具体实施方式

本发明的核心是提供一种雷电地闪识别方法，可以提升雷电地闪电磁波识别精准度，减少错误判定概率。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

经申请人基于现有雷电地闪电磁波识别方法的大量研究表明，现有雷电地闪电磁波识别方法均采用典型雷电地闪模型与探测信号进行匹配识别，然而雷电地闪电磁波延地表传播时途径山川、河流、植被、高楼等易导致的波形发生延迟或形变，当形变后的波形超出典型雷电地闪模型中任一特征阈值时，均会使该电磁波无法识别，进而导致漏探测雷电地闪。

针对这一问题，申请人提出了一种雷电地闪识别方法，可以精准识别是否为地闪，请参考图1，图1为本发明实施例中一种雷电地闪识别方法的流程图，该方法包括以下步骤：

S101、确定待识别电磁波电压数据；

待识别电磁波电压数据指待识别的记录有电磁波电压值变化的数据。由于雷电地闪的特征主要集中在低频或甚低频段(30kHz～100kHz)，因此，需保证待识别电磁波电压数据中需要包含低频或甚低频段数据，对于是否包含其它频段本实施例中不做限定。

为尽量减少与地闪识别特征无关的波形数据对于识别工作量以及识别精准度带来的不利影响，同时保留波形变化形态，减少人为波形筛选工作量，本实施例中提出一种确定待识别电磁波电压数据的实现方式，可以直接对记录的雷暴活动过程的电磁波电压值进行筛选以及剔除，从而可以排除其他无关干扰，提升识别精准度。

具体地，确定待识别电磁波电压数据的实现方式如下：

(1)接收雷暴活动中电磁波电压值记录数据；

(2)确定电磁波电压值记录数据中低频或甚低频段范围的波峰峰值点；

(3)在电磁波电压值记录数据中以波峰峰值点作为中心点，截取前后预设范围内的数据，作为待识别电磁波电压数据。

上述方式中直接获取电磁波波形记录装置对雷暴活动过程中(一次雷暴过程可能包含多次雷电)天线感应的电磁波电压值进行完整记录，选出波形记录中符合低频/甚低频段(30kHz～100kHz)范围的波峰峰值点，并对每个波峰峰值点截取前后预设范围内(比如500us，该值可以根据实际使用需要进行调整，具体数值设定本实施例中不做限定)的波形作为待识别电磁波电压数据，通过设备自动识别筛选减少人工工作量，同时通过剔除无关电压值，筛选出波形变化数据可以减少干扰数据，提升识别精准度。本实施例中仅以上述确定待识别电磁波电压数据的实现方式为例，其它实现过程(比如通过人工筛选出包含雷电过程的波形变化数据作为待识别电磁波电压数据，或直接将包含一次或多次雷电过程的波形变化数据作为待识别电磁波电压数据等)均可参照本实施例介绍的实现过程，在此不再赘述。

S102、将待识别电磁波电压数据进行图形化处理，得到波形图像；

本实施例中为了提升识别能力，不直接采用典型固定的识别模型去匹配雷电波形，而是将波形识别问题转化为图像分类目标问题去实现，将待识别电磁波电压数据进行图形化处理，从而在波形图像上实现对于雷电地闪电磁波形态的整体识别，从而除了波峰、波谷等关键位置还包括其它位置的特征匹配，识别的特征更全面，提升了识别精准度。

其中，将待识别电磁波电压数据进行图形化处理的具体实现过程本实施例中不做限定，可以参照其它数据波形化处理方式，在此不做限定。为保障雷电地闪电磁波波形识别效果，在此介绍一种图形化处理手段，具体包括以下步骤：

(1)将待识别电磁波电压数据中各点的电压值分别与波峰电压值相除，并将计算得到各点的商值作为标准值；

其中，各点指待识别电磁波电压数据中各数据点。

假设波峰P的值L_F，波形任意点x对应的值为L_x，则将峰值均设置为1，任意点x的值设置为L_F/L_x。通过将电压数据进行波形标准化处理，可以增加波动幅度，从而有利于识别波形特征。

