一种用于水库增蓄的声波增雨对应降雨量估计方法

1.一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，所述方法包括：通过拾音器采集声波增雨声音数据，并获取对应的声波增雨相关数据，所述声波增雨相关数据包括气象条件数据和水库数据，利用所述声波增雨声音数据和声波增雨相关数据构建声波增雨数据库；利用小波变换对采集的声波增雨声音数据进行去噪，获得去噪后的声波增雨声音数据，根据声波增雨数据库结合去噪后的声波增雨声音数据构建训练集和测试集；构建声波增雨降雨量预测模型，所述声波增雨降雨量预测模型包括特征提取器、梯度反转层、领域分类器和主分类器，通过特征提取器获取包括声音特征、气象特征和水库特征的综合特征，将所述综合特征输入梯度反转层和领域分类器完成特征提取器的权重更新，将权重更新后的特征提取器输出的综合特征输入主分类器完成声波增雨降雨量的预测；利用所述训练集对所述声波增雨降雨量预测模型进行训练，获得训练完成的声波增雨降雨量预测模型；利用训练完成的声波增雨降雨量预测模型对用户需要进行声波增雨进而实现水库增蓄的声波增雨降雨量进行估计，根据估计的声波增雨降雨量数据，制定水库增蓄计划；其中，所述小波变换采用Daubechies小波滤波器，所述Daubechies小波滤波器包括低通滤波器和高通滤波器；分别使用低通滤波器和高通滤波器的冲激响应 和 对声波增雨声音信号 进行卷积，以公式表达为： ； ；式中， 为近似系数， 为细节系数；对卷积后的声波增雨声音信号进行下采样，获取近似系数和细节系数的分量，所述近似系数和细节系数组成小波系数 ，以公式表达为： ；式中， 为近似系数分量， 为细节系数分量； 为第 层第 个小波系数；对小波系数进行硬阈值处理，以公式表达为： ；式中， 为硬阈值处理后的小波系数，包括硬阈值处理后的近似系数 和细节系数 ， 为阈值；对细节系数进行软阈值处理，以公式表达为： ； ；式中， 为软阈值处理后的细节系数， 为符号函数， 为阈值，其中，若小波系数的标准差为 ，则 ， 为经验常数；根据硬阈值处理后的小波系数 和软阈值处理后的细节系数 获得阈值处理后的小波系数 ，利用所述小波系数 进行逆小波变换，获得去噪后的声波增雨声音信号 ，以公式表达为： ；式中， 为逆小波变换，具体为对小波系数 进行上采样，并使用小波重建滤波器对上采样后的小波系数进行滤波后组合获得去噪后的声波增雨声音信号。 2.根据权利要求1所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，通过拾音器采集声波增雨声音数据时，采用多采集点同时记录的方式，并对多采集点的记录数据进行数据处理获得声波增雨声音数据。 3.根据权利要求1所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，构建的声波增雨数据库包括水库信息表、声波增雨声音数据表和气象条件表，所述水库信息表包括水库ID、水库名称、地形数据和水库面积，其中，所述地形数据包括坡度和海拔；所述声波增雨声音数据表包括声波增雨声音数据ID、关联的水库ID、采集时间、声波增雨声音数据、拾音器高度和方位；所述气象条件表包括关联的声波增雨声音数据ID、声波增雨强度、风速、风向、季节和时间，其中，所述声波增雨强度包括大雨、中雨和小雨，所述季节包括春、夏、秋和冬，所述时间包括白天和夜晚。 4.根据权利要求1所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，特征提取器包括声音特征提取模块、水库特征提取模块和气象特征提取模块，所述声音特征提取模块用于从去噪后的声波增雨声音信号中提取频域和时域特征，获得综合声音特征；所述水库特征提取模块用于从水库面积、坡度和海拔数据中提取特征并获得综合水库特征；所述气象特征提取模块用于从风速、风向、季节和时间中提取特征并获得综合气象特征；特征提取器对综合声音特征、综合水库特征和综合气象特征进行特征融合获得综合特征。 5.根据权利要求4所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，声音特征提取模块提取的频域特征包括 频率倒谱系数和频谱平坦度，提取步骤具体为：使用快速傅里叶变换FFT将去噪后的声波增雨声音信号从时域信号转换为频域信号，通过 滤波器组进行 尺度转换获得 频谱，对 频谱进行对数变换获得 频谱，从 频谱中计算 频率倒谱系数，并通过度量频谱的平坦程度获得频谱平坦度；声音特征提取模块提取的时域特征包括过零率和第一归一化自相关系数，所述过零率 以公式表达为： ；式中， 为去噪后的声波增雨声音信号， 为声波增雨声音信号的总采样点数；所述第一归一化自相关系数提取步骤包括：计算自相关函数 ，以公式表达为： ；式中， 为离散延迟量， 表示声波增雨声音信号在时间上移动 个采样点后的自相似性；归一化自相关系数是自相关函数的归一化形式，以公式表达为： ；式中， 为 的归一化形式；第一归一化自相关系数为 时的归一化自相关系数，以公式表达为： 。 6.根据权利要求4所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，所述水库特征提取模块为全连接神经网络，包括输入层、隐藏层和综合特征提取层，其中：所述输入层用于接收水库面积、坡度和海拔的数值，所述隐藏层包括两个使用 ReLU激活函数的全连接层，每层128个神经元，用于提取水库面积、坡度和海拔的深层特征；所述综合特征提取层为使用 ReLU 激活函数的全连接层，包含64个神经元，用于提取综合水库特征。 7.根据权利要求4所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，所述气象特征提取模块包括输入层、风速层、风向层、季节层、时间层和特征融合层，其中：所述输入层包括风速的连续值输入、风向的分类值输入、季节的自定义独热编码输入和时间的二进制值输入四个输入层；通过风速层、风向层、季节层和时间层处理不同类型的特征，具体的，所述风速层为全连接层，将风速值映射到一个具有 16 个神经元的隐藏层，获得风速特征；所述风向层将风向值映射到一个具有 8 个维度的嵌入空间，并将嵌入层的输出展平为一维，获得风向特征；所述季节层为全连接层，通过将季节的独热编码映射到一个具有 8 个神经元的隐藏层，获得季节特征；所述时间层为全连接层，通过将时间的二进制输入映射到一个具有4 个神经元的隐藏层，获得时间特征；将风速特征、风向特征、季节特征和时间特征输入特征融合层进行综合特征提取，所述特征融合层包括两个全连接层，分别映射至64 和 32 个神经元的隐藏层，获得综合气象特征。 8.根据权利要求4所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，声波增雨降雨量预测模型将特征提取器输出的综合特征送入梯度反转层，综合特征经过梯度反转层输入至领域分类器，领域分类器根据梯度反转后的综合特征判断领域，领域分类器的损失函数的梯度在反向传播过程中通过梯度反转层进行反转并传输到特征提取器，特征提取器的权重根据反转后的梯度进行更新，其中，所述领域分类器由三个全连接层构成，综合特征通过第一个全连接层，应用 ReLU 激活函数以引入非线性后通过第二个全连接层，并同样应用 ReLU 激活函数后来到最终的输出层，将隐藏层的输出映射到对应领域；领域分类器的损失函数为交叉熵函数。 9.根据权利要求8所述的一种用于水库增蓄的声波增雨对应降雨量估计方法，其特征在于，将调整过权重的特征提取器输出的综合特征作为主分类器的输入，所述主分类器包括输入层、卷积层1、池化层1、卷积层2、池化层2、卷积层3、池化层3、展平层、全连接层1、全连接层2和输出层，其中：所述输入层的输入纬度为 ， 为输入主分类器的样本数量；所述卷积层1、卷积层2和卷积层3的卷积核数量分别为32、64和128，卷积核大小均为1 3，激活函数均为ReLU函数，步幅均为1；所述池化层1、池化层2和池化层3的池化类型均为最大池化，池化核大小均为1 2，步幅均为2；所述全连接层1和全连接层2的神经元数量分别为512和256，激活函数均为ReLU函数；输出层的神经元数量为3，分别对应于声波增雨强度的大雨、中雨和小雨，激活函数为softmax函数；所述主分类器利用卷积层1、池化层1、卷积层2、池化层2、卷积层3、池化层3、展平层提取特征，通过全连接层1和全连接层2进行分类，最终输出声波增雨强度。