【技术实现步骤摘要】
本专利技术涉及雷电电场波形分类，尤其涉及一种雷电电场波形的分类方法、系统、设备和介质。
技术介绍
1、雷电是一种超大尺度的大气放电现象，对人类生产生活造成极大威胁，因此对雷电的研究与防护愈发重要。在雷电放电过程中产生的电磁波是雷电探测的主要对象。其中，通过采集雷电放电的甚低频/低频(very low frequency/low frequency)信号，可以分辨不同的雷电活动类型，并进一步实现雷电定位和雷电流等雷电特征参数的反演。然而，不同雷电过程的相似电场波形为雷电波形分类和后续的雷电定位及雷电特征参数反演带来了巨大的挑战。因此，对雷电放电过程的波形分类是十分必要的。
2、目前，雷电电场波形分类主要通过深度学习算法对雷电电场波形进行识别分类，但深度学习算法对系统算力要求较高，无法搭载在移动端上，响应速度慢，降低了雷电电场波形的分类效率。
技术实现思路
1、本专利技术提供了一种雷电电场波形的分类方法、系统、设备和介质，解决了目前雷电电场波形分类主要通过深度学习算法对雷电电场波形进行识别分类，但深度学习算法对系统算力要求较高，无法搭载在移动端上，响应速度慢，降低了雷电电场波形的分类效率的技术问题。
2、本专利技术第一方面提供的一种雷电电场波形的分类方法，包括：
3、获取训练电场波形数据，对所述训练电场波形数据进行数据预处理，生成电场波形特征集；
4、采用所述电场波形特征集对预设的电场波形分类模型进行训练，生成目标电场波形分类模型，其中，
5、当接收到待分类波形数据时，根据所述待分类波形数据构建待分类波形图像；
6、通过所述特征提取网络对所述待分类波形图像进行特征提取，生成波形特征图；
7、采用所述分类网络对所述波形特征图进行分类检测，得到分类结果。
8、可选地，所述根据所述待分类波形数据构建待分类波形图像的步骤，包括：
9、基于预设降噪窗口对所述待分类波形数据进行窗口化操作，得到窗口波形数据；
10、将所述窗口波形数据进行滤波处理，得到中间波形数据；
11、采用所述中间波形数据构建待分类波形图像。
12、可选地，所述特征提取网络包括依次连接的3×3标准卷积层、第一卷积模块、2×2最大池化层、第一卷积模块和第二卷积模块，所述通过所述特征提取网络对所述待分类波形图像进行特征提取，生成波形特征图的步骤，包括：
13、采用3×3标准卷积层对所述待分类波形图像进行特征提取，生成第一特征图；
14、通过第一卷积模块对所述第一特征图进行特征提取，生成第二特征图，其中，第一卷积模块包括依次连接的3×3标准卷积层、批归一化层和leaky-relu激活层；
15、通过2×2最大池化层对所述第二特征图进行池化，生成第三特征图；
16、采用第一卷积模块对所述第三特征图进行特征提取，生成第四特征图；
17、通过所述第二卷积模块对所述第四特征图进行特征提取，生成波形特征图，其中，所述第二卷积模块包括第一提取分支、第二提取分支、第三提取分支和特征融合层。
18、可选地，所述通过所述第二卷积模块对所述第四特征图进行特征提取，生成波形特征图的步骤，包括：
19、采用所述第一提取分支对所述第四特征图进行特征提取，生成第五特征图，其中，所述第一提取分支包括依次连接的六十四个1×1标准卷积层；
20、通过所述第二提取分支对所述第四特征图进行特征提取，生成第六特征图，其中，所述第二提取分支包括依次连接的六十四个1×1标准卷积层和三十二个3×3标准卷积层；
21、通过所述第三提取分支对所述第四特征图进行特征提取，生成第七特征图，其中，所述第三提取分支包括六十四个1×1标准卷积层和六十四个3×3标准卷积层；
22、采用特征融合层对所述第四特征图、所述五特征图、所述第六特征图和所述第七特征图进行特征融合，生成波形特征图。
23、可选地，所述分类网络包括依次连接的第一卷积模块、第三卷积模块和soflmax层，所述采用所述分类网络对所述波形特征图进行分类检测，得到分类结果的步骤，包括：
24、通过第一卷积模块对所述波形特征图进行特征提取，生成第八特征图；
25、采用所述第三卷积模块对所述第八特征图进行特征提取，生成分类得分图，其中，所述第三卷积模块包括依次连接的2×2最大池化层、平铺层和全连接层；
26、采用soflmax层对所述分类得分图进行分类处理，得到分类结果。
27、可选地，所述采用所述第三卷积模块对所述第八特征图进行特征提取，生成分类得分图的步骤，包括：
28、通过2×2最大池化层对所述第八特征图进行池化，生成第九特征图；
29、采用平铺层对所述第九特征图进行向量转化操作，得到分类特征向量；
30、通过全连接层对所述分类特征向量进行非线性变换，得到分类得分图。
31、可选地，所述电场波形特征集包括训练样本数据和所述采用所述电场波形特征集对预设的电场波形分类模型进行训练，生成目标电场波形分类模型的步骤，包括：
32、采用所述电场波形特征集输入预设的电场波形分类模型进行训练，输出训练分类数据；
33、根据所述训练分类数据计算所述电场波形特征集的训练损失函数值；
34、当所述训练损失函数值大于或等于预设的损失阈值时，采用梯度下降法调整所述电场波形分类模型的网络参数，直至所述训练损失函数值小于所述损失阈值；
35、当所述训练损失函数值小于所述损失阈值，则生成目标电场波形分类模型。
36、本专利技术第二方面提供的一种雷电电场波形的分类系统，包括：
37、预处理模块，用于获取训练电场波形数据，对所述训练电场波形数据进行数据预处理，生成电场波形特征集；
38、训练模块，用于采用所述电场波形特征集对预设的电场波形分类模型进行训练，生成目标电场波形分类模型，其中，所述目标电场波形分类模型包括特征提取网络和分类网络；
39、响应模块，用于当接收到待分类波形数据时，根据所述待分类波形数据构建待分类波形图像；
40、提取模块，用于通过所述特征提取网络对所述待分类波形图像进行特征提取，生成波形特征图；
41、分类模块，用于采用所述分类网络对所述波形特征图进行分类检测，得到分类结果。
42、本专利技术第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的雷电电场波形的分类方法的步骤。
43、本专利技术第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的雷电电场波形的分类方法。
44、从以上技本文档来自技高网...
【技术保护点】
1.一种雷电电场波形的分类方法，其特征在于，包括：
2.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述根据所述待分类波形数据构建待分类波形图像的步骤，包括：
3.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述特征提取网络包括依次连接的3×3标准卷积层、第一卷积模块、2×2最大池化层、第一卷积模块和第二卷积模块，所述通过所述特征提取网络对所述待分类波形图像进行特征提取，生成波形特征图的步骤，包括：
4.根据权利要求3所述的雷电电场波形的分类方法，其特征在于，所述通过所述第二卷积模块对所述第四特征图进行特征提取，生成波形特征图的步骤，包括：
5.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述分类网络包括依次连接的第一卷积模块、第三卷积模块和Soflmax层，所述采用所述分类网络对所述波形特征图进行分类检测，得到分类结果的步骤，包括：
6.根据权利要求5所述的雷电电场波形的分类方法，其特征在于，所述采用所述第三卷积模块对所述第八特征图进行特征提取，生成分类得分图的步骤，包括：
<...【技术特征摘要】
1.一种雷电电场波形的分类方法，其特征在于，包括：
2.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述根据所述待分类波形数据构建待分类波形图像的步骤，包括：
3.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述特征提取网络包括依次连接的3×3标准卷积层、第一卷积模块、2×2最大池化层、第一卷积模块和第二卷积模块，所述通过所述特征提取网络对所述待分类波形图像进行特征提取，生成波形特征图的步骤，包括：
4.根据权利要求3所述的雷电电场波形的分类方法，其特征在于，所述通过所述第二卷积模块对所述第四特征图进行特征提取，生成波形特征图的步骤，包括：
5.根据权利要求1所述的雷电电场波形的分类方法，其特征在于，所述分类网络包括依次连接的第一卷积模块、第三卷积模块和soflmax层，所述采用所述分类网络对所述波形特征图进行分类检测，得到分...
【专利技术属性】
技术研发人员：杨跃光，屈路，廖玉琴，陈怀飞，秦浩东，廖民传，王敩青，胡上茂，李文荣，刘刚，刘小兵，贾磊，蔡汉生，胡泰山，梅琪，刘浩，吴泳聪，姚成，孟森，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司电力科研院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。