需要说明的是，本实施例介绍的图形化处理方法中需要保证一组待识别电磁波电压数据中只有一个波峰，该前提可以在确定待识别电磁波电压数据中将数据中各波峰数据段进行分别截取，即确定的待识别电磁波电压数据中只有一个波峰，也可以在执行本实施例介绍的图形化处理方法前进行波峰部分数据截取，在此不做限定。

(2)以各点对应的时间为横轴，标准值为纵轴进行波形绘制，生成波形图像。

得到各点对应的标准值之后，将其转换为以横轴为时间，纵轴为标准值的波形图像。

另外，由于本实施例中通过调用机器学习模型对波形图像进行形态识别，为保证机器学习模型的统一识别，提升识别精准度，可以将得到的波形图像进一步进行图像形状以及边长的设定，比如将得到的波形图像统一转换为正方形，图片像素边长可依据模型训练机器的计算能力进行设置，比如设置为64*64像素图片。由于不同的机器学习类型对于图像格式要求不同，本实施例中仅以上述形状以及大小调整为例，其它图像调整可以根据实际情况进行设定。

本实施例中仅以上述波形图形转换实现过程为例进行介绍，其它实现方式，比如直接对各点对应的电压值进行波形绘制等方式，均可参照本实施例的介绍，在此不再赘述。

S103、调用预训练的雷电地闪电磁波识别模型对波形图像进行电磁波形态识别，得到雷电地闪预测概率；

本实施例中调用的雷电地闪电磁波识别模型为根据雷电地闪电磁波波形图片和非雷电地闪电磁波波形图片进行波形识别训练得到的机器学习模型，本实施例中对于机器学习的类型不做限定，比如可以为神经网络、决策树、回归分析等，本实施例中主要以CNN卷积神经网络为例进行介绍，其它机器学习模型的设置以及调用均可参照本实施例的介绍，在此不做限定。

本实施例中对于雷电地闪电磁波识别模型的模型结构不做限定，可以根据实际图像识别精度的需要进行相应设定，在此介绍一种CNN卷积神经网络的架构设计，如图2所示为雷电地闪电磁波识别CNN模型结构示意图，其中包括卷积层、池化层、卷积层和2层全连接层，每一层参数参见图2，需要说明的是，本实施例中仅以上述模型结构为例进行介绍，其它类型的机器学习模型下的具体结构设置可以根据实际使用需要进行相应设定。

在调用雷电地闪电磁波识别模型对波形图像进行电磁波形态识别中，调用的雷电地闪电磁波识别模型为根据雷电地闪电磁波波形图片和非雷电地闪电磁波波形图片进行波形识别预训练得到的模型，本实施例中对于模型训练的实现过程不做限定，可以参照相关技术的实现，在此不再赘述。

S104、根据雷电地闪预测概率生成雷电地闪识别结果。

将波形图像输入至雷电地闪电磁波识别模型后，雷电地闪电磁波识别模型会输出对于该图像的雷电地闪预测概率，比如65％，指示该图像为地闪的概率为65％，根据雷电地闪预测概率生成雷电地闪识别结果，可以直接将概率作为识别结果，也可以根据概率进行进一步的判定，比如若预测数值大于50％则识别为雷电地闪，否则识别为非雷电地闪，比如雷电地闪预测概率为65％，大于50％，则为雷电地闪，则可以输出该图像为雷电地闪的雷电地闪识别结果。

基于上述介绍，本发明实施例所提供的雷电地闪识别方法，不直接采用典型固定的波峰、波谷特征识别模型去匹配雷电波形，而是将波形识别问题转化为图像分类目标问题去实现，根据大量的雷电地闪电磁波波形图片和非雷电地闪电磁波图片作为训练样本，对搭建的机器学习模型进行训练，最终形成一个可识别雷电地闪电磁波的模型，通过雷电地闪电磁波识别模型对雷电地闪电磁波整体形态的识别，针对电磁波所有位置的波形特征进行识别，相比传统方法中对波形的波峰、波谷等关键位置进行固定阈值匹配的方式识别的波形范围大，特征更多，可提高雷电电磁波识别能力，从而提升雷电地闪电磁波识别精准度。

上述实施例中对于雷电地闪电磁波识别模型的训练过程不做限定，为加深理解，本实施例中提供一种CNN卷积神经网络的模型训练方法，其它类型的机器学习模型的训练过程均可参照本实施例的介绍，在此不再赘述。

