CN108535707B - 一种雷达性能预测模型建立方法及装置 - Google Patents
一种雷达性能预测模型建立方法及装置 Download PDFInfo
- Publication number
- CN108535707B CN108535707B CN201810276761.8A CN201810276761A CN108535707B CN 108535707 B CN108535707 B CN 108535707B CN 201810276761 A CN201810276761 A CN 201810276761A CN 108535707 B CN108535707 B CN 108535707B
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- radar performance
- cleaned
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种雷达性能预测模型建立方法及装置,该方法包括:获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并,获得样本数据;根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型,通过上述方式建立的雷达性能预测模型提高了模型在实际使用中的准确性。
Description
技术领域
本申请涉及数据处理及建模技术领域,更具体地说,涉及一种雷达性能预测模型建立方法及装置。
背景技术
雷达性能如探测距离等会受到各种条件的影响,如天气、雷达状态等,在使用雷达前需要对雷达性能进行预测。
当前对雷达性能预测的方式为试验法:设置不同条件的试验,即令雷达处于不同条件的试验环境中,运行雷达后对雷达的至少一个性能进行统计,如对雷达的最大探测距离进行统计,根据设置的条件和统计的最大探测距离进行数学建模,得到探测距离预测模型,进而基于该模型预测雷达的探测距离。但通过上述试验法建立的预测模型在实际应用中的准确性较低。
发明内容
有鉴于此,本申请提供一种雷达性能预测模型建立方法及装置,以提高雷达性能预测模型在实际使用中的准确性。
为了实现上述目的,现提出的方案如下:
一种雷达性能预测模型建立方法,所述方法包括:
获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;
按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并,获得样本数据;
根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
优选地,在按照所述原始数据中数据的时间戳对所述原始数据进行合并前,所述方法还包括:
对所述原始数据进行清洗;
根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据;
所述按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并具体为:按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。
优选地,所述根据数据的属性对所述清洗后的数据进行处理,包括:
查找所述清洗后的数据中属性值保持不变的数据,和所述清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据,以及所述清洗后的数据中预指定删除数据;
删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
优选地,所述按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并,获得样本数据,包括:
查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象;
针对每一条数据对象:判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同;若不完全相同,则从时间戳与所述数据对象的时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据;
删除目标数据对象,所述目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据。
优选地,所述原始数据为格式为txt的多个文本数据,在对所述原始数据进行清洗前,所述方法还包括:
将每个文本数据拆分为多个子文本数据;
将每个子文本数据转换为第一格式数据;
所述对所述原始数据进行清洗包括:对每个第一格式数据进行清洗;
在所述根据数据的属性对所述清洗后的数据进行处理前,所述方法还包括:
根据预设的属性值与数值的对应关系,将所述清洗后的第一个格式数据中数据的属性值进行数值化;
将数值化的第一格式数据转换为第二格式数据;
所述根据数据的属性对所述清洗后的数据进行处理具体为:根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
一种雷达性能预测模型建立装置,所述装置包括:
获取单元,用于获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;
合并单元,用于按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并,获得样本数据;
建模单元,用于根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
优选地,所述装置还包括:
清洗单元,用于对所述原始数据进行清洗;
处理单元,用于根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据;
所述合并单元,具体用于按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。
优选地,所述处理单元包括:
第一查找子单元,用于查找所述清洗后的数据中属性值保持不变的数据,和所述清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据,以及所述清洗后的数据中预指定删除数据;
第一删除子单元,用于删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
优选地,所述合并单元包括:
第二查找子单元,用于查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象;
