(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210539384.9 (22)申请日 2022.05.18 (71)申请人 南京智慧航空研究院有限公司 地址 210001 江苏省南京市秦淮区永智路5 号 (72)发明人 汤淼　周龙　卫晋军　刘文星　 唐仲民　 (74)专利代理 机构 南京聚匠知识产权代理有限 公司 323 39 专利代理师 许松 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于CNN图像模式的对流天气相似性识 别方法 (57)摘要 本发明公开了一种基于CNN图像模式的对流 天气相似性识别方法， 包括： 根据所获取的对流 天气图像进行预处理； 利用VGG16卷积神经网络 设计终端区对 所获取的对流天气图像提取模型， 获取终端区对流天气图像特征， 并得到特征表示 X； 将得到特征X输入聚类器中进行无监督聚类， 并利用聚类评估指标确定最佳聚类簇数； 利用可 视化方法及实际运行数据验证， 验证识别场景， 并确定所识别出场景的特点。 本发 明为实现终端 区对流天气相似气象场景识别提供一种方法， 该 方法使用卷积神经网络从原始图像数据中提取 特征， 并利用无监督聚类方法， 实现终端区对流 天气相似场景的识别。 权利要求书2页 说明书6页 附图4页 CN 114882263 A 2022.08.09 CN 114882263 A 1.一种基于 CNN图像模式的对流天气相似性识别方法， 其特 征在于， 包括： 根据所获取的对流天气图像进行 预处理； 利用VGG16卷积神经网络设计终端区对所获取的对流天气图像提取模型， 获取终端区 对流天气图像特 征， 并得到特 征表示X； 将得到特 征X输入聚类 器中进行 无监督聚类， 并利用聚类评估指标确定最佳聚类簇数； 利用可视化方法及实际运行 数据验证， 验证识别场景， 并确定所识别出场景的特点。 2.如权利要求1所述的一种基于CNN图像模式的对流天气相似性识别方法， 其特征在 于， 所述获取的对流天气图像进行 预处理包括： 从目标终端区提供的天气避让区产品数据进行采集， 并对收集到的图像纪念性缩放。 3.如权利要求1所述的一种基于CNN图像模式的对流天气相似性识别方法， 其特征在 于， 所述利用VGG16卷积神经网络 设计终端区对 所获取的对流 天气图像提取模型， 获取终端 区对流天气图像特 征， 并得到特 征表示X包括： 采用VGG16卷积神经网络， 根据预处理后的终端区对流天气图像数据提取模型， 移除 VGG16模型的三个全连接层及softmax层,对其网络模型的内部层保持结构参数固定， 提取 模型的输出 特征X； 其中VGG16模型卷积处理具体如下： 1)初始模型采用两次64个卷积核的卷积处理， 经Relu函数激活后， 进行一次最大池化 层max pooling； 2)二次卷积模型采用两次128个卷积核的卷积处理， 由Relu函数激活后， 进行一次最大 池化层maxpo oling； 3)三次卷积模型采用三次256个卷积核的卷积处理， Relu函数激活后， 进行一次最大池 化层maxpo oling； 4)四次卷积模型重 复经历三次512个卷积核的卷积处理， 经Relu函数激活后， 进行一次 最大池化层maxpo oling， 输出特征X。 4.如权利要求1所述的一种基于CNN图像模式的对流天气相似性识别方法， 其特征在 于， 将得到特征X利用PCA降维后输入到K ‑means++聚类器中进行无监督聚类， 并利用聚类评 估指标确定最佳聚类簇数， 具体包括： 1)从数据集 χ 中随机 选取一个样本点作为第一个初始聚类中心ci； 2)计算每个样本与当前已有聚类中心之间的最短距离， 用D( χ )表示； 然后计算每个样 本点被选为下一个聚类中心的概率P( χ )， 最后选择最大概率值所对应的样本点作为下一个 簇中心； 3)重复第2步， 直到 选择出k个聚类中心。 5.如权利要求1所述的一种基于CNN图像模式的对流天气相似性识别方法， 其特征在 于， 所述利用可视化方法及实际运行数据验证， 验证识别场景， 并确定所识别出场景的特点 包括： 依据聚类评估指标手肘法确定场景划分类别为3类， 将提取图像特征进行聚类划分结 果分成3类， 得到 3簇不同的对流天气场景划分特 征及样本分布；权　利　要　求　书 1/2 页 2 CN 114882263 A 2对得到的3簇不同的对流天气场景划分特征及样本分布进行数据分析， 得到所识别出 场景的特点。权　利　要　求　书 2/2 页 3 CN 114882263 A 3