基于神经网络沙尘天气预报强度误差的测算方法及装置制造方法及图纸

本发明专利技术涉及天气预警技术领域，尤其涉及基于神经网络沙尘天气预报强度误差的测算方法及装置，本发明专利技术首先采集沙尘要素数据信息；具体包括的步骤为：获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级。神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；将得出的平均数和方差与标准天气数据进行比较；计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。本发明专利技术通过该技术达到了能够为气象更新提供数据支持，测量出了数据误差，为后期气象更新提供了指引。另一方面，提供了一种测验气象软件准确率的系统，给后续的软件开发提供指导。给后续的软件开发提供指导。给后续的软件开发提供指导。

【技术实现步骤摘要】
基于神经网络沙尘天气预报强度误差的测算方法及装置


[0001]本专利技术涉及天气预报
，特别涉及基于神经网络沙尘天气预报强度误差的测算方法及装置。

技术介绍

[0002]我国北方地区春天干燥，时常遇到沙尘天气。当沙尘天气来临后，天气预报会预报，但是预报有时和实际的会有偏差，后续对沙尘天气状况要进行更新。在更新之前，需要对沙尘天气进行测算，因此一种好的测算方法，测出的数值对引导更新天气状况尤为关键。或者现今沙尘测定软件层出不穷，没有一种针对于该软件的性能测验系统。