判断子单元,用于针对每一条数据对象:判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同;
获取子单元,用于当不完全相同时,从时间戳与所述数据对象时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据;
第二删除子单元,用于删除目标数据对象,所述目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据。
优选地,所述原始数据为格式为txt的多个文本数据,所述装置还包括:
拆分单元,用于将每个文本数据拆分为多个子文本数据;
第一转换单元,用于将每个子文本数据转换为第一格式数据;
所述清洗单元,具体用于对每个第一格式数据进行清洗;
所述装置还包括:
数值化单元,用于根据预设的属性值与数值的对应关系,将所述清洗后的第一个格式数据中数据的属性值进行数值化;
第二转换单元,用于将数值化的第一格式数据转换为第二格式数据;
所述处理单元,具体用于根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
从上述的技术方案可以看出,本申请中获取的原始数据为在雷达实际工作环境中采集的数据,该数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据,相当于是采集了雷达在各种不同的实际工作环境中关于自身状态和工作环境的大数据,后续按照数据的时间戳将不同数据合并在一起得到样本数据,并利用机器学习算法对大量的样本数据进行训练得到雷达性能预测模型,相对于现有技术设置的有限的试验环境条件及利用的数学建模方法,本申请利用满足了各种不同复杂环境条件的大数据和能够对大数据进行处理的机器学习方法建立的雷达性能预测模型,极大的扩展了适用环境条件的范围,提高了雷达性能预测模型在实际使用中的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种雷达性能预测模型建立方法的流程图;
图2为本申请另一实施例公开的一种雷达性能预测模型建立方法的流程图;
图3为本申请一实施例公开的数据合并方法的流程图;
图4为本申请实施例公开的一种雷达性能预测模型建立装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开一种雷达性能预测模型建立方法,如图1所述,该方法包括:
S100、获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据。
其中,原始数据包括的表征雷达状态的数据包括但不限于雷达工作方式、雷达故障情况、气象扫描范围等数据,而表征所述实际工作环境的数据,则根据雷达装设地点的不同而有所不同,以舰载雷达来说,在雷达出海工作过程中采集的表征所述实际工作环境的数据包括但不限于:温度、相对湿度、能见度、天气现象、上空云量、风速、浪高等数据。具体的,可通过设置在舰上的各种传感器,BIT(built-in test,机内测试装置)采集数据,以及从雷达工作日志中采集数据。
S101、按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并,获得样本数据。
其中,采集的数据是以大量的分散的文件形式存在,如每个传感器按照自身的采集周期采集的数据会形成一个文件,所以要按照数据的时间戳即数据的采集时间,将各个文件中的数据合并在一起,获得样本数据。
S102、根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
其中,从样本数据中选出部分数据作为训练数据,其余数据作为测试数据,利用SVM(支持向量机)算法对雷达某一性能如探测距离预测模型的参数进行设计,选择最佳设计参数建立雷达性能预测模型。其中,将样本数据中表征预测的雷达性能如探测距离的数据作为模型的输出数据,其他数据作为模型的输入数据。
具体的,先对训练数据基于归一化公式进行归一化处理,确定各属性值归一化后的归一化参数;然后使用网格法对设计参数进行寻优,获得最佳的高斯核函数参数,进而对最佳参数进行训练得到一个SVM模型;然后利用同梯度的高斯核函数参数进行训练得到若干个其他SVM模型;获得上述几个模型的MSE(mean-square error,均方误差)等参数,并通过对比上述几个SVM模型的MSE等参数,确定最佳参数是否为最佳参数,若否,则重新寻找最佳高斯核函数参数重新进行训练;若是,则根据最佳参数、归一化参数生成探测距离的预测模型,进一步的,利用测试数据对预测模型进行测试,并最终确定探测距离预测模型。
上述实施例中,获取的原始数据为在雷达实际工作环境中采集的数据,该数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据,相当于是采集了雷达在各种不同的实际工作环境中关于自身状态和工作环境的大数据,后续按照数据的时间戳将不同数据合并在一起得到样本数据,并利用机器学习算法对大量的样本数据进行训练得到雷达性能预测模型,相对于现有技术设置的有限的试验环境条件及利用的数学建模方法,本申请利用满足了各种不同复杂环境条件的大数据和能够对大数据进行处理的机器学习方法建立的雷达性能预测模型,极大的扩展了适用环境条件的范围,提高了模型在实际使用中的准确性。
本申请另一实施例中公开了一种雷达性能预测模型建立方法,如图2所示,该方法包括:
S200、获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据。
S201、对所述原始数据进行清洗。
具体的,对原始数据进行清洗是指将原始数据中的脏数据删除,包括删除无效值和缺失值,检查数据一致性并对不一致数据进行处理等。
S202、根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
具体的,从清洗后的数据中,删除与预测的雷达性能没有关联性或关联性极小的数据,可以理解,关联性极小的数据近似等同于没有关联性的数据。在本实施例中,根据数据的属性对所述清洗后的数据进行处理的过程如下:
查找所述清洗后的数据中属性值保持不变的数据;其中,由于本申请最终要实现的是在各种不同环境条件下准确预测雷达性能,所以属性值一直保持不变的数据与预测的雷达性能没有关联性;
查找清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据;该类数据实质为时变性较强但样本数量极少的数据,该类数据与预测的雷达性能关联性极小;
查找清洗后的数据中预指定删除数据,该类数据是预先经过研究确定的经验数据,此类数据与预测的性能基本没有关联性;
