[go: up one dir, main page]

CN114814960B - 基于单站检测的闪电电磁波定位方法、系统及设备 - Google Patents

基于单站检测的闪电电磁波定位方法、系统及设备 Download PDF

Info

Publication number
CN114814960B
CN114814960B CN202210239373.9A CN202210239373A CN114814960B CN 114814960 B CN114814960 B CN 114814960B CN 202210239373 A CN202210239373 A CN 202210239373A CN 114814960 B CN114814960 B CN 114814960B
Authority
CN
China
Prior art keywords
lightning electromagnetic
electromagnetic pulse
lightning
propagation distance
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210239373.9A
Other languages
English (en)
Other versions
CN114814960A (zh
Inventor
王佳权
周晓
肖芳
宋佳军
苑尚博
马启明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN202210239373.9A priority Critical patent/CN114814960B/zh
Publication of CN114814960A publication Critical patent/CN114814960A/zh
Application granted granted Critical
Publication of CN114814960B publication Critical patent/CN114814960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明属于闪电探测、人工智能和深度学习领域，具体涉及了一种基于单站检测的闪电电磁波定位方法、系统及设备，旨在解决现有的单站闪电定位方法定位误差大、效率低、范围小，且定位系统易受干扰的问题。本发明包括：通过闪电电磁脉冲探测设备实时采集闪电电磁脉冲波形数据，以及将接收的GPS或北斗授时信号解调为高精度授时信息；通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；融合闪电电磁脉冲的传播距离和波方位，获得闪电电磁脉冲的定位结果。本发明可实现各类别闪电电磁脉冲的高精度探测，单站探测范围超过1000千米，定位精度优于5％。

