本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，更進(jìn)一步涉及氣象數(shù)據(jù)處理技術(shù)領(lǐng)域中的一種基于卷積自動編解碼算法的氣象數(shù)據(jù)填補(bǔ)方法。本發(fā)明可以應(yīng)用于氣象數(shù)據(jù)處理，氣象數(shù)據(jù)分析等具體應(yīng)用場景，針對已有的氣象數(shù)據(jù)填補(bǔ)算法的局限性，根據(jù)多次學(xué)習(xí)氣象數(shù)據(jù)屬性特征之間的相關(guān)性，對于缺失的氣象數(shù)據(jù)，填補(bǔ)其氣象數(shù)據(jù)值。

背景技術(shù)：

填充空缺值是由于數(shù)據(jù)缺失引起的方法。數(shù)據(jù)缺失是指在數(shù)據(jù)采集時由于某種原因應(yīng)該得到而沒有得到的數(shù)據(jù)。它指的是現(xiàn)有數(shù)據(jù)集中某個或某些屬性的值是不完全的。在科學(xué)研究中，為了提高數(shù)據(jù)的可信度科學(xué)度，保證調(diào)查研究的順利進(jìn)行，需要一些填充空缺值的方法來填充缺失數(shù)據(jù)。目前填充空缺值的方法主要包括人工填寫法、平均值填充法、熱卡填充法和多重填補(bǔ)法。其中人工填寫法費(fèi)時費(fèi)力，當(dāng)缺失的數(shù)值很多時，使用這種方法是不可能的。平均值填充法和熱卡填充法主觀因素較多，準(zhǔn)確性低。

國網(wǎng)山東省電力公司應(yīng)急管理中心在其申請的專利“基于電網(wǎng)GIS的氣象數(shù)據(jù)調(diào)用與預(yù)處理方法及系統(tǒng)”(專利申請?zhí)枺?01410709084.6，申請公開號：CN104951857A)中提出了一種基于電網(wǎng)GIS的氣象數(shù)據(jù)處理方法及系統(tǒng)。該方法首先建立電網(wǎng)氣象數(shù)據(jù)庫，然后分別對電網(wǎng)GIS平臺采集的不同格式的氣象數(shù)據(jù)進(jìn)行處理并存儲，再對存儲至電網(wǎng)氣象數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行分類預(yù)處理，之后進(jìn)行數(shù)據(jù)緩存與調(diào)用。在對實(shí)時監(jiān)測數(shù)據(jù)進(jìn)行完整性檢查時，當(dāng)出現(xiàn)數(shù)據(jù)缺失、錯誤等異常情況時，該方法調(diào)用當(dāng)前無效時間點(diǎn)的上一時刻數(shù)據(jù)，采用向上追溯的方式進(jìn)行填充處理。該方法優(yōu)化了氣象數(shù)據(jù)在電網(wǎng)中的應(yīng)用方法，為電力行業(yè)與氣象部門間的快速數(shù)據(jù)交互提供了基礎(chǔ)。但是，該方法仍然存在的不足之處是，對于缺失、錯誤等異常情況的處理方式過于簡單，并且填補(bǔ)的數(shù)據(jù)準(zhǔn)確性低。

寧波綺耘軟件有限公司在其申請的專利“一種異常數(shù)據(jù)判定與處理方法及裝置”(專利申請?zhí)枺?01410504085.7，申請公開號：CN104281779A)中提出了一種異常數(shù)據(jù)判定與處理方法及裝置。該方法首先從原始?xì)庀髷?shù)據(jù)中提取與觀測點(diǎn)數(shù)據(jù)相關(guān)的數(shù)據(jù)塊，計(jì)算二者的數(shù)值變化，若不在預(yù)定范圍內(nèi)，則觀測點(diǎn)數(shù)據(jù)為異常值，對異常值進(jìn)行修正并輸出修正后的氣象數(shù)據(jù)。該方法對連續(xù)觀測的氣象數(shù)據(jù)中存在的不符合氣象數(shù)據(jù)變化規(guī)律的數(shù)據(jù)進(jìn)行修正，從而減少突然增高或降低的異常數(shù)據(jù)對氣候特征觀察的影響。但是，該方法仍然存在的不足之處是，判斷氣象數(shù)據(jù)是否異常時提取的數(shù)據(jù)塊范圍僅為1-3，選取的數(shù)據(jù)塊太少，數(shù)據(jù)的修正也僅是用不包括觀測點(diǎn)的數(shù)據(jù)塊的平均值來替換，修正的氣象屬性值只與同種屬性的屬性值有關(guān)，建立在完全隨機(jī)缺失的假設(shè)上，數(shù)據(jù)填充的精度不高，不能準(zhǔn)確反映氣象數(shù)據(jù)的變化規(guī)律。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于卷積自動編解碼算法的氣象數(shù)據(jù)填補(bǔ)方法，以提高氣象數(shù)據(jù)填補(bǔ)結(jié)果的精度。本發(fā)明利用卷積自動編碼和卷積自動解碼，在填補(bǔ)數(shù)據(jù)過程中學(xué)習(xí)周邊數(shù)據(jù)特征的相關(guān)性，有效地克服了氣象數(shù)據(jù)填充的精度不高的問題。

實(shí)現(xiàn)本發(fā)明目的的具體思路是：首先是根據(jù)相鄰數(shù)據(jù)屬性之間的關(guān)系，進(jìn)行數(shù)據(jù)預(yù)處理，然后再利用卷積自動編碼和卷積自動解碼等步驟，提取屬性特征之間的復(fù)雜關(guān)系，對氣象數(shù)據(jù)進(jìn)行填補(bǔ)，提高了算法的魯棒性和填補(bǔ)的精度，可用于高維數(shù)據(jù)的多個缺失值填補(bǔ)。

實(shí)現(xiàn)本發(fā)明目的的具體步驟如下：

(1)對氣象數(shù)據(jù)進(jìn)行預(yù)處理：

(1a)用一個含有6個屬性值的一維數(shù)據(jù)，構(gòu)建一個3×2二維矩陣；

(1b)用一個氣象數(shù)據(jù)文件中所有氣象數(shù)據(jù)構(gòu)建一個四維矩陣；

(2)設(shè)置迭代次數(shù)：

設(shè)置最大迭代次數(shù)為1000，設(shè)置當(dāng)前迭代次數(shù)為k，并初始化為1；

(3)對四維矩陣進(jìn)行卷積自動編碼：

(3a)按照下式，用32個1×1卷積核w和偏移權(quán)重b卷積四維矩陣，分別提取氣象數(shù)據(jù)6個屬性值中每一個屬性值的數(shù)據(jù)特征，得到32組6個屬性值的數(shù)據(jù)特征：

Y＝wX+b

其中，Y表示氣象數(shù)據(jù)6個屬性值中任意一個屬性值的數(shù)據(jù)特征，w表示一個1×1的矩陣，X表示氣象數(shù)據(jù)6個屬性值中與Y對應(yīng)的屬性值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)；

(3b)按照下式，分別計(jì)算氣象數(shù)據(jù)32組6個屬性值中每一個屬性值的匹配特征，得到32組6個屬性值的匹配特征：

m＝max(0,Y)

其中，m表示氣象數(shù)據(jù)6個屬性值中任意一個屬性值的匹配特征，max表示取最大值操作，Y表示氣象數(shù)據(jù)6個屬性值中與m對應(yīng)的屬性值的數(shù)據(jù)特征；

(3c)對32組6個屬性值的匹配特征中的每一組，將6個屬性值的前2個屬性值的匹配特征，依次作為特征匹配矩陣的第一行，將6個屬性值的中間2個值的匹配特征，依次作為特征匹配矩陣的第二行，將6個屬性值的后2個值的匹配特征，依次作為特征匹配矩陣的第三行，得到一個3×2的特征匹配矩陣；

(3d)判斷是否完成32個3×2的特征匹配矩陣的構(gòu)建，若是，則執(zhí)行步驟(3e)，否則，執(zhí)行步驟(3c)；

(3e)按照下式，分別對32個3×2的特征匹配矩陣中的每一個特征匹配矩陣進(jìn)行填充，得到32個5×5填充后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(3g)分別對32個5×5的填充后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第一次編碼后的特征匹配矩陣；

(4)對特征匹配矩陣進(jìn)行卷積自動編碼：

(4a)對32個3×3的第一次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第一次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第一次編碼后的特征匹配矩陣；

(4b)判斷是否完成32個3×3的第一次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行步驟(4c)，否則，執(zhí)行步驟(4a)；

(4c)按照下式，分別對32個3×3的更新后的第一次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第一次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(4d)分別對32個5×5的填充后的更新后的第一次編碼后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第二次編碼后的特征匹配矩陣；

(5)對特征匹配矩陣進(jìn)行卷積自動編碼：

(5a)對32個3×3的第二次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第一次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第二次編碼后的特征匹配矩陣；

(5b)判斷是否完成32個3×3的第二次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行步驟(5c)，否則，執(zhí)行步驟(5a)；

(5c)按照下式，分別對32個3×3的更新后的第二次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第二次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(5d)對32個5×5的填充后的更新后的第二次編碼后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第三次編碼后的特征匹配矩陣；

(6)對特征匹配矩陣進(jìn)行卷積自動解碼：

(6a)對32個3×3的第三次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第三次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第三次編碼后的特征匹配矩陣；

(6b)判斷是否完成32個3×3的第三次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行步驟(6c)，否則，執(zhí)行步驟(6a)；

(6c)按照下式，對32個更新后的3×3的第三次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，分別修正一個更新后的3×3的第三次編碼后的特征匹配矩陣中的每一個元素值：

p＝max(0,Q)

其中，p表示修正后的更新后的3×3的第三次編碼后的特征匹配矩陣中的任意一個元素值，max表示取最大值操作，Q表示更新后的3×3的第三次編碼后的特征匹配矩陣中的與y對應(yīng)的元素值；

(6d)判斷是否完成32個更新后的3×3的第三次編碼后的特征匹配矩陣的修正，若是，則執(zhí)行步驟(6e)，否則，執(zhí)行步驟(6c)；

(6e)按照下式，分別對32個修正后的更新后的3×3的第三次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的修正后的更新后的第二次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(6f)對32個5×5的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第一次解碼后的特征匹配矩陣；

(7)對特征匹配矩陣進(jìn)行卷積自動解碼：

(7a)對32個3×2的第一次解碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×2的第一次解碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×2的第一次解碼后的特征匹配矩陣；

(7b)判斷是否完成32個3×2的第一次解碼后的特征匹配矩陣的更新，若是，則執(zhí)行步驟(7c)，否則，執(zhí)行步驟(7a)；

(7c)按照下式，分別對32個3×2的更新后的第一次解碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第一次解碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(7d)對32個5×5的填充后的更新后的第一次解碼后的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第二次解碼后的特征匹配矩陣；

(8)對特征匹配矩陣進(jìn)行卷積自動解碼：

(8a)對32個3×2的第二次解碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×2的第二次解碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×2的第二次解碼后的特征匹配矩陣；

(8b)判斷是否完成32個3×2的第二次解碼后的特征匹配矩陣的更新，若是，則執(zhí)行步驟(8c)，否則，執(zhí)行步驟(8a)；

(8c)按照下式，分別對32個3×2的更新后的第二次解碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第二次解碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值；

(8d)對32個5×5的填充后的更新后的第二次解碼后的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第三次解碼后的特征匹配矩陣；

(9)按照下式，對32個3×2的第三次解碼后的特征匹配矩陣分別計(jì)算損失函數(shù)：

其中，L_rec(x)表示x對應(yīng)的損失函數(shù)，||·||₂表示求二范數(shù)操作，表示數(shù)據(jù)中缺失的部分，⊙表示數(shù)組元素依次相乘操作，x表示輸入的真實(shí)數(shù)據(jù)，F(xiàn)表示編碼過程；

(10)按照下式，利用梯度下降法更新卷積核w和偏移權(quán)重b：

其中，w₁表示更新后的卷積核，w表示更新前的卷積核，α表示取值為0.1的學(xué)習(xí)速率，L_rec(x)表示損失函數(shù)，表示損失函數(shù)L_rec(x)在卷積核w處的偏導(dǎo)數(shù)，b₁表示更新后的偏移權(quán)重，b表示更新前的偏移權(quán)重，α表示取值為0.1的學(xué)習(xí)速率，L_rec(x)表示損失函數(shù)，表示損失函數(shù)L_rec(x)在偏移權(quán)重b處的偏導(dǎo)數(shù)；

(11)判斷當(dāng)前迭代次數(shù)k是否達(dá)到最大迭代次數(shù)，若是，則執(zhí)行步驟(12)，否則，將當(dāng)前迭代次數(shù)k加1后，執(zhí)行步驟(3)；

(12)取32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第一行的兩個元素值作為氣象數(shù)據(jù)6個屬性值中的大氣氣壓和干球溫度，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第二行的兩個元素值作為6個屬性值中的露點(diǎn)溫度和風(fēng)速，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第三行的兩個元素值作為6個屬性值中的風(fēng)向和總云量；

(13)完成氣象數(shù)據(jù)填補(bǔ)。

本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點(diǎn)：

第1，由于本發(fā)明引入對氣象數(shù)據(jù)進(jìn)行預(yù)處理，利用周邊數(shù)據(jù)特征具有相關(guān)性的特點(diǎn)，將氣象數(shù)據(jù)構(gòu)建成為一個四維矩陣，從而克服了現(xiàn)有技術(shù)對于缺失、錯誤等異常情況的處理方式過于簡單的問題，克服了填充的氣象屬性值只與同種屬性值有關(guān)的問題，使得本發(fā)明的缺值填充更靈活、準(zhǔn)確度更高。

第2，由于本發(fā)明引入卷積自動編碼和卷積自動解碼，利用卷積自動編碼卷積自動解碼等步驟，提取氣象屬性特征之間的復(fù)雜關(guān)系，得到較優(yōu)的填充氣象數(shù)據(jù)的計(jì)算模型，從而克服了數(shù)據(jù)填補(bǔ)的精度不高的問題，使得本發(fā)明具有高魯棒性、高缺值填充準(zhǔn)確度的優(yōu)點(diǎn)。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為本發(fā)明利用3×3的卷積核對5×5的矩陣進(jìn)行卷積過程的示意圖；

圖3為本發(fā)明對5×5的矩陣進(jìn)行大小為3×3的最大值形式的池化的過程的示意圖；

圖4為本發(fā)明對3×3的矩陣填充為5×5的矩陣的示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步的詳細(xì)描述。

參照附圖1，對本發(fā)明實(shí)現(xiàn)的步驟作進(jìn)一步的詳細(xì)描述。

步驟1，對氣象數(shù)據(jù)進(jìn)行預(yù)處理。

第1步，用一個含有6個屬性值的一維數(shù)據(jù)，構(gòu)建一個3×2二維矩陣。

所述的6個屬性值是指，大氣氣壓，干球溫度，露點(diǎn)溫度，風(fēng)速，風(fēng)向，總云量。

所述的3×2二維矩陣的構(gòu)建方式為，將6個屬性值的前2個值依次作為二維矩陣的第一行，將6個屬性值的中間2個值依次作為二維矩陣的第二行，將6個屬性值的后2個值依次作為二維矩陣的第三行，若有空缺值，用1填補(bǔ)。

第2步，用一個氣象數(shù)據(jù)文件中所有氣象數(shù)據(jù)構(gòu)建一個四維矩陣。

所述四維矩陣的構(gòu)建方式為，將一個文件中的所有氣候數(shù)據(jù)所在的行數(shù)作為四維矩陣的第一維，第二維取1，將二維矩陣中的元素值作為四維矩陣的后兩維。

步驟2，設(shè)置迭代次數(shù)。

設(shè)置最大迭代次數(shù)為1000，設(shè)置當(dāng)前迭代次數(shù)為k，并初始化為1。

步驟3，對四維矩陣進(jìn)行卷積自動編碼。

第1步，按照下式，用32個1×1卷積核w和偏移權(quán)重b卷積四維矩陣，分別提取氣象數(shù)據(jù)6個屬性值中每一個屬性值的數(shù)據(jù)特征，得到32組6個屬性值的數(shù)據(jù)特征：

Y＝wX+b

其中，Y表示氣象數(shù)據(jù)6個屬性值中任意一個屬性值的數(shù)據(jù)特征，w表示一個1×1的矩陣，X表示氣象數(shù)據(jù)6個屬性值中與Y對應(yīng)的屬性值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，按照下式，分別計(jì)算氣象數(shù)據(jù)32組6個屬性值中每一個屬性值的匹配特征，得到32組6個屬性值的匹配特征：

m＝max(0,Y)

其中，m表示氣象數(shù)據(jù)6個屬性值中任意一個屬性值的匹配特征，max表示取最大值操作，Y表示氣象數(shù)據(jù)6個屬性值中與m對應(yīng)的屬性值的數(shù)據(jù)特征。

第3步，對32組6個屬性值的匹配特征中的每一組，將6個屬性值的前2個屬性值的匹配特征，依次作為特征匹配矩陣的第一行，將6個屬性值的中間2個值的匹配特征，依次作為特征匹配矩陣的第二行，將6個屬性值的后2個值的匹配特征，依次作為特征匹配矩陣的第三行，得到一個3×2的特征匹配矩陣。

第4步，判斷是否完成32個3×2的特征匹配矩陣的構(gòu)建，若是，則執(zhí)行本步驟的第5步，否則，執(zhí)行本步驟的第3步。

第5步，按照下式，分別對32個3×2的特征匹配矩陣中的每一個特征匹配矩陣進(jìn)行填充，得到32個5×5填充后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第6步，分別對32個5×5的填充后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第一次編碼后的特征匹配矩陣。

步驟4，對特征匹配矩陣進(jìn)行卷積自動編碼。

第1步，對32個3×3的第一次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第一次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第一次編碼后的特征匹配矩陣。

所述的卷積公式如下：

M_ij＝wx_st+b

其中，M_ij表示更新后的特征匹配矩陣中第i行第j列的元素值，w表示一個1×1的矩陣，x_st表示更新前的特征匹配矩陣中第s行第t列的元素值，i和s取相同的值，j和t取相同的值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，判斷是否完成32個3×3的第一次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行本步驟的第3步，否則，執(zhí)行本步驟的第1步。

第3步，按照下式，分別對32個3×3的更新后的第一次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第一次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第4步，分別對32個5×5的填充后的更新后的第一次編碼后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第二次編碼后的特征匹配矩陣。

步驟5，對特征匹配矩陣進(jìn)行卷積自動編碼。

第1步，對32個3×3的第二次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第一次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第二次編碼后的特征匹配矩陣。

所述的卷積公式如下：

M_ij＝wx_st+b

其中，M_ij表示更新后的特征匹配矩陣中第i行第j列的元素值，w表示一個1×1的矩陣，x_st表示更新前的特征匹配矩陣中第s行第t列的元素值，i和s取相同的值，j和t取相同的值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，判斷是否完成32個3×3的第二次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行本步驟的第3步，否則，執(zhí)行本步驟的第1步。

第3步，按照下式，分別對32個3×3的更新后的第二次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第二次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第4步，對32個5×5的填充后的更新后的第二次編碼后的特征匹配矩陣進(jìn)行大小為3×3的最大值形式的池化，步長為1，得到32個3×3的第三次編碼后的特征匹配矩陣。

步驟6，對特征匹配矩陣進(jìn)行卷積自動解碼。

第1步，對32個3×3的第三次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×3的第三次編碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×3的第三次編碼后的特征匹配矩陣。

所述的卷積公式如下：

M_ij＝wx_st+b

其中，M_ij表示更新后的特征匹配矩陣中第i行第j列的元素值，w表示一個1×1的矩陣，x_st表示更新前的特征匹配矩陣中第s行第t列的元素值，i和s取相同的值，j和t取相同的值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，判斷是否完成32個3×3的第三次編碼后的特征匹配矩陣的更新，若是，則執(zhí)行本步驟的第3步，否則，執(zhí)行本步驟的第1步。

第3步，按照下式，對32個更新后的3×3的第三次編碼后的特征匹配矩陣中的每一個特征匹配矩陣，分別修正一個更新后的3×3的第三次編碼后的特征匹配矩陣中的每一個元素值：

p＝max(0,Q)

其中，p表示修正后的更新后的3×3的第三次編碼后的特征匹配矩陣中的任意一個元素值，max表示取最大值操作，Q表示更新后的3×3的第三次編碼后的特征匹配矩陣中的與y對應(yīng)的元素值。

第4步，判斷是否完成32個更新后的3×3的第三次編碼后的特征匹配矩陣的修正，若是，則執(zhí)行本步驟的第5步，否則，執(zhí)行本步驟的第3步。

第5步，按照下式，分別對32個修正后的更新后的3×3的第三次編碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的修正后的更新后的第二次編碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第6步，對32個5×5的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第一次解碼后的特征匹配矩陣。

步驟7，對特征匹配矩陣進(jìn)行卷積自動解碼。

第1步，對32個3×2的第一次解碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×2的第一次解碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×2的第一次解碼后的特征匹配矩陣。

所述的卷積公式如下：

M_ij＝wx_st+b

其中，M_ij表示更新后的特征匹配矩陣中第i行第j列的元素值，w表示一個1×1的矩陣，x_st表示更新前的特征匹配矩陣中第s行第t列的元素值，i和s取相同的值，j和t取相同的值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，判斷是否完成32個3×2的第一次解碼后的特征匹配矩陣的更新，若是，則執(zhí)行本步驟的第3步，否則，執(zhí)行本步驟的第1步。

第3步，按照下式，分別對32個3×2的更新后的第一次解碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第一次解碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第4步，對32個5×5的填充后的更新后的第一次解碼后的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第二次解碼后的特征匹配矩陣。

步驟8，對特征匹配矩陣進(jìn)行卷積自動解碼。

第1步，對32個3×2的第二次解碼后的特征匹配矩陣中的每一個特征匹配矩陣，利用卷積公式，分別更新一個3×2的第二次解碼后的特征匹配矩陣中的每一個元素值，得到一個更新后的3×2的第二次解碼后的特征匹配矩陣。

所述的卷積公式如下：

M_ij＝wx_st+b

其中，M_ij表示更新后的特征匹配矩陣中第i行第j列的元素值，w表示一個1×1的矩陣，x_st表示更新前的特征匹配矩陣中第s行第t列的元素值，i和s取相同的值，j和t取相同的值，b表示由隨機(jī)函數(shù)在(0,1)之間產(chǎn)生的一個隨機(jī)數(shù)。

第2步，判斷是否完成32個3×2的第二次解碼后的特征匹配矩陣的更新，若是，則執(zhí)行本步驟的第3步，否則，執(zhí)行本步驟的第1步。

第3步，按照下式，分別對32個3×2的更新后的第二次解碼后的特征匹配矩陣進(jìn)行填充，得到32個5×5的填充后的更新后的第二次解碼后的特征匹配矩陣：

其中，B_ij表示填充后的特征匹配矩陣中第i行第j列的元素值，A_i-1,j-1表示填充前的特征匹配矩陣中第i-1行第j-1列的元素值。

第4步，對32個5×5的填充后的更新后的第二次解碼后的特征匹配矩陣進(jìn)行大小為3×4的最大值形式的池化，步長為1，得到32個3×2的第三次解碼后的特征匹配矩陣。

步驟9，按照下式，對32個3×2的第三次解碼后的特征匹配矩陣分別計(jì)算損失函數(shù)：

其中，L_rec(x)表示x對應(yīng)的損失函數(shù)，||·||₂表示求二范數(shù)操作，表示數(shù)據(jù)中缺失的部分，⊙表示數(shù)組元素依次相乘操作，x表示輸入的真實(shí)數(shù)據(jù)，F(xiàn)表示編碼過程。

步驟10，按照下式，利用梯度下降法更新卷積核w和偏移權(quán)重b：

其中，w₁表示更新后的卷積核，w表示更新前的卷積核，α表示取值為0.1的學(xué)習(xí)速率，L_rec(x)表示損失函數(shù)，表示損失函數(shù)L_rec(x)在卷積核w處的偏導(dǎo)數(shù)，b₁表示更新后的偏移權(quán)重，b表示更新前的偏移權(quán)重，α表示取值為0.1的學(xué)習(xí)速率，L_rec(x)表示損失函數(shù)，表示損失函數(shù)L_rec(x)在偏移權(quán)重b處的偏導(dǎo)數(shù)。

步驟11，判斷當(dāng)前迭代次數(shù)k是否達(dá)到最大迭代次數(shù)，若是，則執(zhí)行步驟12，否則，將當(dāng)前迭代次數(shù)k加1后，執(zhí)行步驟3。

步驟12，取32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第一行的兩個元素值作為氣象數(shù)據(jù)6個屬性值中的大氣氣壓和干球溫度，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第二行的兩個元素值作為6個屬性值中的露點(diǎn)溫度和風(fēng)速，將32個3×2的第三次解碼后的特征匹配矩陣中損失函數(shù)最小的特征匹配矩陣的第三行的兩個元素值作為6個屬性值中的風(fēng)向和總云量。

步驟13，完成氣象數(shù)據(jù)填補(bǔ)。

下面結(jié)合附圖2，對本發(fā)明利用3×3的卷積核對5×5的矩陣進(jìn)行卷積的過程作進(jìn)一步的詳細(xì)描述。

圖2中，對于一個5×5的輸入矩陣，利用3×3的卷積核，卷積生成3×3的特征匹配矩陣。其中，圖2(a)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(b)所示特征匹配矩陣中第一行第一列的元素值。圖2(c)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(d)所示特征匹配矩陣中第一行第二列的元素值。圖2(e)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(f)所示特征匹配矩陣中第一行第三列的元素值。圖2(g)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(h)所示特征匹配矩陣中第二行第一列的元素值。圖2(i)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(j)所示特征匹配矩陣中第二行第二列的元素值。圖2(k)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(l)所示特征匹配矩陣中第二行第三列的元素值。圖2(m)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(n)所示特征匹配矩陣中第三行第一列的元素值。圖2(o)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(p)所示特征匹配矩陣中第三行第二列的元素值。圖2(q)表示一個5×5的輸入矩陣，陰影部分的下標(biāo)構(gòu)成3×3的卷積核，將陰影部分的輸入矩陣元素值與其對應(yīng)的下標(biāo)值分別相乘然后再將乘積相加即得到圖2(r)所示特征匹配矩陣中第三行第三列的元素值。

參照附圖3，對本發(fā)明對5×5的矩陣進(jìn)行大小為3×3的最大值形式的池化的過程作進(jìn)一步的詳細(xì)描述。

圖3中，對5×5的輸入矩陣，進(jìn)行大小為3×3的最大池操作，步長為1。最大池操作包括將輸入分裂成小塊并且輸出每一塊的最大值。其中，圖3(a)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(b)所示特征匹配矩陣中第一行第一列的元素值。圖3(c)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(d)所示特征匹配矩陣中第一行第二列的元素值。圖3(e)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(f)所示特征匹配矩陣中第一行第三列的元素值。圖3(g)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(h)所示特征匹配矩陣中第二行第一列的元素值。圖3(i)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(j)所示特征匹配矩陣中第二行第二列的元素值。圖3(k)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(l)所示特征匹配矩陣中第二行第三列的元素值。圖3(m)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(n)所示特征匹配矩陣中第三行第一列的元素值。圖3(o)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(p)所示特征匹配矩陣中第三行第二列的元素值。圖3(q)表示一個5×5的輸入矩陣，陰影部分表示進(jìn)行最大值形式池化的模塊，取陰影部分矩陣元素值的最大值即得到圖3(r)所示特征匹配矩陣中第三行第三列的元素值。

參照附圖4，對本發(fā)明實(shí)現(xiàn)填充的過程作進(jìn)一步的詳細(xì)描述。

圖4中，將3×3的輸入矩陣，填充為為5×5的輸出矩陣。其中，圖4(a)表示一個3×3的輸入矩陣，圖4(b)表示一個5×5的輸出矩陣，圖4(b)中第一行，第五行，第一列和第五列的元素值均為0。圖4(b)中第二行第二列的元素值等于圖4(a)中第一行第一列的元素值。圖4(b)中第二行第三列的元素值等于圖4(a)中第一行第二列的元素值。圖4(b)中第二行第四列的元素值等于圖4(a)中第一行第三列的元素值。圖4(b)中第三行第二列的元素值等于圖4(a)中第二行第一列的元素值。圖4(b)中第三行第三列的元素值等于圖4(a)中第二行第二列的元素值。圖4(b)中第三行第四列的元素值等于圖4(a)中第二行第三列的元素值。圖4(b)中第四行第二列的元素值等于圖4(a)中第三行第一列的元素值。圖4(b)中第四行第三列的元素值等于圖4(a)中第三行第二列的元素值。圖4(b)中第四行第四列的元素值等于圖4(a)中第三行第三列的元素值。