrared lightninginitiation interest felds》(《appl meteor》(2010))。

4、随着技术的发展，机器学习逐渐运用到雷暴预测中，比如文献《算法的雷电流概率预测研究》(《国外电子测量技术》(2018))，文献《基于多机器学习竞争策略的短时雷电预报》(《计算机应用》(2016))，但机器学习本质在于提取多源数据的特征量及其相互的联系，对数据质量的依赖度较高，若仅仅依靠单站观测站数据进行数据训练则可能提高不了雷暴预报的精度。此外深度训练学习涉及到大量的运算，对显卡或云计算资源的要求较为苛刻，所以需要开发一种新的雷暴预测算法。

技术实现思路

1、解决的技术问题：本发明提供了一种基于多基地映射的ngo-mcodm雷电预测方法，通过提取多基地采集站获取的预报因子信息，构成雷电信号高维特征集；并利用laplacian-beltrami算子在黎曼空间中对多基地高维特征进行投影，获得雷电数据高维空间中的低维流形，从而降低多基地高维特征中的冗余性；然后，引入ngo算法对mcodm的超参数进行优化，提高mcodm雷暴预测模型的准确性；最后，利用mcodm雷暴预测模型对雷电进行预测。本发明的ngo-mcodm雷电预测方法适用于多基地雷电观测站，能够提高雷暴预测的精度与鲁棒性。

2、技术方案：

3、一种基于多基地映射的ngo-mcodm雷电预测方法，所述ngo-mcodm雷电预测方法包括以下步骤：

4、步骤a，提取多基地采集站获取的预报因子信息，构成雷电信号高维特征集；

5、步骤b，利用laplacian-beltrami算子在黎曼空间中对多基地高维特征进行投影，获得雷电数据高维空间中的低维流形，降低多基地高维特征中的冗余性；

6、步骤c，令最优边际分配机为：

7、

8、

9、

10、其中，为惩罚模型复杂性的正则化项，wl为第l个评分参数的权重矩阵，l为评分参数，k为评分参数总数，h为评分函数的假定集合；λ为惩罚函数；i＝1，2，...，m，m为样本总数；ξi与εi为第i个样本的边际υh(xi，yi)和边际均值的偏差，边际均值取值为1，xi为第i个样本的特征，yi为第i个样本的标签；μ、θ为最优边际分配机的超参数，μ∈(0，1]为权衡偏差参数，θ∈(0，1]为控制支持向量数的零损失段参数；

11、步骤d，引入北方苍鹰优化算法对最优边际分配机的超参数μ和θ进行优化，得到mcodm雷暴预测模型；

12、步骤e，利用mcodm雷暴预测模型对雷电进行预测。

13、进一步地，步骤a中，所述预报因子信息包括以下因子中的多种或者全部：最佳四层地面抬升指数、地表面对流有效位能、180hpa～0hpa之间的对流、有效位能、地面抬升指数、降水量、sigma＝0.44～1层相对湿度、sigma＝0.72～0.94层相对湿度、sigma＝0.44～0.72层相对湿度、sigma＝0.33～1层相对湿度、大气层相对湿度、距地面2km处的比湿、30hpa～0hpa之间的比湿、850hpa气压垂直递减率、700hpa气压垂直递减率、500hpa气压垂直递减率、850hpa假相当位温、850hpa露点、ct指数和tt指数。

14、进一步地，步骤b中，利用laplacian-beltrami算子在黎曼空间中对多基地高维特征进行投影，获得雷电数据高维空间中的低维流形的过程包括以下步骤：

15、设雷电信号高维特征集为雷电信号高维特征集的低维映射为laplacian-beltrami算子的目的是使得以下损失函数最小：

16、

17、其中，为紧邻点与近邻关系的度量，与间距离越小，权值越高，n为预报因子总数；

18、通过计算图laplacian矩阵的广义特征向量来得到雷电信号高维特征集的低维嵌入结果，包括以下步骤：

19、步骤b1，计算数据集x中所有特征点的近邻点，构造近邻图g，近邻图g中特征点与原特征点中的数据相对应，边代表近邻关系，即若是的近邻点，则近邻图g中对应的节点和用边连接，否则断开；

20、步骤b2，计算近邻图g中边的权值矩阵w，权值矩阵w中各元素的计算公式为：

21、

22、其中，t为可调参数；

23、步骤b3，若近邻图g为连通图，则采用下述公式计算低维嵌入：

24、ly＝λdy

25、其中d为对角权矩阵，其对角线的值为权重矩阵w每行元素之和，即l＝d-w为laplacian矩阵，为半正定矩阵与近邻图g节点上函数的laplacian算子；

26、设0＜λ1≤λ2≤…≤λr为最小的r个非零特征值，为对应的特征向量，则高维特征的低维特征为：

27、

28、其中，为n×r矩阵。

29、进一步地，步骤c中，最优边际分配机的构建过程包括以下步骤：

30、步骤c1，令最优边际分配机为：

31、

32、

33、

34、其中，q(w)为惩罚模型复杂性的正则化项；w为权重系数；η与λ均为惩罚函数；为边际均值；为边际差异；

35、步骤c2，令边际均值为1，则样本(xi，yi)的边际与边际均值的误差为|υh(xi，yi)-1|，其最优边际分配机重新规划为：

36、

37、s.t.γh(xi，yi)≥1-θ-ξi，

38、

39、步骤c3，对于多分类器，令正则项为则最优边际分配机的数学描述表述为：

40、

41、

42、

43、进一步地，步骤d中，引入北方苍鹰优化算法对最优边际分配机的超参数μ和θ进行优化的过程包括以下步骤：

44、步骤d1，设置迭代次数t与种群数目n；

45、步骤d2，初始化北方苍鹰位置、偏差参数μ和零损失段参数θ；设北方苍鹰种群为：

46、

47、其中，p为北方苍鹰的种群矩阵；pi为第个北方苍鹰的位置；为第个北方苍鹰第维的位置；n为北方苍鹰的种群数量；为求解问题的维度；

48、北方苍鹰种群的目标函数值用目标函数值向量表示：

49、

50、其中，f为北方苍鹰种群的目标函数向量；为第个北方苍鹰的目标函数值；

51、步骤d3，输入雷电数据高维空间中的低维流形特征集y，苍鹰随机生成猎物位置并选择猎物；

52、步骤d4，在选择猎物阶段更新第个维度的新位置，更新第个种群成员；苍鹰选择与攻击猎物的行为描述为：

53、

54、

55、

56、其中，为第个北方苍鹰的猎物的位置；为第个北方苍鹰的猎物的位置的目标函数值；k是[1，n]范围内的随机整数；为第个北方苍鹰的新位置；为第个北方苍鹰的第维的新位置；为更新后第个北方苍鹰的目标函数值；是[0，1]范围内的随机数；i为1或2的随机整数；

57、步骤d5，在追击阶段更新第个维度的新位置，更新第个种群成员；假设苍鹰的攻击活动接近于半径r的攻击范围，则追击行为描述为：

58、

59、

60、

61、式中，为当前迭代次数；t为最大迭代次数；为第个北方苍鹰的新位置；为第个北方苍鹰的第维的新位置，为更新后第个北方苍鹰的第维的位置；为更新后第个北方苍鹰的目标函数值；

62、步骤d6，输出ngo对最优边际分配机参数μ、θ的最优解。

63、有益效果：

64、第一，本发明的基于多基地映射的ngo-mcodm雷电预测方法，相较于传统的单站雷暴预测方法，通过分布式的信息采集可以获得更多能够表征雷电信号的有效信息；

65、第二，本发明的基于多基地映射的ngo-mcodm雷电预测方法，采用的laplacian-beltrami算子能够有效的分离高维特征的有效特征空间与无效特征空间，降低雷暴预测所需的特征维度与特征冗余性，增强特征的有效性；

66、第三，本发明的基于多基地映射的ngo-mcodm雷电预测方法，通过苍鹰捕猎方式优化mcodm偏差参数与零损失段参数，增强了mcodm对雷暴预测的性能，保证了多基地雷暴预测系统的预测精度；

67、第四，本发明的基于多基地映射的ngo-mcodm雷电预测方法，相较于其他算法，更加关注不同类别间的边界样本，使样本边界距离最大化，因此，具有更好的泛化性能、适应性、快速性与稳定性。