Description

基于单站检测的闪电电磁波定位方法、系统及设备
技术领域
本发明属于闪电探测、人工智能和深度学习领域，具体涉及了一种基于单站检测的闪电电磁波定位方法、系统及设备。
背景技术
闪电是一种频繁发生在自然界中的高强度瞬间放电过程。一方面它维持了大气电离层与地球之间的电平衡；另一方面，闪电灾害已被联合国十年减灾委员会列为“最为严重的十大自然灾害之一”。闪电辐射的电磁波频谱极宽、强度极大，在低于1Hz到接近300MHz的频率范围内释放大量电磁能量。因此，电磁脉冲探测技术成为闪电探测的首选方法。
目前，常用的地基闪电电磁脉冲探测技术主要基于多站时差与测向混合的定位方法。主流的商业闪电定位系统使用甚低频/低频(VLF/LF)探测频段，需要使用至少4个探测站，站点基线距离一般为100～150km，实现对探测网内闪电事件的实时三维定位。该系统的优点在于定位精度高，对网内发生的闪电事件的平均定位误差优于500米。缺点在于需要多站联网探测；各探测站需保持高精度的时钟同步；站点位置固定，无法适用于机动系统。
单站闪电定位系统是探测闪电的重要组成部分，该系统以运行简单、机动灵活的特点，在机场、船舶、航空等领域具有广泛的应用前景。目前，单站闪电定位系统主要使用电磁脉冲探测技术，实现对闪电事件快速地探测。尽管单站闪电定位技术已被提出了许多年，但仍然存在定位误差大、探测效率低、探测范围小、容易受干扰等诸多问题，严重限制了单站闪电定位系统的推广使用。
发明内容
为了解决现有技术中的上述问题，即现有的单站闪电定位方法定位误差大、效率低、范围小，且定位系统易受干扰的问题，本发明提供了一种基于单站检测的闪电电磁波定位方法，该定位方法包括：
步骤S10，通过闪电电磁脉冲探测设备实时采集闪电电磁脉冲波形数据，以及将接收的GPS或北斗授时信号解调为高精度授时信息；
步骤S20，基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，并通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；
步骤S30，基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
步骤S40，融合所述闪电电磁脉冲传播距离和波方位，获得闪电电磁脉冲的定位结果。
在一些优选的实施例中，所述闪电电磁脉冲传播距离预测模型基于深度学习神经网络构建，包括输入层、多维度特征提取网络、多特征融合与映射网络和输出层。
在一些优选的实施例中，所述多维度特征提取网络包括三个结构相同的分支网络，分别用于提取闪电电磁脉冲的电场信号、南北向磁场信号和东西向磁场信号；
所述分支网络包括第一输入层、多个一维卷积神经网络计算层、批量归一化计算层、激活计算层、残差块、最大值池化计算层、全局均值池化计算层以及第一输出层。
在一些优选的实施例中，所述第一输入层用于传递采集的维度为1×N的闪电电磁脉冲数据，N为闪电电磁脉冲探测设备采样率和单次采样的时间长度；
所述第一输出层用于输出所述三个分支网络分别提取的维度为1×F的特征数据，F为每一个分支网络输出的特征数量。
在一些优选的实施例中，所述多特征融合与映射网络包括第二输入层、数据融合层、残差神经网络、全连接层、激活层以及第二输出层。
在一些优选的实施例中，所述第二输入层用于传递高精度授时信息以及多维度特征提取网络的三个分支网络分别输出的维度为1×F的电场信号、南北向磁场信号、东西向磁场信号的特征信息；
所述第二输出层用于输出融合后的维度为1×(3×F+1)的数据。
在一些优选的实施例中，所述闪电电磁脉冲传播距离预测模型，其训练方法为：
步骤B10，获取设定数量的闪电电磁脉冲波形数据及对应的高精度授时信息作为模型训练数据集，以波形数据对应的闪电电磁脉冲实际传播距离作为训练数据的标签；
步骤B20，选取任一训练数据，通过构建的闪电电磁脉冲传播距离预测模型获取对应的闪电电磁脉冲的传播距离；
步骤B30，通过设定的损失函数计算所述闪电电磁脉冲的传播距离与当前训练数据的标签之间的损失值；
步骤B40，通过优化函数更新闪电电磁脉冲传播距离预测模型的参数，并通过训练数据集进行模型迭代训练，直至达到设定的训练结束条件，获得训练好的闪电电磁脉冲传播距离预测模型。
在一些优选的实施例中，所述闪电电磁脉冲的波方位，其计算方法为：
其中，θ为闪电电磁脉冲的波方位，E为闪电电磁脉冲的电场信号的最大幅值，BNS为闪电电磁脉冲的南北向磁场信号的最大幅值，BEW为闪电电磁脉冲的东西向磁场信号的最大幅值。
本发明的另一方面，提出了一种基于单站检测的闪电电磁波定位系统，该定位系统包括以下模块：
信号采集模块，配置为通过闪电电磁脉冲探测设备，实时采集闪电电磁脉冲波形数据；
授时模块，配置为接收GPS或北斗授时信号，并通过信号解调模块输出高精度授时信息，传递给闪电电磁脉冲传播距离预测模型；
距离预测模块，配置为基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；
波方位计算模块，配置为基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
融合定位模块，配置为融合所述闪电电磁脉冲的传播距离和波方位，获得闪电电磁脉冲的定位结果。