删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
S203、按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并,获得样本数据。
S204、根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
本实施例中,也可以预先对采集的原始数据进行清洗及处理,进而在建立模型时直接获取属性与预测的雷达性能具有关联性的数据作为建模的数据处理对象。
本实施例中,原始数据通常为txt格式的多个文本数据,可通过将原始数据转换成不同的格式来实现对原始数据的清洗和处理,具体过程如下:
1)将每个文本数据拆分为多个子文本数据。
实际中,采集的数据为txt文本数据,由于单个txt文件数据较大,无法导入matlab进行处理,所以,将单个txt文本数据进行分块处理,如将1个txt文本数据分为多个200M以下的txt子文本数据;
2)将每个子文本数据转换为第一格式数据,并对每个第一格式数据进行清洗。
具体的,将每个txt子文本中的数据导入与之对应的excel中,得到多个excel格式的文件数据,对每个excel文件数据中的数据进行清洗。
3)根据预设的属性值与数值的对应关系,将所述清洗后的第一格式数据中数据的属性值进行数值化。
其中,采集的数据的属性值很多是由中文表示的,为了后续数据处理的便利,对数据的属性值进行数值化处理,具体的,根据属性值与数值的对应关系如表1所示的一个示例,进行数值化。
表1
4)将数值化的第一格式数据转换为第二格式数据,并根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
具体的,在数值化后,将每个excel文件中的数据进行提取,导入与之对应的matlab工作区,得到mat格式的数据,进而对每个matlab工作区的数据进行处理,获得属性与预测的雷达性能具有关联性的数据。后续,按照时间戳,将所有matlab工作区的数据进行合并。
上述实施例中,将获取的原始数据进行清洗,提高了数据的质量,而从原始数据中获取属性与预测的雷达性能具有关联性的数据用来建模,实现了数据的降维处理,减少了建模中数据的处理量,提高了建模的效率。而且,通过将原始数据转换为其他格式的数据分别进行清洗和处理,加快了数据处理的速度。
在本申请一实施例中,进行数据合并获得样本数据的过程如图3所示,包括:
S300、查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象。
其中,数据的属性表明数据是什么类型的数据,如是温度数据、相对湿度数据、风速数据、雷达工作方式数据等等,将具有相同时间戳的数据合并起来,即为将同一时刻的各属性对应的数据合并成一条数据对象,针对每一条数据对象执行步骤S301。
S301、判断数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同,若不完全相同,则执行步骤S302。
具体的,首先确定出属性与预测的雷达性能具有关联性的数据中包括的除属性为预测的雷达性能外的其他全部属性,如确定出共有10种属性包括温度、相对湿度等。可以理解,各个传感器、BIT等采集数据的采集周期是不一致的,所以,由具有相同时间戳的数据合并成的一条数据对象中的数据并不一定包括了10种属性对应的数据,如只包括8种属性对应的数据,即少了2种属性对应的数据。
S302、从时间戳与该数据对象时间戳相邻的数据对象中获取该数据对象缺少的属性对应的数据。
其中,为了将缺少相关属性对应数据的一条数据对象补全,则从时间戳与该条数据对象时间戳相邻的一条数据对象中,获取该条数据对象缺少的属性对应的数据。
具体的,基于该条数据对象的时间戳查找与该条数据对象相邻的上一条数据对象,这里,上一条数据对象的时间戳是早于该条数据对象的时间戳的。首先,查找时间戳与该条数据对象的时间戳最接近的上一条数据对象,若查找到的该上一条数据对象具有该条数据对象缺少的属性对应的数据,则将该上一条数据对象中具有的该条数据对象缺少的属性对应的数据补充到该条数据对象中,若查找到的该上一条数据对象不具有该条数据对象缺少的属性对应的数据,则继续查找时间戳相邻并早于该条数据对象时间戳的数据对象。例如,该条数据对象的时间戳为4:06,缺少了A属性和B属性对应的数据,如此需查找在4:06前,并与4:06最接近的时间戳对应的一条数据对象,如查找到时间戳为4:05的数据对象,若其具有A属性和B属性对应的数据,则将其具有的A属性和B属性对应的数据拷贝到4:06对应的数据对象中,若其不具有A属性和B属性对应的数据,则继续查找。若该条数据对象为时间戳最早的数据对象,即并不存在时间戳早于4:06的数据对象,则利用时间戳晚于该条数据对象时间戳的,与该条数据对象相邻的数据对象对其进行补全。
S303、删除目标数据对象,该目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据。
由于雷达性能预测模型要预测的是雷达某一性能,所以若一条数据对象中不包括该预测的雷达性能数据,则该条数据对象相当于只有模型所需的输入数据,而没有模型所需的输出数据,所以该条数据对象不能用来建立模型,要删除该条数据对象。具体的,在对所有缺少相关属性对应数据的数据对象完成补全操作后,依次判断每条数据对象中是否包括属性为预测的雷达性能对应的数据,若不包括,则表明该条数据对象即为目标数据对象,删除该目标数据对象。
上述实施例中,合并形成每个时间戳对应的一条数据对象,一条数据对象中包括了所有属性对应的数据,相当于确定了多个时刻当前的环境条件,即获得了各种不同的环境条件,极大的扩展了预测性能所适用环境条件的范围。
本申请一实施例还公开了一种雷达性能预测模型建立装置,如图4所示,该装置结构为:
获取单元400,用于获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;
合并单元401,用于按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并,获得样本数据;
建模单元402,用于根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
优选地,所述装置还包括:
清洗单元,用于对所述原始数据进行清洗;
处理单元,用于根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据;
所述合并单元401,具体用于按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。
优选地,处理单元包括:
