基于深度学习的闪电电磁脉冲 (LEMP) 多站识别技术的研究
Fang Xiao1, Qiming Ma1, Jiajun Song1
1Institute of Electrical Engineering, Chinese Academy of Sciences, Beijing 100190, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
本研究介绍了一种用于识别闪电电磁脉冲 (LEMP) 的深度学习模型. 该模型使用多站数据实现了超过97%的准确性,增强了闪电监控和保护.
科学领域:
- 大气物理大气物理学
- 电气工程 电气工程 电气工程
- 计算机科学 计算机科学
背景情况:
- 闪电电磁脉冲 (LEMP) 对电子系统和人类安全构成越来越大的威胁.
- 准确识别和分类LEMP对于有效的缓解策略至关重要.
研究的目的:
- 开发和验证一个深度学习模型,以改进LEMP的识别和分类.
- 为了提高闪电监控系统的准确性和稳定性.
主要方法:
- 使用多站雷电定位系统收集了来自各种雷电类型和环境条件的LEMP信号数据集.
- 开发了一个深度学习模型,集成了一个卷积神经网络,用于特征提取和模式识别.
- 利用多站数据进行增强的信号分析.
主要成果:
- 拟议的深度学习模型在LEMP识别中实现了超过97%的准确性,明显优于单站方法.
- 该模型有效地揭示了LEMP数据中的复杂隐藏特征.
- 与传统方法相比,证明了更高的准确性和稳定性.
结论:
- 开发的深度学习模型为先进的闪电监控和本地化提供了可靠的技术基础.
- 这种方法增强了对闪电相关电磁现象的理解和预测.
- 为关键基础设施和人类活动提供了针对闪电危害的更好的保护.