本发明的第三方面，提出了一种电子设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于单站检测的闪电电磁波定位方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于单站检测的闪电电磁波定位方法。
本发明的有益效果：
(1)本发明基于单站检测的闪电电磁波定位方法，结合了电磁脉冲到达方位角计算以及传播距离预测模型，实现了利用单个探测站对1000公里范围内发生的闪电事件的高精度探测，定位精度优于信号传播距离的5％。
(2)本发明基于单站检测的闪电电磁波定位方法，闪电电磁脉冲传播距离预测模型预测结合了电磁脉冲信号的多维度特征，利用高精度多站闪电定位数据以及电磁脉冲波形数据，对模型进行了参数训练，得到了高精度的电磁脉冲传播距离预测模型，从而有效提升了闪电电磁脉冲定位的准确性和精度。
(3)本发明基于单站检测的闪电电磁波定位方法，闪电电磁脉冲传播距离预测模型对不同类型的闪电电磁脉冲信号均有良好的传播距离预测能力，模型可移植性强，适用于多种计算平台，模型计算速度快，能够实现对闪电电磁脉冲的实时探测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于单站检测的闪电电磁波定位方法的流程示意图；
图2是本发明基于单站检测的闪电电磁波定位方法一种实施例的信号采集与处理流程示意图；
图3是本发明基于单站检测的闪电电磁波定位方法一种实施例的天线结构示意图；
图4是本发明基于单站检测的闪电电磁波定位方法一种实施例的采集的闪电电磁脉冲电磁场波形示意图；
图5是本发明基于单站检测的闪电电磁波定位方法一种实施例的闪电电磁脉冲传播距离预测模型结构图；
图6是本发明基于单站检测的闪电电磁波定位方法一种实施例的多维度特征提取网络的分支网络结构图；
图7是本发明基于单站检测的闪电电磁波定位方法一种实施例的多特征融合与映射网络结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于单站检测的闪电电磁波定位方法，本方法结合了电磁脉冲信号到达方位计算和传播距离预测方法，其中，电磁脉冲传播距离预测方法基于高精度闪电定位大数据以及人工智能模型。该方法系统性地解决了现有单站闪电探测设备定位精度低、探测效率低、监测范围小、环境适应性差等问题；方法充分考虑了影响闪电电磁脉冲传播距离预测的诸多因素，尤其是不同闪电类型对传播距离预测的影响。
本发明的一种基于单站检测的闪电电磁波定位方法，该定位方法包括：
步骤S10，通过闪电电磁脉冲探测设备实时采集闪电电磁脉冲波形数据，以及将接收的GPS或北斗授时信号解调为高精度授时信息；
步骤S20，基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，并通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；
步骤S30，基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
步骤S40，融合所述闪电电磁脉冲传播距离和波方位，获得闪电电磁脉冲的定位结果。
为了更清晰地对本发明基于单站检测的闪电电磁波定位方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于单站检测的闪电电磁波定位方法，包括步骤S10-步骤S40，各步骤详细描述如下：
步骤S10，通过闪电电磁脉冲探测设备实时采集闪电电磁脉冲波形数据，以及将接收的GPS或北斗授时信号解调为高精度授时信息。
本发明一个实施例中，分布在各气象观测台站的闪电电磁脉冲探测设备工作在甚低频/低频(VLF/LF)频段，如图2所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的信号采集与处理流程示意图，信号采集通道的3dB频率范围为3kHz～400kHz。
感应的模拟信号经放大、滤波后，由模拟/数字(A/D)转换器转为数字信号，方便后续处理。A/D转换器采样率为1MSPS，即每秒采样1×106次，采样精度为16位。
如图3所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的天线结构示意图，信号接收天线使用平板电容天线和正交磁环天线，其中，平板电容天线感应电场信号，正交磁环天线分别感应东西向磁场和南北向磁场信号。
如图4所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的采集的闪电电磁脉冲电磁场波形示意图，信号采集方式为电平触发式采样，单次采样时间长度为1ms，预触发采样长度为120μs。
步骤S20，基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，并通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离。
闪电电磁脉冲传播距离预测模型，其训练方法为：