第一查找子单元,用于查找所述清洗后的数据中属性值保持不变的数据,和所述清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据,以及所述清洗后的数据中预指定删除数据;
第一删除单子元,用于删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
优选地,所述合并单元401包括:
第二查找子单元,用于查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象;
判断子单元,用于针对每一条数据对象:判断数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同;
获取子单元,用于当不完全相同时,从时间戳与所述数据对象时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据;
第二删除子单元,用于删除目标数据对象,该目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据。
优选地,所述原始数据为格式为txt的多个文本数据,所述装置还包括:
拆分单元,用于将每个文本数据拆分为多个子文本数据;
第一转换单元,用于将每个子文本数据转换为第一格式数据;
所述清洗单元,具体用于对每个第一格式数据进行清洗;
所述装置还包括:
数值化单元,用于根据预设的属性值与数值的对应关系,将所述清洗后的第一个格式数据中数据的属性值进行数值化;
第二转换单元,用于将数值化的第一格式数据转换为第二格式数据;
处理单元,具体用于根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种雷达性能预测模型建立方法,其特征在于,所述方法包括:
获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;
对所述原始数据进行清洗;
根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据;
查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象;
针对每一条数据对象:判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同;
若不完全相同,则从时间戳与所述数据对象的时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据;
删除目标数据对象,所述目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据;
根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
2.如权利要求1所述方法,其特征在于,所述根据数据的属性对所述清洗后的数据进行处理,包括:
查找所述清洗后的数据中属性值保持不变的数据,和所述清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据,以及所述清洗后的数据中预指定删除数据;
删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
3.如权利要求1所述方法,其特征在于,所述原始数据为格式为txt的多个文本数据,在对所述原始数据进行清洗前,所述方法还包括:
将每个文本数据拆分为多个子文本数据;
将每个子文本数据转换为第一格式数据;
所述对所述原始数据进行清洗包括:对每个第一格式数据进行清洗;
在所述根据数据的属性对所述清洗后的数据进行处理前,所述方法还包括:
根据预设的属性值与数值的对应关系,将所述清洗后的第一个格式数据中数据的属性值进行数值化;
将数值化的第一格式数据转换为第二格式数据;
所述根据数据的属性对所述清洗后的数据进行处理具体为:根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
4.一种雷达性能预测模型建立装置,其特征在于,所述装置包括:
获取单元,用于获取预先采集的原始数据,所述原始数据为在雷达实际工作环境中采集的数据,所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据;
清洗单元,用于对所述原始数据进行清洗;
处理单元,用于根据数据的属性对所述清洗后的数据进行处理,获得属性与预测的雷达性能具有关联性的数据;
合并单元,所述合并单元包括:第二查找子单元、判断子单元、获取子单元,以及第二删除子单元,其中,
所述第二查找子单元,用于查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据,并将具有相同时间戳的数据合并为一条数据对象;
所述判断子单元,用于针对每一条数据对象:判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同;
所述获取子单元,用于当不完全相同时,从时间戳与所述数据对象时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据;
所述第二删除子单元,用于删除目标数据对象,所述目标数据对象中不包括属性为预测的雷达性能对应的数据,获得样本数据;
建模单元,用于根据预设的机器学习算法对所述样本数据进行训练,建立雷达性能预测模型。
5.如权利要求4所述装置,其特征在于,所述处理单元包括:
第一查找子单元,用于查找所述清洗后的数据中属性值保持不变的数据,和所述清洗后的数据中属性值在预定时长内发生的变化超过预设变化范围且数量低于预设数量的数据,以及所述清洗后的数据中预指定删除数据;
第一删除子单元,用于删除查找到的数据,获得所述属性与预测的雷达性能具有关联性的数据。
6.如权利要求4所述装置,其特征在于,所述原始数据为格式为txt的多个文本数据,所述装置还包括:
拆分单元,用于将每个文本数据拆分为多个子文本数据;
第一转换单元,用于将每个子文本数据转换为第一格式数据;
所述清洗单元,具体用于对每个第一格式数据进行清洗;
所述装置还包括:
数值化单元,用于根据预设的属性值与数值的对应关系,将所述清洗后的第一个格式数据中数据的属性值进行数值化;
第二转换单元,用于将数值化的第一格式数据转换为第二格式数据;
