技術(shù)特征：

1.一種基于動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)回波外推方法，其特征在于，包括以下步驟：

步驟1，訓(xùn)練離線卷積神經(jīng)網(wǎng)絡(luò)：輸入訓(xùn)練圖像集，對訓(xùn)練圖像集進(jìn)行數(shù)據(jù)預(yù)處理，得到訓(xùn)練樣本集，設(shè)計(jì)動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并初始化網(wǎng)絡(luò)訓(xùn)練參數(shù)；利用訓(xùn)練樣本集訓(xùn)練動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)，輸入的有序圖像序列經(jīng)過動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)前向傳播得到一幅預(yù)測圖像，計(jì)算預(yù)測圖像和對照標(biāo)簽之間的誤差，通過反向傳播更新網(wǎng)絡(luò)的權(quán)值參數(shù)和偏置參數(shù)，重復(fù)此過程直到達(dá)到訓(xùn)練結(jié)束條件，得到收斂的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)；

步驟2，在線雷達(dá)回波外推：輸入測試圖像集，對測試圖像集進(jìn)行數(shù)據(jù)預(yù)處理，得到測試樣本集，然后將測試樣本集輸入步驟1中獲得的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過網(wǎng)絡(luò)前向傳播計(jì)算概率向量，并將輸入圖像序列中的最后一幅雷達(dá)回波圖像與得到的概率向量相卷積，得到預(yù)測的雷達(dá)回波外推圖像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟1包括以下步驟：

步驟1-1，數(shù)據(jù)預(yù)處理：輸入訓(xùn)練圖像集，對訓(xùn)練圖像集中的每一幅圖像進(jìn)行規(guī)范化處理，將每一幅圖像轉(zhuǎn)化為280×280的浮點(diǎn)數(shù)圖像，得到浮點(diǎn)數(shù)圖像集合，對浮點(diǎn)數(shù)圖像集合進(jìn)行劃分，構(gòu)造包含TrainsetSize組樣本的訓(xùn)練樣本集；

步驟1-2，初始化動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)：設(shè)計(jì)動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)造用于生成概率向量的子網(wǎng)絡(luò)，再構(gòu)造用于圖像外推的概率預(yù)測層，為離線神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段提供動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)初始化模型；

步驟1-3，初始化動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)：令網(wǎng)絡(luò)學(xué)習(xí)率λ＝0.0001，訓(xùn)練階段每次輸入的樣本數(shù)量BatchSize＝10，訓(xùn)練樣本集的最大批訓(xùn)練次數(shù)當(dāng)前批訓(xùn)練次數(shù)BatchNum＝1，網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)IterationMax＝40，當(dāng)前迭代次數(shù)IterationNum＝1；

步驟1-4，讀取訓(xùn)練樣本：采用批訓(xùn)練的方式，每次訓(xùn)練從步驟1-1獲得的訓(xùn)練樣本集中讀取BatchSize組訓(xùn)練樣本，每組訓(xùn)練樣本為{x₁,x₂,x₃,x₄,y}，共包含5幅圖像，其中{x₁,x₂,x₃,x₄}作為輸入圖像序列，y為對應(yīng)的對照標(biāo)簽；

步驟1-5，前向傳播：在子網(wǎng)絡(luò)中提取步驟1-4獲得的輸入圖像序列特征，得到水平概率向量HPV和垂直概率向量VPV；在概率預(yù)測層中，將輸入圖像序列中的最后一幅圖像依次與VPV、HPV相卷積，得到前向傳播的輸出預(yù)測圖像；

步驟1-6，反向傳播：在概率預(yù)測層中反向求得概率向量的誤差項(xiàng)，根據(jù)概率向量的誤差項(xiàng)從后至前逐層計(jì)算子網(wǎng)絡(luò)層中各個(gè)網(wǎng)絡(luò)層的誤差項(xiàng)，進(jìn)而計(jì)算各個(gè)網(wǎng)絡(luò)層中誤差項(xiàng)對權(quán)值參數(shù)和偏置參數(shù)的梯度，利用得到的梯度更新動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；

步驟1-7，離線訓(xùn)練階段控制：對離線神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段進(jìn)行整體控制，分為以下三種情況：

若訓(xùn)練樣本集中仍存在未使用過的訓(xùn)練樣本，即BatchNum＜BatchMax，則返回步驟1-4繼續(xù)讀取BatchSize組訓(xùn)練樣本，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

若訓(xùn)練樣本集中不存在未使用過的訓(xùn)練樣本，即BatchNum＝BatchMax，且當(dāng)前網(wǎng)絡(luò)迭代次數(shù)小于最大迭代次數(shù)，即IterationNum＜IterationMax，則令BatchNum＝1，返回步驟1-4繼續(xù)讀取BatchSize組訓(xùn)練樣本，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

若訓(xùn)練樣本集中不存在未使用過的訓(xùn)練樣本，即BatchNum＝BatchMax，且網(wǎng)絡(luò)迭代次數(shù)達(dá)到最大迭代次數(shù)，即IterationNum＝IterationMax，則結(jié)束離線神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，得到訓(xùn)練好的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，步驟1-1數(shù)據(jù)預(yù)處理包括以下步驟：

步驟1-1-1，采樣：訓(xùn)練圖像集中的圖像按時(shí)間順序排列，并且等時(shí)間間隔分布，時(shí)間間隔為6分鐘，共包含N_Train幅圖像，通過如下公式確定TrainsetSize：

其中，Mod(N_Train，4)表示N_Train對4取模，表示不大于的最大整數(shù)，求得TrainsetSize后，通過采樣保留訓(xùn)練圖像集中前4×TrainsetSize+1幅圖像，采樣時(shí)通過刪除訓(xùn)練圖像集中最后的圖像使圖像數(shù)量滿足要求；

步驟1-1-2，規(guī)范化圖像：對采樣得到的圖像進(jìn)行圖像變換，歸一化操作，將原始分辨率為2000×2000的彩色圖像轉(zhuǎn)換成分辨率為280×280的浮點(diǎn)數(shù)圖像；

步驟1-1-3，構(gòu)造訓(xùn)練樣本集：利用步驟1-1-2獲得的浮點(diǎn)數(shù)圖像集構(gòu)造訓(xùn)練樣本集，將浮點(diǎn)數(shù)圖像集中每四個(gè)相鄰的圖像，即第{4N+1,4N+2,4N+3,4N+4}幅圖像作為一組輸入序列，第[4×(N+1)+1]幅圖像經(jīng)過裁剪，保留中央分辨率為240×240的部分作為對應(yīng)樣本的對照標(biāo)簽，對于第N組樣本其構(gòu)造方式如下：

$\left\{\begin{array}{c}{x}_1^N=G_{4N+1},x_2^N=G_{4N+2},x_3^N=G_{4N+3},x_4^N=G_{4N+4}\\ y^N=Crop\left(G_{4(N+1)+1}\right)\end{array}\right.,$

上式中，G_4N+1表示浮點(diǎn)數(shù)圖像集中的第4N+1幅圖像，N為正整數(shù)，并有N∈[0,TrainsetSize-1]，Crop(·)表示裁剪操作，裁剪后保留原圖像中央大小為240×240的部分，最終得到包含TrainsetSize組訓(xùn)練樣本的訓(xùn)練樣本集；

其中，步驟1-1-2包括以下步驟：

步驟1-1-2-1，圖像轉(zhuǎn)化：將步驟1-1-1采樣得到的圖像轉(zhuǎn)化為灰度圖像，通過裁剪保留原始圖像中央分辨率為560×560的部分，將裁剪后的圖像分辨率壓縮為280×280，得到分辨率為280×280的灰度圖；

步驟1-1-2-2，數(shù)據(jù)歸一化：將步驟1-1-2-1中獲得的灰度圖中的每一個(gè)像素點(diǎn)的值從[0～255]映射到[0～1]，通過歸一化之后得到分辨率為280×280的浮點(diǎn)數(shù)圖像。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟1-2包括以下步驟：

步驟1-2-1，構(gòu)造子網(wǎng)絡(luò)：

子網(wǎng)絡(luò)由10個(gè)網(wǎng)絡(luò)層構(gòu)成，從前至后依次為卷積層C1、下采樣層S1、卷積層C2、下采樣層S2、卷積層C3、下采樣層S3、卷積層C4、下采樣層S5、卷積層C5以及分類器層F1；

步驟1-2-2，構(gòu)造概率預(yù)測層：

概率預(yù)測層中構(gòu)造動(dòng)態(tài)卷積層DC1和動(dòng)態(tài)卷積層DC2，將子網(wǎng)絡(luò)輸出的垂直概率向量VPV作為動(dòng)態(tài)卷積層DC1的卷積核，水平概率向量HPV作為動(dòng)態(tài)卷積層DC2的卷積核；

其中，步驟1-2-1包括以下步驟：

步驟1-2-1-1，構(gòu)造卷積層：確定以下內(nèi)容：卷積層的輸出特征圖數(shù)量OutputMaps、卷積核k以及偏置參數(shù)bias，對于卷積核，需要確定卷積核的寬度KernelSize，卷積核的數(shù)量KernelNumber，該值為該卷積層輸入與輸出特征圖數(shù)量的乘積，卷積核的分辨率為KernelSize×KernelSize，并根據(jù)Xavier初始化方法構(gòu)造卷積核；對于偏置參數(shù)，其數(shù)量與該層的輸出特征圖數(shù)量相同；對于卷積層l_C,l_C∈{C1,C2,C3,C4,C5}，該層的輸出特征圖寬度為的值由卷積層l_C的輸入特征圖分辨率和卷積核的寬度共同決定，即表示卷積層l_C的上一層卷積層的輸出特征圖寬度；

對于卷積層C1，令C1層的輸出特征圖數(shù)量OutputMaps^C1＝12，C1層輸出特征圖的寬度OutputSize^C1＝272，C1層卷積核寬度KernelSize^C1＝9，C1層偏置參數(shù)bias^C1均初始化為零，C1層的卷積核k^C1的數(shù)量KernelNumber^C1＝48，卷積核中每一個(gè)參數(shù)的初始值為rand(·)用于生成隨機(jī)數(shù)；

對于卷積層C2，令C2層輸出特征圖數(shù)量OutputMaps^C2＝32，C2層輸出特征圖的寬度OutputSize^C2＝128，C2層卷積核寬度KernelSize^C2＝9，C2層偏置參數(shù)均初始化為零，C2層的卷積核k^C2的數(shù)量KernelNumber^C2＝384，卷積核中每一個(gè)參數(shù)的初始值為

對于卷積層C3，令C3層輸出特征圖數(shù)量OutputMaps^C3＝32，C3層輸出特征圖的寬度OutputSize^C3＝56，C3層卷積核寬度KernelSize^C3＝9，C3層偏置參數(shù)均初始化為零，C3層的卷積核k^C3的數(shù)量KernelNumber^C3＝1024，卷積核中每一個(gè)參數(shù)的初始值為

對于卷積層C4，令C4層輸出特征圖數(shù)量OutputMaps^C4＝32，C4層輸出特征圖的寬度OutputSize^C4＝20，C4層卷積核寬度KernelSize^C4＝9，C4層偏置參數(shù)均初始化為零，C4層的卷積核k^C4的數(shù)量KernelNumber^C4＝1024，卷積核中每一個(gè)參數(shù)的初始值為

對于卷積層C5，令C5層輸出特征圖數(shù)量OutputMaps^C5＝32，C5層輸出特征圖的寬度OutputSize^C5＝4，C5層卷積核寬度KernelSize^C5＝7，C5層偏置參數(shù)均初始化為零，C5層的卷積核k^C5的數(shù)量KernelNumber^C5＝1024，卷積核中每一個(gè)參數(shù)的初始值為

步驟1-2-1-2，構(gòu)造下采樣層：下采樣層中不包含需要訓(xùn)練的參數(shù)，將下采樣層S1、S2、S3和S4的采樣核均初始化為對于下采樣層l_S,l_S∈{S1,S2,S3,S4}，其輸出特征圖數(shù)量與其上一層的卷積層的輸出特征圖數(shù)量保持一致，輸出特征圖寬度為其上一層的卷積層的輸出特征圖寬度的1/2，公式表達(dá)如下：

$\begin{array}{c}{\mathrm{OutputMaps}}^{l_S}={\mathrm{OutputMaps}}^{l_S-1}\\ {\mathrm{OutputSize}}^{l_S}=\frac{{\mathrm{OutputSize}}^{l_S-1}}{2}\end{array};$

步驟1-2-1-3，構(gòu)造分類器層：分類器層由一個(gè)全連接層F1構(gòu)成，F(xiàn)1層的權(quán)值參數(shù)為水平權(quán)值參數(shù)矩陣WH和垂直權(quán)值參數(shù)矩陣WV，大小均為41×512，令權(quán)值參數(shù)矩陣中的每一個(gè)參數(shù)的初始值為偏置參數(shù)為水平偏置參數(shù)BH和垂直偏置參數(shù)BV，均初始化為41×1的一維零向量。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟1-5包括以下步驟：

步驟1-5-1，子網(wǎng)絡(luò)計(jì)算概率向量：在子網(wǎng)絡(luò)中通過卷積層和下采樣層的交替處理提取輸入的圖像序列特征，在分類器層中通過Softmax函數(shù)處理，得到水平概率向量HPV和垂直概率向量VPV；

步驟1-5-2，計(jì)算概率預(yù)測層輸出圖像：步驟1-5-1得到的HPV和VPV作為概率預(yù)測層的卷積核，將輸入圖像序列中的最后一幅圖像依次與VPV、HPV相卷積，得到前向傳播的輸出預(yù)測圖像。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟1-5-1包括以下步驟：

步驟1-5-1-1，判斷網(wǎng)絡(luò)層類型：用l表示當(dāng)前所處的子網(wǎng)絡(luò)中的網(wǎng)絡(luò)層，l初始值為C1，判斷網(wǎng)絡(luò)層l的類型，若l∈{C1,C2,C3,C4,C5}，則l為卷積層，執(zhí)行步驟1-5-1-2，若l∈{S1,S2,S3,S4}，則l為下采樣層，執(zhí)行步驟1-5-1-4；

步驟1-5-1-2，處理卷積層：此時(shí)有l(wèi)＝l_C,l_C∈{C1,C2,C3,C4,C5}，首先計(jì)算l_C層的第j個(gè)輸出特征圖將l_C層的輸入特征圖分別與該層的對應(yīng)卷積核相卷積，將卷積結(jié)果求和，求和結(jié)果加上l_C層的第j個(gè)偏置參數(shù)再經(jīng)過ReLU激活函數(shù)處理，得到計(jì)算公式如下所示：

$a_j^{l_C}=\mathrm{Re}LU\[(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{l_C-1}*k_{ij}^{l_C})+{\mathrm{bias}}_j^{l_C}\],j\∈\[1,{\mathrm{OutputMaps}}^{l_C}\],$

其中，為l_C層的第i個(gè)輸入特征圖與第j個(gè)輸出特征圖相對應(yīng)的卷積核，n為當(dāng)前卷積層的前一下采樣層的輸出特征圖個(gè)數(shù)，表示l_C層的第i個(gè)輸入特征圖，同時(shí)也是l_C-1層的第i個(gè)輸出特征圖，*表示矩陣卷積，若l_C＝C1，則l_C-1層為輸入層；

依次計(jì)算所有的輸出特征圖，得到l_C層的輸出特征圖將l更新為l+1，并返回步驟1-5-1-1判斷網(wǎng)絡(luò)類型，進(jìn)行下一個(gè)網(wǎng)絡(luò)層的操作；

步驟1-5-1-3，處理下采樣層：此時(shí)有l(wèi)＝l_S,l_S∈{S1,S2,S3,S4}，將步驟1-5-1-2得到的卷積層的輸出特征圖分別與相卷積，再以步長為2進(jìn)行采樣，采樣得到l_S層的輸出特征圖計(jì)算公式如下所示：

$a_j^{l_S}=Sample(a_j^{l_S-1}*\left[\begin{array}{cc}0.25& 0.25\\ 0.25& 0.25\end{array}\right]),j\∈\[1,{\mathrm{OutputMaps}}^{l_S}\],$

上式中，Sample(·)表示步長為2的采樣處理，l_S-1表示當(dāng)前下采樣層的前一卷積層，表示l_S層的輸出特征圖中的第j個(gè)輸出特征圖，得到l_S層的輸出特征圖后，將l更新為l+1，并返回步驟1-5-1-1判斷網(wǎng)絡(luò)類型，進(jìn)行下一個(gè)網(wǎng)絡(luò)層的操作；

步驟1-5-1-4，計(jì)算F1層概率向量：若網(wǎng)絡(luò)層l為分類器層，即l＝F1，通過矩陣變換，將C5的32幅分辨率為4×4的輸出特征圖以列順序展開，得到分辨率為512×1的F1層的輸出特征向量a^F1，分別計(jì)算水平權(quán)值參數(shù)矩陣WH與a^F1的外積、垂直權(quán)值參數(shù)矩陣WV與a^F1的外積，將計(jì)算結(jié)果分別與水平偏置參數(shù)BH、垂直偏置參數(shù)BV求和，經(jīng)Softmax函數(shù)處理后得到水平概率向量HPV和垂直概率向量VPV，具體計(jì)算公式如下：

$\begin{array}{c}HPV=Soft\max \left(WH\×a^{F1}+BH\right)\\ VPV=Soft\max (WV\×a^{F1}+BV)\end{array},$

將其垂直概率向量VPV轉(zhuǎn)置，得到最終的垂直概率向量；

步驟1-5-2包括以下步驟：

步驟1-5-2-1，預(yù)測DC1層垂直方向：將輸入層的最后一幅輸入圖像與垂直概率向量VPV相卷積，得到分辨率為240×280的DC1層輸出特征圖a^DC1；

步驟1-5-2-2，預(yù)測DC2層垂直方向：將DC1層輸出特征圖a^DC1與水平概率向量HPV相卷積，得到前向傳播的輸出預(yù)測圖像，其分辨率為240×240。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，步驟1-6包括以下步驟：

步驟1-6-1，計(jì)算概率預(yù)測層誤差項(xiàng)：將步驟1-5-2-2獲得的預(yù)測圖像與輸入的訓(xùn)練樣本中的對照標(biāo)簽求差，計(jì)算DC2層、DC1層的誤差項(xiàng)，最終求得水平概率向量的誤差項(xiàng)δ^HPV和垂直概率向量的誤差項(xiàng)δ^VPV；

步驟1-6-2，計(jì)算子網(wǎng)絡(luò)誤差項(xiàng)：根據(jù)水平概率向量的誤差項(xiàng)δ^HPV和垂直概率向量的誤差項(xiàng)δ^VPV，從后至前依次計(jì)算分類層F1，卷積層C5、C4、C3、C2、C1和下采樣層S4、S3、S2、S1的誤差項(xiàng)，求得的任一層誤差項(xiàng)矩陣的分辨率與該層的輸出特征圖的分辨率相一致；

步驟1-6-3，計(jì)算梯度：根據(jù)步驟1-6-2獲得的誤差項(xiàng)計(jì)算子網(wǎng)絡(luò)各個(gè)網(wǎng)絡(luò)層的誤差項(xiàng)對該層權(quán)值參數(shù)和偏置參數(shù)的梯度值；

步驟1-6-4，更新參數(shù)：將步驟1-6-3獲得的各網(wǎng)絡(luò)層的權(quán)值參數(shù)和偏置參數(shù)的梯度值乘上動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，得到各網(wǎng)絡(luò)層權(quán)值參數(shù)和偏置參數(shù)的更新項(xiàng)，將原權(quán)值參數(shù)和偏置參數(shù)分別與該更新項(xiàng)求差，得到更新后的權(quán)值參數(shù)和偏置參數(shù)。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，步驟1-6-1包括以下步驟：

步驟1-6-1-1，計(jì)算動(dòng)態(tài)卷積層DC2誤差項(xiàng)：將步驟1-5-2-2獲得的預(yù)測圖像與該組樣本的對照標(biāo)簽求差，得到大小為240×240的誤差項(xiàng)矩陣δ^DC2；

步驟1-6-1-2，計(jì)算動(dòng)態(tài)卷積層DC1誤差項(xiàng)：通過零填充將DC2層的誤差項(xiàng)矩陣δ^DC2拓展為240×320，將水平概率向量旋轉(zhuǎn)180度，將拓展后的誤差項(xiàng)矩陣與翻轉(zhuǎn)后的水平概率向量相卷積，得到DC1層的誤差項(xiàng)矩陣δ^DC1，其大小為240×280，公式如下所示：

δ^DC1＝Expand_Zero(δ^DC2)*rot180(HPV)，

其中，Expand_Zero(·)表示零擴(kuò)充函數(shù)，rot180(·)表示角度為180°的旋轉(zhuǎn)函數(shù)，將2×2的矩陣零擴(kuò)充為4×4的矩陣，零擴(kuò)充后的矩陣，中央分辨率為2×2的區(qū)域與原矩陣相一致，其余位置用零像素填充；

步驟1-6-1-3，計(jì)算概率向量誤差項(xiàng)：計(jì)算水平概率向量HPV的誤差項(xiàng)，將DC1層的輸出特征圖與誤差項(xiàng)矩陣δ^DC2相卷積，卷積后得到1×41的行向量，該向量為HPV的誤差項(xiàng)δ^HPV，公式如下：

δ^HPV＝a^DC1*δ^DC2，

計(jì)算垂直概率向量VPV的誤差項(xiàng)，將輸入層的輸入特征圖與誤差項(xiàng)矩陣δ^DC1相卷積，卷積后得到41×1的列向量，該向量為VPV的誤差項(xiàng)δ^VPV，公式如下：

${\mathrm{\δ}}^{VPV}=a_4^{input}*{\mathrm{\δ}}^{DC1},$

其中，為訓(xùn)練樣本的輸入圖像序列中的最后一幅圖像；

步驟1-6-2包括以下步驟：

步驟1-6-2-1，計(jì)算分類器層F1誤差項(xiàng)：將步驟1-6-1-3獲得的概率向量的誤差項(xiàng)δ^VPV和δ^HPV分別與F1層的垂直權(quán)值參數(shù)矩陣WV和水平權(quán)值參數(shù)矩陣WH進(jìn)行矩陣相乘，再將矩陣的外積求和并取平均值，得到F1層的誤差項(xiàng)δ^F1，公式如下：

${\mathrm{\δ}}^{F1}=\frac{1}{2}\[{\left(WV\right)}^T\×{\mathrm{\δ}}^{VPV}+{\left(WH\right)}^T\×{\left({\mathrm{\δ}}^{HPV}\right)}^T\],$

其中，×表示矩陣外積，(·)^T代表矩陣的轉(zhuǎn)置，得到的δ^F1的大小為512×1；

步驟1-6-2-2，計(jì)算卷積層C5誤差項(xiàng)：通過矩陣變換，將步驟1-6-2-1中獲得的F1層的誤差項(xiàng)δ^F1變換為32個(gè)分辨率為4×4的矩陣得到C5層的誤差項(xiàng)δ^C5，表示變換后的第32個(gè)分辨率為4×4的矩陣；

步驟1-6-2-3，判斷網(wǎng)絡(luò)層類型：用l表示當(dāng)前所處的子網(wǎng)絡(luò)中的網(wǎng)絡(luò)層，l初始值為S4，判斷網(wǎng)絡(luò)層l的類型，若l∈{S4,S3,S2,S1}，則l為下采樣層，執(zhí)行步驟1-6-2-4，若l∈{C4,C3,C2,C1}，則l為卷積層，執(zhí)行步驟1-6-2-5；

步驟1-6-2-4，計(jì)算下采樣層誤差項(xiàng)：若l層為下采樣層，此時(shí)有l(wèi)＝l_S,l_S∈{S1,S2,S3,S4}，對于l_S層的第i個(gè)誤差項(xiàng)矩陣通過零填充分別將l_S+1層的各個(gè)誤差項(xiàng)矩陣拓展至寬度為其中l(wèi)_S+1層表示當(dāng)前下采樣層的后一卷積層，j表示l_S+1層的第j個(gè)誤差項(xiàng)，并有再將對應(yīng)的卷積核旋轉(zhuǎn)180度，然后將拓展后的矩陣與翻轉(zhuǎn)后的卷積核相卷積，并將卷積結(jié)果求和，得到l_S層的第i個(gè)誤差項(xiàng)矩陣公式如下所示：

${\mathrm{\δ}}_i^{l_S}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\[Expand\_Zero\left({{\mathrm{\δ}}_j}^{l_S+1}\right)*rot180\left(k_{ij}^{l_S+1}\right)\],i\∈\[1,{\mathrm{OutputMaps}}^{l_S}\],$

其中，

依次計(jì)算所有的誤差項(xiàng)矩陣，得到l_S層的輸出特征圖將l更新為l-1，并返回步驟1-6-2-3判斷網(wǎng)絡(luò)類型，計(jì)算上一個(gè)網(wǎng)絡(luò)層的誤差項(xiàng)；

步驟1-6-2-5，計(jì)算卷積層誤差項(xiàng)：若l層為卷積層，此時(shí)有l(wèi)＝l_C,l_C∈{C1,C2,C3,C4,C5}，由于步驟1-6-2-3中l(wèi)的初始值為S4，因此并不會(huì)出現(xiàn)l_C＝C5的情況，對于l_C層的第i個(gè)誤差項(xiàng)矩陣先對l_C+1層中的對應(yīng)的第i個(gè)誤差項(xiàng)矩陣進(jìn)行上采樣，上采樣時(shí)將中每個(gè)元素的誤差項(xiàng)值平均分至采樣區(qū)域中，得到分辨率為的上采樣矩陣，再計(jì)算激活函數(shù)在l_C層對應(yīng)特征圖處的導(dǎo)數(shù)與求得的上采樣矩陣的內(nèi)積，得到l_C層的第i個(gè)誤差項(xiàng)矩陣公式如下所示：

${\mathrm{\δ}}_i^{l_C}=UpSample\left({\mathrm{\δ}}_i^{l_C+1}\right)\·{\mathrm{ReLU}}^{\′}\left(a_i^{l_C}\right),i\∈\[1,{\mathrm{OutputMaps}}^{l_C}\],$

其中，·表示矩陣內(nèi)積，ReLU'(·)表示ReLU激活函數(shù)的導(dǎo)數(shù)，其形式如下：

${\mathrm{ReLU}}^{\′}\left(x\right)=\left\{\begin{array}{cc}0& x\<0\\ 1& x\≥0\end{array}\right.,$

UpSample(·)表示上采樣函數(shù)，上采樣后原圖像中的每一個(gè)像素對應(yīng)一個(gè)上采樣區(qū)域，原像素值平均分配至采樣區(qū)域中的每一個(gè)像素點(diǎn)中，依次計(jì)算所有的誤差項(xiàng)矩陣，得到l_C層的輸出特征圖

步驟1-6-2-6，此時(shí)l層為卷積層，即l＝l_C，之后分為兩種情況：

若l≠C1，則將l更新為l-1，并返回步驟1-6-2-3判斷網(wǎng)絡(luò)類型，計(jì)算上一個(gè)網(wǎng)絡(luò)層的誤差項(xiàng)；

若l＝C1，則步驟1-6-2子網(wǎng)絡(luò)誤差項(xiàng)計(jì)算結(jié)束；

步驟1-6-3包括以下步驟：

步驟1-6-3-1，計(jì)算卷積層誤差項(xiàng)對卷積核的梯度：用l_C表示當(dāng)前處理的卷積層，l_C∈{C1,C2,C3,C4,C5}，從C1層開始逐層計(jì)算各卷積層誤差項(xiàng)對卷積核的梯度，將l_C-1層的第i個(gè)輸出特征圖與第l_C層的第j個(gè)誤差項(xiàng)矩陣相卷積，卷積結(jié)果為對應(yīng)卷積核的梯度值公式如下：

$\▿k_{ij}^{l_C}=a_i^{l_C-1}*{\mathrm{\δ}}_j^{l_C},l_C\∈\{C1,C2,C3,C4,C5\},i\∈\[1,{\mathrm{OutputMaps}}^{l_C-1}\],j\∈\[1,{\mathrm{OutputMaps}}^{l_C}\],$

上式中，與分別表示第l_C層的輸出特征圖個(gè)數(shù)與第l_C-1層的輸出特征圖個(gè)數(shù)，▽k為誤差項(xiàng)對卷積核的梯度值；

步驟1-6-3-2，計(jì)算各卷積層誤差項(xiàng)對偏置的梯度：用l_C表示當(dāng)前處理的卷積層，l_C∈{C1,C2,C3,C4,C5}，從C1層開始逐層計(jì)算各卷積層誤差項(xiàng)對偏置的梯度，將l_C層的第j個(gè)誤差項(xiàng)矩陣中的所有元素進(jìn)行求和，得到該層第j個(gè)偏置的梯度值公式如下所示：

$\▿{\mathrm{bias}}_j^{l_C}=Sum\left({\mathrm{\δ}}_j^{l_C}\right),$

其中，Sum(·)表示對矩陣的所有元素進(jìn)行求和；

步驟1-6-3-3，計(jì)算F1層誤差項(xiàng)對權(quán)值參數(shù)的梯度：分別計(jì)算水平概率向量與垂直概率向量的誤差項(xiàng)δ^HPV、δ^VPV與F1層誤差項(xiàng)δ^F1的內(nèi)積，計(jì)算結(jié)果為F1層誤差項(xiàng)對權(quán)值參數(shù)WH、WV的梯度值，公式如下：

▽W(xué)H＝(δ^HPV)^T×(δ^F1)^T，

▽W(xué)V＝δ^VPV×(δ^F1)^T，

上式中，▽W(xué)H為誤差項(xiàng)對水平權(quán)值參數(shù)的梯度值，▽W(xué)V為誤差項(xiàng)對垂直權(quán)值參數(shù)的梯度值；

步驟1-6-3-4，計(jì)算F1層誤差項(xiàng)對偏置參數(shù)的梯度：將水平概率向量與垂直概率向量的誤差項(xiàng)δ^HPV、δ^VPV分別作為F1層誤差項(xiàng)對水平偏置參數(shù)BH和垂直偏置參數(shù)BV的梯度值，公式如下：

▽BH＝(δ^HPV)^T，

▽BV＝δ^VPV，

其中，▽BH為誤差項(xiàng)對水平偏置參數(shù)的梯度值，▽BV為誤差項(xiàng)對垂直偏置參數(shù)的梯度值；

步驟1-6-4包括以下步驟：

步驟1-6-4-1，更新各卷積層權(quán)值參數(shù)：將步驟1-6-3-1獲得的各卷積層誤差項(xiàng)對卷積核的梯度乘上動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，得到卷積核的修正項(xiàng)，再將原卷積核與該修正項(xiàng)求差，得到更新的卷積核公式如下：

$k_{ij}^{l_C}=k_{ij}^{l_C}-\mathrm{\λ}\▿k_{ij}^{l_C},l_C\∈\{C1,C2,C3,C4,C5\};$

其中，λ為步驟1-3中確定的網(wǎng)絡(luò)學(xué)習(xí)率，λ＝0.0001；

步驟1-6-4-2，更新各卷積層偏置參數(shù)：將步驟1-6-3-2獲得的各卷積層誤差項(xiàng)對偏置的梯度乘上動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，得到偏置參數(shù)的修正項(xiàng)，再將原偏置項(xiàng)與該修正項(xiàng)求差，得到更新的偏置項(xiàng)公式如下：

${\mathrm{bias}}_j^{l_C}={\mathrm{bias}}_j^{l_C}-\mathrm{\λ}\▿{\mathrm{bias}}_j^{l_C},l_C\∈\{C1,C2,C3,C4,C5\};$

步驟1-6-4-3，更新F1層權(quán)值參數(shù)：將步驟1-6-3-3獲得的F1層誤差項(xiàng)對權(quán)值參數(shù)WH和WV的梯度值乘上動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，得到權(quán)值參數(shù)的修正項(xiàng)，再將原權(quán)值參數(shù)WH和WV分別與求得的修正項(xiàng)求差，得到更新的WH和WV，公式如下：

WH＝WH-λ▽W(xué)H，

WV＝WV-λ▽W(xué)V；

步驟1-6-4-4，更新F1層偏置參數(shù)：將步驟1-6-3-4獲得的F1層誤差項(xiàng)對偏置參數(shù)BH和BV的梯度值乘上動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，得到偏置參數(shù)的修正項(xiàng)，再將原偏置參數(shù)BH和BV分別與求得的修正項(xiàng)求差，得到更新的BH和BV，公式如下：

BH＝BH-λ▽BH，

BV＝BV-λ▽BV。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，其特征在于，步驟2包括以下步驟：

步驟2-1，數(shù)據(jù)預(yù)處理：輸入測試圖像集，對測試圖像集中的每一幅圖像進(jìn)行規(guī)范化處理，將每一幅圖像轉(zhuǎn)化為280×280的浮點(diǎn)數(shù)圖像，再對浮點(diǎn)數(shù)圖像集合進(jìn)行劃分，構(gòu)造包含TestsetSize組樣本的測試樣本集；

步驟2-2，讀取測試樣本：將步驟2-1獲得的TestsetSize組測試樣本輸入經(jīng)過訓(xùn)練的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)中；

步驟2-3，前向傳播：在子網(wǎng)絡(luò)中提取輸入的圖像序列特征，得到水平概率向量HPV_test和垂直概率向量VPV_test；在概率預(yù)測層中，將輸入圖像序列中的最后一幅圖像依次與VPV_test、HPV_test相卷積，得到動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)最終的外推圖像。

10.根據(jù)權(quán)利要求9所述的方法，其特征在于，步驟2-1包括以下步驟：

步驟2-1-1，采樣：測試圖像集中的圖像按時(shí)間順序排列，并且等時(shí)間間隔分布，時(shí)間間隔為6分鐘，共包含N_Test幅圖像，通過如下公式確定TestsetSize：

如果Mod(N_Test，4)＝0則

如果Mod(N_Test，4)≠0則

求得TestsetSize后，通過采樣保留測試圖像集中前4×TestsetSize+1幅圖像，采樣時(shí)通過刪除測試圖像集中最后的圖像使圖像數(shù)量滿足要求；

步驟2-1-2，圖像規(guī)范化：對采樣得到的圖像進(jìn)行圖像變換，歸一化操作，將原始分辨率為2000×2000的彩色圖像轉(zhuǎn)換成分辨率為280×280的浮點(diǎn)數(shù)圖像；

步驟2-1-3，構(gòu)造測試樣本集：利用步驟2-1-2獲得的浮點(diǎn)數(shù)圖像集構(gòu)造測試樣本集，將浮點(diǎn)數(shù)圖像集中每四個(gè)相鄰的圖像，即第{4M+1,4M+2,4M+3,4M+4}幅圖像作為一組輸入序列，第[4×(M+1)+1]幅圖像經(jīng)過裁剪，保留中央分辨率為240×240的部分作為對應(yīng)樣本的對照標(biāo)簽，其中為正整數(shù)，并有M∈[0,TestsetSize-1]得到包含TestsetSize組測試樣本的測試樣本集；

步驟2-1-2包括以下步驟：

步驟2-1-2-1，圖像轉(zhuǎn)化：將彩色的回波強(qiáng)度CAPPI圖像轉(zhuǎn)化為灰度圖像，再通過裁剪保留原始圖像中央分辨率為560×560的部分，將裁剪后的圖像分辨率壓縮為280×280，得到分辨率為280×280的灰度圖；

步驟2-1-2-2，數(shù)據(jù)歸一化：將步驟1-1-2-1中獲得的灰度圖中的每一個(gè)像素點(diǎn)的值從[0～255]映射到[0～1]，通過歸一化之后得到分辨率為280×280的浮點(diǎn)數(shù)圖像；

步驟2-3包括以下步驟：

步驟2-3-1，計(jì)算子網(wǎng)絡(luò)概率向量：在子網(wǎng)絡(luò)中通過卷積層和下采樣層的交替處理提取輸入的圖像序列特征，然后在分類器層中通過Softmax函數(shù)處理，得到水平概率向量HPV_test和垂直概率向量VPV_test；

步驟2-3-2，計(jì)算概率預(yù)測層輸出圖像：步驟2-3-1得到的VPV_test和HPV_test作為概率預(yù)測層的卷積核，將輸入圖像序列中的最后一幅圖像依次與VPV_test和HPV_test相卷積，得到動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)最終的外推圖像；

步驟2-3-1包括以下步驟：

步驟2-3-1-1，判斷網(wǎng)絡(luò)層類型：用p表示當(dāng)前所處的子網(wǎng)絡(luò)中的網(wǎng)絡(luò)層，判斷網(wǎng)絡(luò)層p的類型，p初始值為C1，若p∈{C1,C2,C3,C4,C5}，則p為卷積層，執(zhí)行步驟2-3-1-2，若p∈{S1,S2,S3,S4}，則p為下采樣層，執(zhí)行步驟2-3-1-4；

步驟2-3-1-2，處理卷積層：此時(shí)有p＝p_C,p_C∈{C1,C2,C3,C4,C5}，首先計(jì)算p_C層的第v個(gè)輸出特征圖將p_C層的輸入特征圖分別與該層的對應(yīng)卷積核相卷積，再將卷積結(jié)果求和，求和結(jié)果加上p_C層的第v個(gè)偏置再經(jīng)過ReLU激活函數(shù)處理，得到p_C層的第v個(gè)輸出特征圖計(jì)算公式如下所示：

$a_v^{p_C}=\mathrm{Re}LU\[(\underset{u=1}{\overset{m}{\mathrm{\Σ}}}{a}_u^{p_C-1}*k_{uv}^{p_C})+{\mathrm{bias}}_v^{p_C}\],v\∈\[1,{\mathrm{OutputMaps}}^{p_C}\],$

其中，為p_C層的第u個(gè)輸入特征圖與第v個(gè)輸出特征圖相對應(yīng)的卷積核，m為當(dāng)前卷積層的前一下采樣層的輸出特征圖個(gè)數(shù)，表示p_C層的第u個(gè)輸入特征圖，同時(shí)也是p_C-1層的第u個(gè)輸出特征圖，*表示矩陣卷積，當(dāng)p_C＝C1時(shí)，則p_C-1層為輸入層。

依次計(jì)算所有的輸出特征圖，得到p_C層的輸出特征圖將p更新為p+1，并返回步驟2-3-1-1判斷網(wǎng)絡(luò)類型，進(jìn)行下一個(gè)網(wǎng)絡(luò)層的操作；

步驟2-3-1-3，處理下采樣層：此時(shí)有p＝p_S,p_S∈{S1,S2,S3,S4}，將步驟2-3-1-2得到的卷積層的輸出特征圖分別與相卷積，再以步長為2進(jìn)行采樣，采樣得到p_S層的輸出特征圖計(jì)算公式如下所示：

$a_v^{p_S}=Sample(a_v^{p_S-1}*\left[\begin{array}{cc}0.25& 0.25\\ 0.25& 0.25\end{array}\right]),v\∈\[1,{\mathrm{OutputMaps}}^{p_S}\],$

其中，Sample(·)表示步長為2的采樣處理，p_S-1表示當(dāng)前下采樣層的前一卷積層，表示p_S層的輸出特征圖中的第j個(gè)輸出特征圖，得到p_S層的輸出特征圖后，將p更新為p+1，并返回步驟2-3-1-1判斷網(wǎng)絡(luò)類型，進(jìn)行下一個(gè)網(wǎng)絡(luò)層的操作；

步驟2-3-1-4，計(jì)算F1層概率向量：若網(wǎng)絡(luò)層p為分類器層，即p＝F1，通過矩陣變換，將C5的32幅分辨率為4×4的輸出特征圖以列順序展開，得到分辨率為512×1的F1層的輸出特征向量然后分別計(jì)算水平參數(shù)矩陣WH、垂直參數(shù)矩陣WV與的外積，將計(jì)算結(jié)果分別與水平偏置參數(shù)BH、垂直偏置參數(shù)BV求和，求和結(jié)果經(jīng)Softmax函數(shù)處理后得到水平概率向量HPV_test、垂直概率向量VPV_test，計(jì)算公式如下：

${\mathrm{HPV}}_{test}=Softmax(WH\×a_{test}^{F1}+BH),$

${\mathrm{VPV}}_{test}=Softmax(WV\×a_{test}^{F1}+BV),$

將其垂直概率向量VPV_test轉(zhuǎn)置，得到最終的垂直概率向量；

步驟2-3-2包括以下步驟：

步驟2-3-2-1，預(yù)測DC1層垂直方向：將輸入層的最后一幅輸入圖像與垂直概率向量VPV_test相卷積，得到分辨率為240×280的DC1層輸出特征圖

步驟2-3-2-2，預(yù)測DC2層垂直方向：將步驟2-3-2-1獲得的與水平概率向量HPV_test相卷積，得到動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)最終的外推圖像，其分辨率為240×240。