(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111677034.0 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114509825 A (43)申请公布日 2022.05.17 (73)专利权人 河南大学 地址 475001 河南省开封市顺河区明伦街 85号 (72)发明人 张磊　孟坤颖　沈夏炯　韩道军　 丁文珂　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强 (51)Int.Cl. G01W 1/10(2006.01) G01S 7/41(2006.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 113433974 A,2021.09.24 CN 113568068 A,2021.10.2 9 CN 110456355 A,2019.1 1.15 CN 112949934 A,2021.0 6.11 CN 111428862 A,2020.07.17 WO 20212 22106 A1,2021.1 1.04 CN 110929798 A,2020.0 3.27 WO 202107319 2 A1,2021.04.2 2 CN 112926025 A,2021.0 6.08 张磊.基于深度学习的电信客户流失预测研 究. 《中国优秀硕士学位 论文全文数据库信息科 技辑》 .2020,(第07期),正文第3 -4页. (续) 审查员 王璇 (54)发明名称 基于混合进化算法改进三维对抗生成神经 网络的强对流天气预测方法及系统 (57)摘要 本发明公开一种基于混合进化算法改进三 维对抗生成神经网络的强对流天气预测方法及 系统， 该方法包括： 从原始多普勒天气雷达中读 取雷达回波数据， 生成训练数据集， 并将训练数 据集划分为多组输入数据； 利用遗传算法和交叉 熵算法构建混合进化算法； 建立基于混合进化算 法改进的三维对抗生成神经网络模 型； 通过训练 数据集对三维对抗生成神经网络模 型进行训练， 得到训练后的三维对抗生 成神经网络模 型； 根据 待预测时间范围得出需输入的雷达回波数据的 个数N， 将最新的N个预处理后的雷达回波数据输 入至训练后的三维对抗生成神经网络模型内进 行强对流天气预测。 本发明能够 有效提升强对流天气预测准确度。 [转续页] 权利要求书3页 说明书9页 附图1页 CN 114509825 B 2022.11.08 CN 114509825 B (56)对比文件 P.Lopez-Garcia等.A Hybrid Method for Short-Term Traf fic Congestion Forecasti ng Using Genetic Algorithm s and Cros s Entropy. 《IE EE Transacti ons on Intelligent Transportati on System s》 .2016,第5 57-569页.2/2 页 2[接上页] CN 114509825 B1.一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法， 其特征 在于， 包括： 步骤1： 从原始多普勒天气雷达中读取雷达回波数据， 将多普勒雷达回波数据中的高 度、 距离和方位角分别作为一个维度存入三 维矩阵中， 生 成训练数据集， 并将训练数据集划 分为多组输入数据； 步骤2： 利用遗传算法和交叉熵算法构建 混合进化 算法； 所述 步骤2包括： 步骤2.1： 设置遗传算法的参数， 确定变异率P； 设置交叉熵算法的参数； 选择样本生成 机制f(x)， 确定样本数量N、 精英样本数量N1以及平滑系数β； 初始化交叉熵算法的参数向量 V， 交叉熵算法迭代计数器t＝1； 步骤2.2： 从生成机制f(x)中生成样本x1，···， xN； 计算生成样本的目标函数值S (x1)，···， S(xN)， 并按照生成样本的目标函数值从小到大的顺序进行排序， 然后按照公 式(1)计算最优目标函 数值St， 并判断是否满足St＝St‑1＝···St‑d， d为非负数； 若满足则获 得对所有生成样本的编 码组成初始种群， 若不满足则更新参数向量V， 令t ＝t+1继续执行本 步骤所述操作， 直到获得初始种群； St＝St,(N)                       (1) 步骤2.3： 解码初始种群并计算个体适应度， 基于得到的适应度依次执行遗传算法中的 选择操作和变异操作生成新 一代种群， 计算 新一代种群最优个 体目标函数值Ft； 步骤2.4： 判断是否满足Ft＞St， 若满足Ft＞St， 则解码新一代种群获得个体表现型X1，···， XN， 然后计算生成样本的 目标函数值S(X1)，···， S(XN)， 并按照生成样本的目标函 数值从小到大的顺序进行排序， 根据公式(1)计算最优目标函数值St， 然后继续判断是否满 足终止条件， 若满足终止条件则 输出最优目标函数值St， 终止算法， 若不满足 终止条件则继续执 行步骤2.2和步骤2.3； 若不满足Ft＞St， 则判断是否满足Ft＝Ft‑1＝···Ft‑d， 若满足则输出最优目标函数值 St， 终止算法， 否则令t＝t+1， 继续执 行步骤2.2； 步骤3： 建立基于混合进化 算法改进的三维对抗 生成神经网络模型； 所述 步骤3包括： 步骤3.1： 建立超参数搜索空间； 包括， 预 先指定各超参数； 步骤3.2： 将超参数空间中每一个点所代表的超参数组合编码为染色体形式， 通过步骤 2中的样本生成方法生成初始种群， 再以每个染色体对应的超参数组合为基础构建三维对 抗生成神经网络模型； 步骤4： 通过步骤1中所述训练数据集对步骤3中所述三维对抗生成神经网络模型进行 训练， 得到训练后的三维对抗 生成神经网络模型； 步骤5： 根据待预测时间范围得出需输入的雷达回波数据的个数N， 将最新的N个预处理 后的雷达回波数据输入至训练后的三维对抗 生成神经网络模型内进行强对流天气预测。 2.根据权利要求1所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气 预测方法， 其特 征在于， 所述 步骤1包括： 步骤1.1： 对多个原始多普勒雷达数据中的雷达回波数据依次进行采集， 采集 时将雷达 回波数据中的高度、 距离和方位角分别作为一个维度存入三维矩阵中， 然后按照采集顺序 分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本， 作为预处理后的雷 达回波数据； 所述原 始多普勒雷达数据的名称包 含雷达回波数据的记录时间；权　利　要　求　书 1/3 页 2 CN 114509825 B 3