所述处理单元,具体用于根据数据的属性对所述第二格式数据进行处理,获得属性与预测的雷达性能具有关联性的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810276761.8A CN108535707B (zh) | 2018-03-30 | 2018-03-30 | 一种雷达性能预测模型建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810276761.8A CN108535707B (zh) | 2018-03-30 | 2018-03-30 | 一种雷达性能预测模型建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108535707A CN108535707A (zh) | 2018-09-14 |
CN108535707B true CN108535707B (zh) | 2020-11-03 |
Family
ID=63481893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810276761.8A Active CN108535707B (zh) | 2018-03-30 | 2018-03-30 | 一种雷达性能预测模型建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108535707B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2256107A (en) * | 1991-05-24 | 1992-11-25 | Commw Of Australia | Radar supervisory system. |
CN102737236B (zh) * | 2012-07-06 | 2015-06-24 | 北京大学 | 一种基于多模态传感器数据自动获取车辆训练样本方法 |
CN104166701B (zh) * | 2014-08-04 | 2018-07-31 | 深圳先进技术研究院 | 机器学习方法及系统 |
CN104317582A (zh) * | 2014-10-17 | 2015-01-28 | 浪潮电子信息产业股份有限公司 | 一种基于机器学习特征的符号回归gp算法 |
CN106779087B (zh) * | 2016-11-30 | 2019-02-22 | 福建亿榕信息技术有限公司 | 一种通用机器学习数据分析平台 |
CN107463907B (zh) * | 2017-08-08 | 2021-06-25 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
CN107704508A (zh) * | 2017-08-31 | 2018-02-16 | 北京空间飞行器总体设计部 | 多类型海量空间目标数据的数据融合与数据挖掘方法 |
-
2018
- 2018-03-30 CN CN201810276761.8A patent/CN108535707B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108535707A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563739B (zh) | 天气数据获取方法及装置、计算机装置及可读存储介质 | |
DelSole et al. | Artificial skill due to predictor screening | |
CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
Huang et al. | An analytical comparison of four approaches to modelling the daily variability of solar irradiance using meteorological records | |
Stanisic et al. | Design loads and long term distribution of mooring line response of a large weathervaning vessel in a tropical cyclone environment | |
KR101463425B1 (ko) | 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법 | |
CN104297004A (zh) | 基于ar-arx模型的桥梁实时损伤预警方法 | |
CN115952062A (zh) | 数据异常检测方法、装置、设备及介质 | |
CN113340353B (zh) | 一种输电线路的监测方法、设备及介质 | |
Guan et al. | Development of verification methodology for extreme weather forecasts | |
CN102737063B (zh) | 一种日志信息的处理方法及系统 | |
CN105488599B (zh) | 预测文章热度的方法和装置 | |
CN116882758A (zh) | 一种大坝安全监测体检单生成方法 | |
CN108535707B (zh) | 一种雷达性能预测模型建立方法及装置 | |
Law et al. | Energy-efficient data acquisition by adaptive sampling for wireless sensor networks | |
CN116385690B (zh) | 一种基于bim模型的三维运维管控平台及其管控方法 | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
CN102523286A (zh) | 服务信誉度获取方法及装置 | |
CN113297190B (zh) | 一种基于数据综合分析的可视化方法、设备和介质 | |
KR101181326B1 (ko) | 채프에코 식별 시스템 및 그 방법 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN113283396A (zh) | 目标对象的类别检测方法、装置、计算机设备和存储介质 | |
CN111080325A (zh) | 一种民航客户关系关系分析系统及方法 | |
CN116738216B (zh) | 预警大数据的关联处理方法和装置 | |
CN110889336A (zh) | 基于emd分解的准静态长标距应变提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |