1.一种强对流天气相似度分析方法，其特征在于，所述方法包括：获取当前大气回波数据中的当前回波强度数据和当前波形数据，以及，获取每种强对流天气的历史回波强度数据；对所述当前回波强度数据和所述当前波形数据进行预处理，得到预处理后的回波强度数据和预处理后的波形数据；根据所述预处理后的回波强度数据和所述每种强对流天气的历史回波强度数据，计算得到每种强对流天气对应的海明距离和余弦相似度，包括：将所述预处理后的回波强度数据表示为第一回波强度二进制序列和第一回波强度向量，以及，将所述每种强对流天气的历史回波强度数据表示为第二回波强度二进制序列和第二回波强度向量；根据所述第一回波强度二进制序列和所述第二回波强度二进制序列，计算得到每种强对流天气对应的海明距离，具体为：其中， 表示所述第一回波强度二进制序列， 表示所述第二回波强度二进制序列， 表示所述第一回波强度二进制序列中的第 个元素， 表示所述第二回波强度二进制序列中的第 个元素， 表示回波强度二进制序列中总元素数；根据所述第一回波强度向量和所述第二回波强度向量，计算得到每种强对流天气对应的余弦相似度；根据所述预处理后的波形数据，确定每种强对流天气对应的波形相似度；基于所述海明距离、所述余弦相似度和所述波形相似度，确定目标强对流天气相似度。
2.根据权利要求1所述的强对流天气相似度分析方法，其特征在于，通过如下方式根据所述第一回波强度向量和所述第二回波强度向量，计算得到每种强对流天气对应的余弦相似度：其中， 表示所述第一回波强度向量， 表示所述第二回波强度向量， 表示所述第一回波强度向量中的第 个分量， 表示所述第二回波强度向量中的第 个分量， 表示回波强度向量中总分量数。
3.根据权利要求1所述的强对流天气相似度分析方法，其特征在于，所述根据所述预处理后的波形数据，确定每种强对流天气对应的波形相似度，包括：将所述预处理后的波形数据输入训练好的BP神经网络模型，得到所述训练好的BP神经网络模型输出的每种强对流天气对应的波形相似度；其中，所述训练好的BP神经网络模型采用不同单体强对流天气的波形数据训练得到。
4.根据权利要求1所述的强对流天气相似度分析方法，其特征在于，所述基于所述海明距离、所述余弦相似度和所述波形相似度，确定目标强对流天气相似度，包括：获取所述每种强对流天气对应的海明距离、余弦相似度和波形相似度；基于所述每种强对流天气对应的波形相似度、海明距离和余弦相似度，计算得到所述每种强对流天气对应的强对流天气相似度；对所述每种强对流天气对应的强对流天气相似度进行排序，选取强对流天气相似度最大值作为目标强对流天气相似度。
5.根据权利要求4所述的强对流天气相似度分析方法，其特征在于，通过如下方式基于所述每种强对流天气对应的波形相似度、海明距离和余弦相似度，计算得到所述每种强对流天气对应的强对流天气相似度：其中， 表示所述强对流天气相似度， 、 和 表示权重系数， 表示所述海明距离， 表示所述余弦相似度， 表示所述波形相似度。
6.根据权利要求1所述的强对流天气相似度分析方法，其特征在于，所述对所述当前回波强度数据和所述当前波形数据进行预处理，得到预处理后的回波强度数据和预处理后的波形数据，包括：对所述当前回波强度数据和所述当前波形数据进行去噪，得到去噪后的回波强度数据和去噪后的波形数据；对所述去噪后的回波强度数据和所述去噪后的波形数据进行归一化，得到归一化后的回波强度数据和归一化后的波形数据；对所述归一化后的回波强度数据和所述归一化后的波形数据进行特征提取，得到预处理后的回波强度数据和预处理后的波形数据。
7.根据权利要求6所述的强对流天气相似度分析方法，其特征在于，通过如下方式对所述去噪后的回波强度数据和所述去噪后的波形数据进行归一化：其中， 表示所述归一化后的回波强度数据， 表示所述去噪后的回波强度数据， 表示所述去噪后的回波强度数据中的最小值， 表示所述去噪后的回波强度数据中的最大值， 表示所述归一化后的波形数据， 表示所述去噪后的波形数据， 表示所述去噪后的波形数据中的最小值， 表示所述去噪后的波形数据中的最大值。