步骤B10，获取设定数量的闪电电磁脉冲波形数据及对应的高精度授时信息作为模型训练数据集，以波形数据对应的闪电电磁脉冲实际传播距离作为训练数据的标签。
近年来，通过分布在各野外观测台站的闪电电磁脉冲探测设备，已获取了大量闪电电磁脉冲原始数据。这些探测设备通过组网方式形成多站闪电定位网，可以精确计算出闪电发生的位置、时间、强度等信息。进一步的，可以根据计算结果对原始电磁脉冲数据进行标记，标记内容包括信号的传播距离、到达时间、方位信息，从而形成闪电电磁脉冲波形数据库。
波形数据库对提升单站闪电探测模型的定位效果具有重要作用。目前，已标记的闪电电磁脉冲波形数据样本近80万条，其中包括各类型的闪电脉冲信号，如云地闪、云闪、袖珍云闪等，样本距离区间为[0，4000km]，全面覆盖了闪电地波传播的范围。
步骤B20，选取任一训练数据，通过构建的闪电电磁脉冲传播距离预测模型获取对应的闪电电磁脉冲的传播距离。
预测模型依托已建立的闪电电磁脉冲波形数据库进行参数训练，需要对数据库中每条样本进行信息读取，分别获取电磁脉冲波形数据以及标记信息，便于后续模型训练。
本发明一个实施例中，每一次迭代训练中选择模型训练数据集中的一个批次数据，一个批次包括1024个训练数据。
步骤B30，通过设定的损失函数计算所述闪电电磁脉冲的传播距离与当前训练数据的标签之间的损失值。
模型训练过程中，损失值计算方法通常有2种，一种是计算预测距离与真实距离的绝对误差，另一种是计算预测距离与真实距离的相对误差。考虑到数据样本距离区间为[0，4000km]，区间跨度很大，使用相对误差更能反映模型对不同距离样本的预测能力。因此，本发明使用相对误差来计算模型损失值。得到损失值，可以通过神经网络反向传播计算方法对模型参数进行优化，本发明使用随机梯度下降优化算法更新模型参数。
步骤B40，通过优化函数更新闪电电磁脉冲传播距离预测模型的参数，并通过训练数据集进行模型迭代训练，直至达到设定的训练结束条件，获得训练好的闪电电磁脉冲传播距离预测模型。
闪电电磁脉冲传播距离预测模型基于深度学习神经网络构建，包括输入层、多维度特征提取网络、多特征融合与映射网络和输出层。
如图5所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的闪电电磁脉冲传播距离预测模型结构图，输入层将闪电电磁脉冲数据传递给下一个计算层，输入数据包括电场数据DE、南北向磁场数据东西向磁场数据信号到达时间DT，多维度特征提取网络分别提取电场数据DE、南北向磁场数据东西向磁场数据的特征，由多特征融合与映射网络将提取的特征与信号到达时间DT进行融合，最终由输出层输出预测距离。
本发明一个实施例中，电场数据DE、南北向磁场数据和东西向磁场数据的维度均为1×1000，信号到达时间DT(即高精度授时信息)的维度为1×1。其中，信号到达时间指的是信号到达探测站的时刻与当天零时的时间差，时间单位为秒，即信号到达时间范围为0～86400秒。
多维度特征提取网络包括三个结构相同的分支网络，分别用于提取闪电电磁脉冲的电场信号、南北向磁场信号和东西向磁场信号。
如图6所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的多维度特征提取网络的分支网络结构图，分支网络包括第一输入层、多个一维卷积神经网络计算层、批量归一化计算层、激活计算层、残差块、最大值池化计算层、全局均值池化计算层以及第一输出层。
第一输入层用于传递采集的维度为1×N的闪电电磁脉冲数据，N为闪电电磁脉冲探测设备采样率和单次采样的时间长度，在本发明一个实施例中，多维度特征提取分支网络输入层数据指的是电场数据DE、南北向磁场数据和东西向磁场数据中的一个，输出层数据对应的分别为电场特征AE、南北向磁场特征和东西向磁场特征输出数据的维度为1×F，F为每一个分支网络输出的特征数量。
一维卷积神经网络主要用来感知输入信号的局部特征，局部特征感应大小由卷积核的大小决定，在本发明实施例中，卷积核的大小设置为1×3。每层一维卷积神经网络计算单元都包含一定数量的滤波通道，即一定数量的独立卷积计算单元，用于感知信号不同维度的特征，在本发明实施例中，滤波器数量设置为32或16。用NF表示滤波器的数量，Ni表示输入到一维卷积神经网络的特征长度，经过一维卷积神经网络计算后，数据维度变为Ni×NF。
批量归一化计算层对每一个批量数据做归一化处理，即将每个特征在所有样本值转归一化成均值为0且方差为1的数据，保证训练数据里的数值都同样量级上，从而使得模型在训练的时候数值更加稳定。批量归一化计算层的输入数据为一维卷积神经网络计算层的输出数据，批量归一化计算层的输出结果传递给激活计算层。
激活计算层对输入数据进行激活操作，引入非线性因素，将输入特征映射到高维的非线性区间进行解释，解决线性模型所不能解决的问题。在本发明实施例中，激活计算层将数值小于0的数据置为0，数值大于或等于0的数据保存不变，这种方式具有计算简单同时又能克服梯度消失的问题，加快训练速度。
在本发明实施例中，残差块R1由设定数量的最大值池化计算层、一维卷积计算层、批量归一化计算层和激活层按照一定顺序堆叠而成，残差块最重要的一点是将最大值池化计算层的输出特征与残差块的输出特征进行了一次叠加处理，这种方式可以将上层网络计算的某些显著特征传递到深层网络中，使模型保存良好的性能。
最大值池化计算层对输入数据按照设定的步长进行最大值计算，该操作实现对输入数据下采样，降低数据维度，减少模型计算量。
全局均值池化计算层与多维度特征提取分支网络的输出层连接，对各个滤波通道的特征数据进行均值计算。在本发明实施例中，每个特征提取分支网络的输出特征的数据维度均为1×16，即用16个特征量表示闪电电磁脉冲的一个分量信号。
如图7所示，为本发明基于单站检测的闪电电磁波定位方法一种实施例的多特征融合与映射网络结构图，多特征融合与映射网络包括第二输入层、数据融合层、残差神经网络、全连接层、激活层以及第二输出层，第二输入层用于传递高精度授时信息以及多维度特征提取网络的三个分支网络分别输出的维度为1×F的电场信号、南北向磁场信号、东西向磁场信号的特征信息，第二输出层用于输出融合后的维度为1×(3×F+1)的数据。
在本发明实施例中，电场信号、南北向磁场信号、东西向磁场信号的特征信息以及信号到达时间通过数据融合层进行拼接，融合后的数据维度为1×(3×16+1)。
残差块R2由多个全连接层以及一个激活层依次堆叠而成，残差块R2的第一级全连接层输出特征与激活层输出特征进行融合，便于传递某些重要特征到深层网络。
特征融合与映射网络的最后使用1×1的全连接层以及一个线性激活层，将特征维度变为1×1，即为模型预测的输入信号对应的传播距离。
步骤S30，基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位，如式(1)和式(2)所示：
其中，θ为闪电电磁脉冲的波方位，E为闪电电磁脉冲的电场信号的最大幅值，BNS为闪电电磁脉冲的南北向磁场信号的最大幅值，BEW为闪电电磁脉冲的东西向磁场信号的最大幅值。
步骤S40，融合所述闪电电磁脉冲传播距离和波方位，获得闪电电磁脉冲的定位结果。
探测站的站点位置是已知的，因此，在得到信号方位与距离信息后，通过简单的地理公式计算，可以得到闪电的位置。
本发明充分考虑了不同类型闪电对传播距离预测的影响，在训练数据中，标记了大量不同类型的闪电电磁脉冲样本，且预测模型对不同类型的数据均有良好的学习能力。
在实际应用中，本发明提出的方法适用效果良好，单站设备的定位效果与高精度多站组网探测的定位结果进行对比分析后，得到单站设备的定位误差如表1所示：
表1
从表1可以看出，本发明提出的基于单站检测的闪电电磁波定位方法，基于深度学习方法设计了闪电电磁脉冲传播距离预测模型，结合了高精度多站组网探测的闪电真实波形数据与事件信息对预测模型进行了训练，实现了单站探测设备对上千公里范围的闪电事件进行高精度探测，相对定位误差均值能优于5％。本发明提出的方法对比于现有探测技术，在定位精度、探测效率、环境适应性等多方面均有显著提升。
此外，表中的数据还可以看出，随着闪电信号传递的距离越远，本发明基于单站检测的闪电电磁波定位方法的定位精度越高，主要原因在于：1、近距离(表中的50-130km距离)闪电辐射信号类型太多，尤其是云闪脉冲序列变化多样，其距离估计是目前国际上面临的一大难题，本发明方法将现有技术误差极大的定位结果精确到了误差仅有15.26％，是本领域中极大的进步；2、对于几百公里的中等距离(表中的150-500km距离)，这部分信号中以地闪信号为主，同时包含一些袖珍云闪(云闪中的一种特征显著的类型)，这些信号特征明显，容易被模型区分并提取与传播距离相关的信息进行拟合，因此在这个传播区间内本发明模型误差得到改善，降至8.68％，相对于现有技术也存在很大的进步；3、随着信号传播距离进一步增加到千公里量级(表中的1070-1180km)，闪电信号类型进一步减少，信号特征更为明显。另一方面，受地-电离层波导的影响，采集的单个信号中大概率会出现包含地波与天波混合的信号。已有相关理论计算方法对这种混合信号进行计算，从而得到传播距离。可以单纯认为混合信号本身就携带了传播距离信息，本发明的模型学到了这种规律，使得定位精度进一步优化，误差下降至4.91％，相对于现有技术也存在较大的进步。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于单站检测的闪电电磁波定位系统，该定位系统包括以下模块：
信号采集模块，配置为通过闪电电磁脉冲探测设备，实时采集闪电电磁脉冲波形数据；
距离预测模块，配置为基于采集的闪电电磁脉冲波形数据，通过训练好的闪电电磁脉冲传播距离预测模型计算传播距离；
波方位计算模块，配置为基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
融合定位模块，配置为融合闪电电磁脉冲的所述传播距离和所述波方位，获得闪电电磁脉冲的定位结果。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于单站检测的闪电电磁波定位系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于单站检测的闪电电磁波定位方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于单站检测的闪电电磁波定位方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子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。这些功能究竟以电子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。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种基于单站检测的闪电电磁波定位方法，其特征在于，该定位方法包括：
