(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111272158.0 (22)申请日 2021.10.2 9 (71)申请人 上海无线电设备研究所 地址 200233 上海市闵行区中春路15 55号 (72)发明人 丁霞　尹洁珺　王平　陈潜　 魏维伟　 (74)专利代理 机构 上海元好知识产权代理有限 公司 31323 代理人 张静洁　徐雯琼 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (54)发明名称 基于卷积神经网络的云物理参数反演方法 (57)摘要 本发明提供了一种基于卷积神经网络的云 物理参数反演方法， 包括如下步骤： S1、 计算太赫 兹频段云粒子散射特性， 结合粒子谱分布， 模拟 计算太赫兹雷达等效反射率因子与云物理特征 参数的函数关系， 建立前向物理模型， S2、 对太赫 兹云雷达的实测数据和微物理参数产品进行预 处理， 整理得到训练数据库； S3、 建立卷积神经网 络的结构， 将所述前向物理模型作为约束条件， 基于雷达回波的预测值与实际值的偏差， 自适应 调整学习速率； S4、 利用训练数据库， 对卷积神经 网络进行反复训练， 由所述太赫兹雷达等效反射 率因子反演计算得到所述云物理特征参数。 该方 法提升了云物理参数的反演准确性， 摆脱对于经 验值的依赖， 是一种泛化性、 自适应学习更强的 算法。 权利要求书2页 说明书6页 附图3页 CN 113887118 A 2022.01.04 CN 113887118 A 1.一种基于卷积神经网络的云物理参数反演方法， 其特 征在于， 包括如下步骤： S1、 计算太赫兹频段云粒子散射特性， 结合粒子谱分布， 模拟计算太赫兹雷达等效反射 率因子与云物理特征参数 的函数关系， 建立前向物理模型， 所述云物理特征参数包括云粒 子尺度、 云粒子数浓度和分布参数； S2、 对太赫兹云雷达的实测数据和微物 理参数产品进行预处理， 整理得到训练数据库， 所述训练数据库的输入数据为实测的太赫兹雷达等效反射率因子， 输出数据为所述云物理 特征参数； S3、 建立卷积神经网络的结构， 将所述前向物 理模型作为约束条件， 基于雷达回波的预 测值与实际值的偏差， 自适应调整学习速率， 实现对云遥感特征和输出云参数结果之间复 杂非线性 函数的精确表示； S4、 利用所述训练数据库， 对所述卷积神经网络进行反复训练， 由所述太赫兹雷达等效 反射率因子反演计算得到所述云物理特 征参数。 2.如权利要求1所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 所述卷 积神经网络包括输入层、 卷积层、 池化层、 全连接层和输出， 所述输入层的数据为太赫兹云 雷达反射率因子的垂 直廓线， 所述卷积神经网络通过所述卷积层和所述池化层 对所述输入 数据进行特征提取， 得到所述输入层的局部特征， 再经所述全连接层产生所述云物理特征 参数， 进入所述输出层。 3.如权利要求2所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 所述卷 积神经网络的计算具体包括如下步骤： S3.1、 前向计算： 将单个训练样本输入所述卷积神经网络， 从前向后逐步计算每次神经 元的值， 获得训练样本的预测结果xout； S3.2、 反向计算： 首先建立预测结果xout与真实反演结果x之间的损失函数E， 采用平方 误差， 所述输出层的损失函数E计算如下： 其中， n为雷达探测廓线的距离总库数， 然后向后逐层计算网络参数关于所述损失函数 E的导数， 即局域梯度δ， 用梯度下降法优化各层的w和b， 进行网络参数迭代更新， 迭代运算 直到收敛， 计算公式如下： wl+1＝wl‑Δwl bl+1＝bl‑Δbl 其中， η表示学习速率， l表示训练时的循环次数； S3.3、 采用自适应学习速率的方案， 计算根据实际预测的反演结果xout， 根据所述前向 物理模型， 计算雷达回波的预测值Zsim， 计算预测值Zsim与实测值Z的偏差， 利用该参数来修 正学习速率 η， 确保学习速率 η 随准确性增 加而逐步减小， 计算公式如下：权　利　要　求　书 1/2 页 2 CN 113887118 A 2其中， η0表示学习速率 η 的初值。 4.如权利要求3所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 所述卷 积神经网络计算时， 每一层的动作如下： 所述输入层将输入数据传递给 所述卷积层； 所述卷积层设置三个卷积核， 计算得到预激活值， 通过激活函数f得到第一特征图， 所 述第一特 征图的元 素值Coutk(k＝1,2,…,n+2)为： 其中， w和b分别为每个第一特征图对应的乘性和加性偏置， f表示激活函数， y表示所述 输入数据； 所述池化层保留有用信息的同时， 减小所述卷积层输入的所述第一特征图的大小， 采 用相邻矩阵区域平均值汇 聚的方法， 对所述第一特征图进行下采样， 完成特征参数 的筛选 和降纬， 得到第二特 征图， 所述第二特 征图的元 素值Poutk(k＝1,2,…,n+2)为： Poutk＝downk(Coutk)； 在所述全连接层中， 将得到的所述第 二特征图依次连接成向量， 输入全连接网络， 经加 权和偏置运 算后， 利用激活函数f， 得到所述云物理特 征参数的预测结果， 送给 所述输出层。 5.如权利要求4所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 激活函 数f为ReLU函数。 6.如权利要求4所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 雷达回 波的预测值Zsim的计算依赖于所述前向物理模 型， 具体步骤为： 计算太赫兹频段的冰晶粒子 复折射指数； 采用离散偶极子近似法进行太赫兹频段云粒子散射特性计算， 得到后向散射 截面σbk表； 通过所述后向散射截面σbk表， 并结合粒子谱分布， 得到太赫兹雷达等效反射率 因子与云物理特 征参数的函数关系。 7.如权利要求1所述的基于卷积神经网络的云物理参数反演方法， 其特征在于， 所述对 太赫兹云雷达的实测数据和 微物理参数产品进行预处理包括： 剔除降雨个例， 去掉地面杂 波影响较大的数据。权　利　要　求　书 2/2 页 3 CN 113887118 A 3