技术实现思路

[0003]本专利技术提出了基于神经网络沙尘天气预报强度误差的测算方法，以解决
技术介绍
中的问题：
[0004]进一步,首先采集沙尘要素数据信息；具体包括的步骤为：
[0005]获取目标地点的天气数据，获取的数据包括地点、能见度、沙尘天气层级，包括上下层级、水平层级，上下层级为某个高度上沙尘的密度数和沙尘类型以及沙尘飘转类型，水平层级包括水平方向上的颗粒漂浮速度，平行方向上颗粒的浓度，具体为通过卫星获取沙尘天气数据信息，将数据传到地面监测设备，地面监测设备获取天气信息，从服务器里抓取标准天气数据，将获取的目标地点的天气数据和标准天气数据输入到神经网络模型中；
[0006]沙尘自下至上在竖直方向上由于风力、重力等因素的影响，在竖直方向上具有不同的浓度，此外在不同的地点水平方向上沙尘的强度也不同。在测量误差时，需要获取水平方向的强度和竖直方向上的强度。
[0007]其中，采集数据的方式包括从气象卫星中直接拿取数据或者通过摄像模块对准电视机的屏幕，从电视中抓取数据。通过电视中抓取数据的详细步骤为：
[0008]当播音员在播报时，将摄像模块放在离屏幕3到5米处；调节摄像模块的采集旋钮，调节到最佳采集状态；
[0009]对屏幕中的气象数据进行抓取，当在抓取的过程中当遇到不是气象的数据时，比如抓取到了是播报员的信息，能够识别出来给略掉。可能摄像模块抓取到的是一部分，但是它能针对抓取到的那一部分有针对性的抓取准确数据，在后续过程中再只分析这一部分的误差。
[0010]将要素信息数据(目标地点的天气数据和标准天气数据)输入神经网络模型；其中，要素数据以矩阵的形式输入到神经网络。
[0011]神经网络模型对沙尘数据进行切割，分析，计算出沙尘天气强度误差，其中，采用均值神经元和标准方差神经元计算的天气强度误差。
[0012]神经网络模型获取每个待测沙尘的指标，求解每个沙尘指标内的数值平均数和方差；神经网络得到输入到它里边的气象要素数据，这些数据包括不同地区的水平方向上的
数据、同一个地区竖直方向上的数据信息。比如求解水平方向上的平均值，就是将这个点附近的水平数据求平均值。当求竖直方向上的平均值时，就是将竖直方向上选中的那个点，然后测定求这个点附近周围的数据平均值。
[0013]将得出的平均数和方差与标准天气数据进行比较；其中，包括平均数和标准天气数据比较，也包括方差和标准天气数据比较。方差计算公式如式(1)所示：
[0014][0015]其中，s表示方差，n表示选取选取点的数量，x表示选取点各点数据的平均值，x
i
表示选取点的数据值。
[0016]根据比较偏差，判断当初预报时是否准确，并计算出某一点某一类型的沙尘偏差概率。其中，概率的计算公式如式(2)所示：
[0017][0018]其中，m1表示概率，l1表示平均值与标准数据的偏移量，t表示标准天气数据。概率的第二种计算公式如式(3)所示：
[0019][0020]其中，m2表示概率，l2表示方差与标准数据的偏移量，t表示标准天气数据。
[0021]例如，选中某一区域，在神经网络模型里输入几个就近水平方向上沙尘的测量指标数据，在神经网络模型中运算分析，生成该地附近的沙尘数据的平均值和方差，将平均值与标准天气数据进行比较，计算出平均值与标准数据的偏移量。该偏移量计算公式如式(4)所示：
[0022]l1＝x
‑
t
ꢀꢀꢀ
式(4)
[0023]其中，l1表示平均值与标准数据的偏移量，x表示选取点各点数据的平均值,t表示标准天气数据。
[0024]将方差和标准天气数据进行比较，计算出方差与标准数据的偏移量。取偏移量的与标准天气数据的比值，作为沙尘天气预报的强度误差。该偏移量计算公式如式(5)所示：
[0025]l2＝s
‑
t
ꢀꢀꢀ
式(5)
[0026]其中，l2表示平均值与标准数据的偏移量，s表示方差,t表示标准天气数据。
[0027]这样通过计算误差，可以找出第一次预报时的偏差，为再次更新天气状况做好了准备。
[0028]进一步，在上述的摄像模块进行语音识别具体采取以下步骤进行：
[0029]对音频数据特征进行提取，具体将输入音频数据，转化为频谱图数据，然后通过cnn处理图片的能力进行识别；
[0030]构造汉明窗；
[0031]对数据分帧，然后分帧加窗；
[0032]将时域信息转换到频域上，进行傅里叶变换，提取音频文件的时频图；
[0033]下载数据，生成音频文件和标签文件列表；
[0034]读取音频文件对应的拼音，具体通过建立拼音到id的映射，即词典；
[0035]将读取到的拼音标签映射到对应的id即可对输入的语音进行识别；
[0036]进一步，对摄像模块进行图像的处理具体包括以下步骤，采用霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。最基本的霍夫变换是从黑白图像中检测直线(线段)。广义的Hough变换已经不仅仅局限于提取直线，二值任意可以用表达式表达的曲线，比如圆，椭圆，正弦余弦曲线等等。
[0037]本方法首先对获取到的图像进行分帧处理，第一步筛选掉相似度超过设定值得图片；
[0038]对图片进行二值化，设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)。例如计算每个像素的(R+G+B)/3，假设>127，则设置该像素为白色，即R＝G＝B＝255；否则设置为黑色，即R＝G＝B＝0。
[0039]再初始化一个变换域空间的数组，r方向上的量化数目图像对角线方向像素，O方向上的量化数目为180。按顺序搜索图像的所有黑点。对每一个黑点，在变换域的对应个点加一。求出变换域最大值点并记录。最大值点就是所要获取的图像点。或者hough变换利用图像空间和hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。
[0040]再通过在参数空间里进行简单的累加统计，然后在hough参数空间寻找累加器峰值的方法检测直线和所需像素点。
[0041]进一步,基于神经网络沙尘天气预报的强度误差的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络沙尘天气预报强度误差的测算方法，其特征在于，具体包括以下步骤：采集沙尘要素数据信息；将采集到的沙尘要素数据输入到神经网络；采用神经网络，对沙尘数据进行切割、分析、计算出沙尘天气强度误差。2.根据权利要求1所述的基于神经网络沙尘天气预报强度误差的测算方法，其特征在于，所述沙尘要素数据信息为目标地点的天气数据，包括地点、能见度和沙尘天气层级。3.根据权利要求2所述的基于神经网络沙尘天气预报强度误差的测算方法，其特征在于：神经网络模型对沙尘数据进行切割，分析，计算出沙尘天气强度误差，所述沙尘天气层级包括上下层级、水平层级，上下层级为具体高度上沙尘的密度数和沙尘类型以及沙尘飘转类型，水平层级包括水平方向上的颗粒漂浮速度，平行方向上颗粒的浓度，其中，采用均值神经元和标准方差神经元计算的天气强度误差；具体按以下步骤执行：神经网络模型获取待测沙尘的指标，求解沙尘指标内的数值平均数和方差；方差计算公式如式(1)；将得出的平均数和方差与标准天气数据进行比较；其中，包括平均数和标准天气数据比较，也包括方差和标准天气数据比较，其中：s表示方差，n表示选取选取点的数量，x表示选取点各点数据的平均值，x
i
表示选取点的数据值；其中，水平平均值为被测点附近的监测点的水平数据求平均值，当求竖直方向上的平均值时，就是将竖直方向上选中的那个点，然后测定求这个点附近周围的数据平均值；根据比较偏差，判断当初预报时是否准确，并计算沙尘偏差概率，其中，沙尘偏差概率的计算公式如式(2)所示：其中，m1表示概率，l1表示平均值与标准数据的偏移量，t表示标准天气数据，沙尘偏差概率的第二种计算公式如式(3)所示：其中，m2表示概率，l2表示方差与标准数据的偏移量，t表示标准天气数据；选中区域，在神经网络模型里输入若干水平方向上沙尘的测量指标数据，在神经网络模型中运算分析，生成沙尘数据的平均值和方差，将平均值与标准天气数据进行比较，计算出平均值与标准数据的偏移量，平均值与标准数据...

【专利技术属性】
技术研发人员：潘涛，柏发俊，郑昕，
申请(专利权)人：象辑知源武汉科技有限公司，
类型：发明
国别省市：