(1)采用电磁波波形记录装置对雷暴活动过程中(一次雷暴过程可能包含多次雷电)天线感应的电磁波电压值进行完整记录；

(2)选出波形记录中符合30kHz～100kHz范围的波峰峰值点，并对每个波峰峰值点截取前后500us的波形作为样本，并记录波峰峰值点的详细时间；

(3)将每个波形样本进行图像化。为保障雷电地闪电磁波波形训练效率与识别效果，主要进行以下步骤：

(3.1)将波形标准化，假设波峰P的值L_F，波形任意点x对应的值为L_x，则将峰值均设置为1，任意点x的值设置为L_F/L_x；

(3.2)将波形转换为以横轴为时间，纵轴为电磁波感应电压的波形图片；

(3.3)统一将图片转换为正方形，图片像素边长可依据模型训练机器计算能力进行设置，可推荐设置为64*64像素图片；

(4)依据步骤(2)中每个波形样本的峰值时间，对比其他雷电地闪探测设备数据，若能匹配到三个及以上雷电地闪探测设备采集到某个峰值且峰值时间差别在0.1ms内，则标记该样本为雷电地闪样本(可标记为1)，否则转到步骤(5)；

(5)人工判别该波形样本是否为雷电地闪样本，若是则标记为雷电地闪样本(可标记为1)，若否则标记为非雷电地闪样本(可标记为0)；

(6)将标记后的波形样本输入至预先搭建的CNN卷积神经网络中进行训练，计算样本测试集的目标识别准确率，若准确率大于95％，则可以停止训练。

经实际测量，经过上述方式训练得到的模型对雷电地闪电磁波波形形态更好的辨识，更接近于人工判别结果，本实施例中仅以上述模型训练过程为例进行介绍，其它训练实现方式均可参照本实施例的介绍，在此不再赘述。

相应于上面的方法实施例，本发明实施例还提供了一种雷电地闪识别装置，下文描述的雷电地闪识别装置与上文描述的雷电地闪识别方法可相互对应参照。

参见图3所示，该装置包括以下模块：

数据确定单元110主要用于确定待识别电磁波电压数据；其中，待识别电磁波电压数据中包括低频或甚低频段数据；

图形化处理单元120主要用于将待识别电磁波电压数据进行图形化处理，得到波形图像；

形态识别单元130主要用于调用预训练的雷电地闪电磁波识别模型对波形图像进行电磁波形态识别，得到雷电地闪预测概率；其中，雷电地闪电磁波识别模型为根据雷电地闪电磁波波形图片和非雷电地闪电磁波波形图片进行波形识别训练得到的机器学习模型；

结果生成单元140主要用于根据雷电地闪预测概率生成雷电地闪识别结果。

在本发明的一种具体实施方式中，图形化处理单元包括：

标准值转换子单元，用于将待识别电磁波电压数据中各点的电压值分别与波峰电压值相除，并将计算得到各点对应的商值作为标准值；

波形绘制子单元，用于以各点对应的时间为横轴，标准值为纵轴进行波形绘制，生成波形图像。

在本发明的一种具体实施方式中，图形化处理单元中还包括：与波形绘制子单元连接的形状转换子单元，用于将波形图像转换为以设定值为边长的正方形图像。

在本发明的一种具体实施方式中，数据确定单元包括：

数据接收子单元，用于接收雷暴活动中电磁波电压值记录数据；

峰值点确定子单元，用于确定电磁波电压值记录数据中低频或甚低频段范围的波峰峰值点；

数据截取子单元，用于在电磁波电压值记录数据中以波峰峰值点作为中心点，截取前后预设范围内的数据，作为待识别电磁波电压数据。

相应于上面的方法实施例，本发明实施例还提供了一种计算机设备，下文描述的一种计算机设备与上文描述的一种雷电地闪识别方法可相互对应参照。

该计算机设备包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现上述方法实施例的雷电地闪识别方法的步骤。

具体的，请参考图4，为本实施例提供的一种计算机设备的具体结构示意图，该计算机设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在计算机设备301上执行存储器332中的一系列指令操作。

计算机设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。

上文所描述的雷电地闪识别方法中的步骤可以由本实施例提供的计算机设备的结构实现。

相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种雷电地闪识别方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的雷电地闪识别方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。