步骤S10，通过闪电电磁脉冲探测设备实时采集闪电电磁脉冲波形数据，以及将接收的GPS或北斗授时信号解调为高精度授时信息；
步骤S20，基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，并通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；
步骤S30，基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
步骤S40，融合所述闪电电磁脉冲传播距离和波方位，获得闪电电磁脉冲的定位结果；
所述闪电电磁脉冲传播距离预测模型，其训练方法为：
步骤B10，获取设定数量的闪电电磁脉冲波形数据及对应的高精度授时信息作为模型训练数据集，以波形数据对应的闪电电磁脉冲实际传播距离作为训练数据的标签；
步骤B20，选取任一训练数据，通过构建的闪电电磁脉冲传播距离预测模型获取对应的闪电电磁脉冲的传播距离；
步骤B30，通过设定的损失函数计算所述闪电电磁脉冲的传播距离与当前训练数据的标签之间的损失值；
步骤B40，通过优化函数更新闪电电磁脉冲传播距离预测模型的参数，并通过训练数据集进行模型迭代训练，直至达到设定的训练结束条件，获得训练好的闪电电磁脉冲传播距离预测模型；
所述闪电电磁脉冲的波方位，其计算方法为：
其中，θ为闪电电磁脉冲的波方位，E为闪电电磁脉冲的电场信号的最大幅值，BNS为闪电电磁脉冲的南北向磁场信号的最大幅值，BEW为闪电电磁脉冲的东西向磁场信号的最大幅值。
2.根据权利要求1所述的基于单站检测的闪电电磁波定位方法，其特征在于，所述闪电电磁脉冲传播距离预测模型基于深度学习神经网络构建，包括输入层、多维度特征提取网络、多特征融合与映射网络和输出层。
3.根据权利要求2所述的基于单站检测的闪电电磁波定位方法，其特征在于，所述多维度特征提取网络包括三个结构相同的分支网络，分别用于提取闪电电磁脉冲的电场信号、南北向磁场信号和东西向磁场信号；
所述分支网络包括第一输入层、多个一维卷积神经网络计算层、批量归一化计算层、激活计算层、残差块、最大值池化计算层、全局均值池化计算层以及第一输出层。
4.根据权利要求3所述的基于单站检测的闪电电磁波定位方法，其特征在于，所述第一输入层用于传递采集的维度为1×N的闪电电磁脉冲数据，N为闪电电磁脉冲探测设备采样率和单次采样的时间长度；
所述第一输出层用于输出所述三个分支网络分别提取的维度为1×F的特征数据，F为每一个分支网络输出的特征数量。
5.根据权利要求4所述的基于单站检测的闪电电磁波定位方法，其特征在于，所述多特征融合与映射网络包括第二输入层、数据融合层、残差神经网络、全连接层、激活层以及第二输出层。
6.根据权利要求5所述的基于单站检测的闪电电磁波定位方法，其特征在于，所述第二输入层用于传递高精度授时信息以及多维度特征提取网络的三个分支网络分别输出的维度为1×F的电场信号、南北向磁场信号、东西向磁场信号的特征信息；
所述第二输出层用于输出融合后的维度为1×(3×F+1)的数据。
7.一种基于权利要求1-6任一项所述的基于单站检测的闪电电磁波定位方法的闪电电磁波定位系统，其特征在于，该定位系统包括以下模块：
信号采集模块，配置为通过闪电电磁脉冲探测设备，实时采集闪电电磁脉冲波形数据；
授时模块，配置为接收GPS或北斗授时信号，并通过信号解调模块输出高精度授时信息，传递给闪电电磁脉冲传播距离预测模型；
距离预测模块，配置为基于采集的闪电电磁脉冲波形数据以及所述高精度授时信息，通过训练好的闪电电磁脉冲传播距离预测模型计算闪电电磁脉冲的传播距离；
波方位计算模块，配置为基于采集的闪电电磁脉冲波形数据，计算闪电电磁脉冲的波方位；
融合定位模块，配置为融合所述闪电电磁脉冲的传播距离和波方位，获得闪电电磁脉冲的定位结果。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的基于单站检测的闪电电磁波定位方法。
CN202210239373.9A 2022-03-11 2022-03-11 基于单站检测的闪电电磁波定位方法、系统及设备 Active CN114814960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210239373.9A CN114814960B (zh) 2022-03-11 2022-03-11 基于单站检测的闪电电磁波定位方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210239373.9A CN114814960B (zh) 2022-03-11 2022-03-11 基于单站检测的闪电电磁波定位方法、系统及设备

Publications (2)

Publication Number Publication Date
CN114814960A CN114814960A (zh) 2022-07-29
CN114814960B true CN114814960B (zh) 2024-11-26

Family

ID=82528202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210239373.9A Active CN114814960B (zh) 2022-03-11 2022-03-11 基于单站检测的闪电电磁波定位方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114814960B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115586580B (zh) * 2022-09-27 2025-06-06 武汉大学 基于双站信号反演低电离层d层探测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278704A (zh) * 2013-05-30 2013-09-04 重庆绿色智能技术研究院 一种基于北斗的三维闪电探测系统和方法
CN105974207A (zh) * 2016-05-05 2016-09-28 中国科学院电工研究所 一种基于甚低频/低频三维全闪电探测定位系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013148535A (ja) * 2012-01-23 2013-08-01 Osaka Univ 雷放電位置標定方法及び雷放電位置標定システム
WO2014077337A1 (ja) * 2012-11-15 2014-05-22 東北電力株式会社 落雷の電荷量推定システムと方法
US20180279601A1 (en) * 2017-04-03 2018-10-04 At&T Intellectual Property I, L.P. Methods, systems and devices to provide physical security to waveguides
CN108845188A (zh) * 2018-07-11 2018-11-20 云南电网有限责任公司电力科学研究院 一种远距离云地闪电的单站定位方法及系统
CN112964938B (zh) * 2021-02-08 2022-01-04 中国气象科学研究院 一种基于人工智能的闪电单站定位方法、装置及系统
CN114118168B (zh) * 2021-12-08 2024-11-12 中国人民解放军96901部队26分队 多站联合的电磁脉冲事件识别方法、系统和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278704A (zh) * 2013-05-30 2013-09-04 重庆绿色智能技术研究院 一种基于北斗的三维闪电探测系统和方法
CN105974207A (zh) * 2016-05-05 2016-09-28 中国科学院电工研究所 一种基于甚低频/低频三维全闪电探测定位系统

Also Published As

Publication number Publication date
CN114814960A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Dowden et al. VLF lightning location by time of group arrival (TOGA) at multiple sites
US7211994B1 (en) Lightning and electro-magnetic pulse location and detection for the discovery of land line location
CN103698743B (zh) 基于电离层反射的短波辐射源时差定位方法
Wu et al. Discharge height of lightning narrow bipolar events
CN115828187B (zh) 一种星基和地基闪电数据融合方法
EP1031847B1 (fr) Procédé de localisation de radios mobiles terrestres a partir d'un aeronef
CN106405253A (zh) 一种目标闪电辐射源定位方法及装置
CN102279410A (zh) 矿山地下开采活动实时监测系统及其方法
Lü et al. Observations of compact intracloud lightning discharges in the northernmost region (51 N) of China
CN110389208A (zh) 基于gnss-ir多波段融合土壤湿度监测方法及装置
CN108446324A (zh) 一种基于长短时记忆网络lstm的gps数据重构方法
CN106935079B (zh) 基于软件无线电平台的ads-b信号采集与可靠性验证方法
CN114139566A (zh) 基于机器学习加权平均融合特征提取提高测高精度的方法
CN114814960B (zh) 基于单站检测的闪电电磁波定位方法、系统及设备
CN202119900U (zh) 基于爆破震源定位技术的矿山地下开采活动实时监测系统
Guha et al. Lightning detection and warning
CN112881812B (zh) 基于机器学习编码的全闪实时定位方法及装置
CN109061632A (zh) 一种无人机识别方法
Ramachandran et al. Lightning stroke distance estimation from single station observation and validation with WWLLN data
Shi et al. Investigation on the lightning location and warning system using artificial intelligence
Yan et al. Feasibility of using signal strength indicator data to estimate soil moisture based on GNSS interference signal analysis
Mengistu Tsidu et al. Comparison of quiet-time ionospheric total electron content from the IRI-2016 model and from gridded and station-level GPS observations
CN103411626B (zh) 组合导航系统实际导航性能评估装置及其评估方法
CN202025042U (zh) 雷电预警装置
CN112147646B (zh) 基于信号的卫星欺骗干扰检测方法及组件

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant