CN111639747B - 一种基于bp神经网络的gnss-r海面风速反演方法及系统 - Google Patents

一种基于bp神经网络的gnss-r海面风速反演方法及系统 Download PDF

Info

Publication number
CN111639747B
CN111639747B CN202010406708.2A CN202010406708A CN111639747B CN 111639747 B CN111639747 B CN 111639747B CN 202010406708 A CN202010406708 A CN 202010406708A CN 111639747 B CN111639747 B CN 111639747B
Authority
CN
China
Prior art keywords
wind speed
neural network
sea surface
data
inversion
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
Application number
CN202010406708.2A
Other languages
English (en)
Other versions
CN111639747A (zh
Inventor
白伟华
王斯嘉
孙越强
杜起飞
刘黎军
李伟
王先毅
蔡跃荣
曹光伟
夏俊明
孟祥广
柳聪亮
赵丹阳
尹聪
胡鹏
王冬伟
刘成
吴春俊
李福�
乔颢
程双双
朱光武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Space Science Center of CAS
Original Assignee
National Space Science Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Space Science Center of CAS filed Critical National Space Science Center of CAS
Priority to CN202010406708.2A priority Critical patent/CN111639747B/zh
Publication of CN111639747A publication Critical patent/CN111639747A/zh
Application granted granted Critical
Publication of CN111639747B publication Critical patent/CN111639747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于BP神经网络的GNSS‑R海面风速反演方法及系统，所述方法包括：将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个BP神经网络。本发明利用BP神经网络反演GNSS‑R海面风速，模型简单，缩短了建模时间和反演时间，并进一步提高了反演精度；本发明的BP神经网络充分利用DDM图中与风速相关的物理量进行特征学习，在保证反演精度的情况下降低了计算量、缩短了耗时，具有模型简单、快速、结果精度高等特点。

Description

一种基于BP神经网络的GNSS-R海面风速反演方法及系统
技术领域
本发明涉及大气科学研究领域，具体涉及一种基于BP神经网络的GNSS-R海面风速反演方法及系统。
背景技术
海面风速是海洋状态信息中至关重要的物理参数，目前可以通过GNSS-R卫星遥感技术进行探测。由于GNSS-R技术具有高全球覆盖率、高时空分辨率等特点，能得到高质量的海面风速探测资料。目前GNSS-R风速反演方法主要有以下两种：
波形匹配法：首先需要根据实测数据提取系统状态信息，然后再生成理论模型模拟波形，最后进行归一化处理得到理论波形图，基于大量理论波形图建立仿真波形数据库；反演时由实测数据生成待测波形图，并进行降噪和归一化处理。将待测波形图和数据库中的理论波形图进行匹配，从匹配成功的理论波形图对应的风速就是待测数据的海面风速。但是该方法的缺陷在于计算量大，精细的数据库建立极为耗时。
经验函数法：通过对大量实测数据的经验总结，从DDM中选取与海面风速相关性高的某一、两个物理参数，进行回归线性拟合，从而建立其与海面风速的函数映射来获取风速。但是海面风速往往不只是由一、两个参数决定的结果，因此该方法的精度会由于忽视其他物理参数而受到影响。
发明内容
本发明的目的在于克服上述两种方法的不足，主要包括波形匹配法，计算量大，反演时间长；经验函数法，反演精度不佳；提出一种基于BP神经网络的海面风速反演方法，与波形匹配方法相比，该算法无需要建立庞大的仿真数据库，与经验函数方法相比，该算法可以建立多个观测量与海面风速的关系，可以充分利用与风速反演相关的物理量，所以，该方法能够进一步缩短反演时间并提高反演精度。
为实现上述目的，本发明的实施例1提供了一种基于BP神经网络的GNSS-R海面风速反演方法，所述方法包括：
将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个BP神经网络。
作为上述方法的一种改进，所述BP神经网络的输入为DDM图，输出为海面风速；其激活函数为ReLU函数，输入层节点数是2560；，所述BP神经网络包括三个隐层：第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元；输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数为MSE函数，评价指标为均方根误差RMSE。
作为上述方法的一种改进，所述方法还包括：BP神经网络的训练步骤，具体包括：
选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；
对原始样本集进行预处理并切分成训练集与测试集；
通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
用测试集数据对训练好的BP神经网络进行测试。
作为上述方法的一种改进，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：
基于经纬度、风速和信噪比对原始样本集数据进行筛选；
基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；
将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。
作为上述方法的一种改进，所述通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系，具体包括：
所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中最后一个隐藏层的计算结束时，将结果传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重；
重复以上正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于期望误差范围内或是达到设定的训练次数，BP神经网络训练完成，实现DDM图到海面风速的非线性映射。
本发明的实施例2提供了一种基于BP神经网络的GNSS-R海面风速反演系统，所述系统包括：训练好的海面风速反演模型和风速反演模块；所述海面风速反演模型为一个BP神经网络；
所述风速反演模块，用于将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速。
作为上述系统的一种改进，所述BP神经网络的输入为DDM图，输出为海面风速；其激活函数为ReLU函数，输入层节点数是2560；，所述BP神经网络包括三个隐层：第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元；输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数为MSE函数，评价指标为均方根误差RMSE。
作为上述系统的一种改进，所述BP神经网络的训练步骤，具体包括：
选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；
对原始样本集进行预处理并切分成训练集与测试集；
通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
用测试集数据对训练好的BP神经网络进行测试。
作为上述系统的一种改进，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：
基于经纬度、风速和信噪比对原始样本集数据进行筛选；
基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；
将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。
作为上述系统的一种改进，所述通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系，具体包括：
所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中最后一个隐藏层的计算结束时，将结果传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重；
重复正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于期望误差范围内或达到设定的训练次数，BP神经网络训练完成，实现DDM图到海面风速的非线性映射。
本发明的优势在于：
1、本发明提出一种基于BP(Backward Propagation)神经网络的GNSS-R海面风速反演方法，与波形匹配方法相比，该算法无需要建立庞大的仿真数据库，与经验函数方法相比，该算法可以建立多个观测量与海面风速的关系，可以充分利用与风速反演相关的物理量，所以，该方法能够进一步缩短反演时间并提高反演精度；
2、本发明利用BP神经网络反演GNSS-R海面风速，模型简单，缩短了建模时间和反演时间，并进一步提高了反演精度；
3、本发明基于BP神经网络模型，充分利用DDM图中与风速相关的物理量进行特征学习，在保证反演精度的情况下降低了计算量、缩短了耗时，具有模型简单、快速、结果精度高等特点；
4、本发明的方法具备可以相对高效地基于BP神经网络模型反演海面风速的优点，能够满足利用大量GNSS-R卫星数据进行海面风场相关的大气学研究的需求。
附图说明
图1为本发明的基于BP神经网络的GNSS-R海面风速反演方法流程图；
图2为BP神经网络海面风速反演模型示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
实施例1
如图1所示，本发明的实施例1提供了一种基于BP神经网络的GNSS-R海面风速反演方法，主要包括以下步骤：
第一步：原始数据样本集构建。将GNSS-R数据和ECMWF数据进行时空匹配，构成原始样本集；
选取大量的GNSS-R数据和ECMWF分析场数据进行时空匹配得到原始样本集，每组样本都是由一个DDM图和对应的风速信息构成。
第二步：生成训练集和测试集。对原始样本集进行预处理并切分成训练集与测试集；
为了避免数据异常以及噪声干扰，需要对数据的经纬度、风速、信噪比(SNR)做筛选；筛选后，基于采样算法和归一化算法解决数据集分布不均匀、量纲不一致的问题，再按照7:3将预处理后的样本集切分成训练集和测试集。
第三步：BP神经网络搭建。搭建以DDM图为输入，风速为输出的BP神经网络模型；
首先确定网络的激活函数，再根据不断试验分别确定网络层数、各层网络节点数以及模型的最优迭代次数，接着选定模型的评价指标，最后搭建以DDM图为输入，风速为输出的BP神经网络模型。
第四步：BP神经网络训练。通过训练集数据不断训练BP模型，使得模型能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中最后一个隐藏层的计算结束时，将结果传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重。重复以上正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于模型的期望误差范围内或是达到模型设定的训练次数，预测风速逼近真实风速，视为模型训练完成，实现DDM图到海面风速的非线性映射。
第五步：模型训练测试。通过测试集验证训练完成的模型的准确性与可靠性；
用测试集数据对训练好的模型进行测试，如果几个测试集的误差结果相近，则模型具有鲁棒性，再根据模型得到的RMSE是否在2m/s以内来评判模型反演结果的准确性与可靠性，若上述条件都满足则得到了BP神经网络海面风速反演模型。
第六步：数据反演。将待测的DDM图输入BP神经网络海面风速反演模型，获得对应的反演风速。
利用TDS-1卫星上的SGR-ReSI GNSS-R接收机的观测数据，采用本发明的基于BP神经网络反演GNSS-R海面风速。TDS-1卫星于2014年发射，运行在高度为635km、倾角为98.4°的轨道上，采用SSTL-150平台，卫星上的8个有效载荷进行周期性轮流作业，其中在一个工作周期中，SGR-ReSI的工作时间为1-2天，期间接收并处理了来自地表的GNSS卫星的反射信号。TDS-1卫星将反射信号附带的属性数据非相干累加生成多普勒(Delay-Doppler Map，DDM)图，DDM图的大小为128个延迟像素乘以20个多普勒像素，多普勒分辨率为500Hz，延迟分辨率为0.25chips。
如图1，包括如下六个步骤：
第一步原始数据样本构建：GNSS-R数据与ECMWF数据进行时空匹配。本实例使用了2018年2-10月的TDS-1卫星数据与ECMWF分析场数据，按照时间、经度、纬度进行匹配得到原始样本集，整个样本集的数据量达到二百多万个样本，基本覆盖了全部的海洋区域，风速范围在0～20m/s之间。
第二步生成训练集和测试集：对原始样本集进行筛选，剔除南北半球纬度高于55°的海冰区域的样本点，同时，为了避免噪声影响风速反演精度，只留下位于3到18m/s范围内、信噪比(SNR)大于3的数据。筛选后的样本数据约为37万个，风速大部分在3-10m/s，采用混合采样算法使其分布均匀，采用归一化算法将样本集风速映射到0～1范围以保证量纲一致，最后将处理得到的样本集按照7:3切分成训练集与测试集，其中训练集数量为73500个，测试集数量为31500个。
第三步BP神经网络搭建：首先确定网络的激活函数为ReLU函数，再根据不断试验确定网络具有三个隐藏层，如图2所示。输入层节点数是2560，第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元，输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数选择MSE函数，接着选定模型的评价指标为均方根误差RMSE，就此搭建了以DDM图为输入，风速为输出的BP神经网络模型。
第四步BP神经网络训练：网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中第三个隐藏层的计算结束时，将结果传递至输出层，通过损失函数MSE计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重。重复以上正向传播和反向传播过程，神经网络模型的计算误差不断下降，使得预测值逐渐逼近真实风速。当计算误差不再随着训练次数的增加而下降时，才能获得最优模型，视为模型训练完成，实现DDM图到海面风速的非线性映射。
第五步模型测试：用测试集数据对训练好的模型进行测试，如果几个测试集的误差结果相近，则模型具有鲁棒性，再根据模型得到的RMSE是否在2m/s以内来评判模型反演结果的准确性与可靠性，本实例中的误差范围在1.7-2m/s，满足精度要求，由此得到了BP神经网络海面风速反演模型。
第六步数据反演：将待测的DDM图输入BP神经网络海面风速反演模型中，输出获得对应的反演风速，得到的RMSE为1.76m/s，表明本发明的方法反演精度很高。
实施例2
本发明的实施例2提供了一种基于BP神经网络的GNSS-R海面风速反演系统，所述系统包括：训练好的海面风速反演模型和风速反演模块；所述海面风速反演模型为一个BP神经网络；
所述风速反演模块，用于将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于BP神经网络的GNSS-R海面风速反演方法，所述方法包括：
将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个BP神经网络；
所述方法还包括：BP神经网络的训练步骤，具体包括：
选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；
对原始样本集进行预处理并切分成训练集与测试集；
通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
用测试集数据对训练好的BP神经网络进行测试；
所述BP神经网络的输入为DDM图，输出为海面风速；其激活函数为ReLU函数，输入层节点数是2560；所述BP神经网络包括三个隐层：第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元；输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数为MSE函数，评价指标为均方根误差RMSE；
所述通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系，具体包括：
所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中最后一个隐藏层的计算结束时，将结果传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重；
重复以上正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于期望误差范围内或是达到设定的训练次数，BP神经网络训练完成，实现DDM图到海面风速的非线性映射。
2.根据权利要求1所述的基于BP神经网络的GNSS-R海面风速反演方法，其特征在于，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：
基于经纬度、风速和信噪比对原始样本集数据进行筛选；
基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；
将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。
3.一种基于BP神经网络的GNSS-R海面风速反演系统，其特征在于，所述系统包括：训练好的海面风速反演模型和风速反演模块；所述海面风速反演模型为一个BP神经网络；
所述风速反演模块，用于将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；
BP神经网络的训练步骤，具体包括：
选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；
对原始样本集进行预处理并切分成训练集与测试集；
通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
用测试集数据对训练好的BP神经网络进行测试；
所述BP神经网络的输入为DDM图，输出为海面风速；其激活函数为ReLU函数，输入层节点数是2560；所述BP神经网络包括三个隐层：第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元；输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数为MSE函数，评价指标为均方根误差RMSE；
所述通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系，具体包括：
所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数的非线性处理后输出至第二个隐藏层，当网络中最后一个隐藏层的计算结束时，将结果传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各隐藏层的权重；
重复正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于期望误差范围内或达到设定的训练次数，BP神经网络训练完成，实现DDM图到海面风速的非线性映射。
4.根据权利要求3所述的基于BP神经网络的GNSS-R海面风速反演系统，其特征在于，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：
基于经纬度、风速和信噪比对原始样本集数据进行筛选；
基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；
将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。
CN202010406708.2A 2020-05-14 2020-05-14 一种基于bp神经网络的gnss-r海面风速反演方法及系统 Active CN111639747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406708.2A CN111639747B (zh) 2020-05-14 2020-05-14 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406708.2A CN111639747B (zh) 2020-05-14 2020-05-14 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Publications (2)

Publication Number Publication Date
CN111639747A CN111639747A (zh) 2020-09-08
CN111639747B true CN111639747B (zh) 2023-10-20

Family

ID=72330961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406708.2A Active CN111639747B (zh) 2020-05-14 2020-05-14 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Country Status (1)

Country Link
CN (1) CN111639747B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149813B (zh) * 2020-09-18 2022-05-13 明峰医疗系统股份有限公司 基于神经网络的探测器积分电容动态调节方法
CN112433233B (zh) * 2020-11-19 2023-01-03 武汉大学 一种基于粒子群算法的gnss-r海面风速反演方法及系统
CN112749792B (zh) * 2021-02-02 2023-07-07 南京信息工程大学 一种基于bp算法的风速预测方法
CN113608239B (zh) * 2021-07-13 2023-10-17 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法
CN113743762A (zh) * 2021-08-26 2021-12-03 中国科学院地理科学与资源研究所 基于神经网络模型的草地产草量反演方法及系统
CN114065931B (zh) * 2022-01-11 2022-05-03 山东大学 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN115034384A (zh) * 2022-06-15 2022-09-09 杭州电子科技大学 一种基于lm-bp神经网络模型预测噪声特性的方法
CN115204058B (zh) * 2022-08-02 2023-04-21 南方海洋科学与工程广东省实验室(珠海) 基于bp神经网络的地波雷达流场计算方法及装置
CN115856879B (zh) * 2022-11-30 2023-07-25 南京信息工程大学 一种海冰融化期密集度反演方法
CN117872424B (zh) * 2024-03-11 2024-05-10 中国石油大学(华东) 一种gnss-r海面ddm数据生成方法和装置
CN117969881B (zh) * 2024-03-29 2024-06-25 中国石油大学(华东) 基于遥感数据反演台风海况海面风速的方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844090A (zh) * 2016-03-18 2016-08-10 国家卫星海洋应用中心 多参数分步海面盐度反演方法以及装置
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN107238826A (zh) * 2017-06-09 2017-10-10 杨波 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法
CN109765559A (zh) * 2019-02-02 2019-05-17 中国水利水电科学研究院 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080169975A1 (en) * 2007-01-12 2008-07-17 Young Paul Yee Process for generating spatially continuous wind profiles from wind profiler measurements

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844090A (zh) * 2016-03-18 2016-08-10 国家卫星海洋应用中心 多参数分步海面盐度反演方法以及装置
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN107238826A (zh) * 2017-06-09 2017-10-10 杨波 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法
CN109765559A (zh) * 2019-02-02 2019-05-17 中国水利水电科学研究院 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任建奇 ; 严卫 ; 王迎强 ; .基于神经网络的卫星高度计海面风速反演算法.海洋技术.2007,(02), *
吴学睿 ; 金双根 ; 张勤耘 ; 董彦芳 ; .基于GNSS+R裸土延迟多普勒图理论研究.大地测量与地球动力学.2017,(01), *
基于遗传神经网络算法的海面风速反演新方法.《解放军理工大学学报（自然科学版）》. *

Also Published As

Publication number Publication date
CN111639747A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111639747B (zh) 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN111639746B (zh) 一种基于cnn神经网络的gnss-r海面风速反演方法及系统
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
CN113189014B (zh) 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法
CN112180369B (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN102109495A (zh) 基于多波束声纳技术的海底混合底质类型分类方法
CN113901927B (zh) 一种基于流场压力时程的水下物体外形识别方法
CN107480781A (zh) 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN117272843B (zh) 基于随机森林的gnss-r海面风速反演方法及系统
CN110988872B (zh) 无人机载穿墙雷达探测墙体健康状态的快速识别方法
CN117192510A (zh) 一种双偏振雷达雨滴谱参数反演方法
CN116660996A (zh) 一种基于深度学习的漂流式浅海局部地声参数预测方法
Champenois et al. Machine learning framework for the real-time reconstruction of regional 4D ocean temperature fields from historical reanalysis data and real-time satellite and buoy surface measurements
CN116821694B (zh) 基于多分支神经网络与分段式模型的土壤湿度反演方法
CN116399813A (zh) 基于深度置信网络的多波段aod反演方法及系统
TANG et al. Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification
CN115062526B (zh) 基于深度学习的三维电离层电子浓度分布模型训练方法
CN113093225B (zh) 一种广域、局域融合的高精度电离层闪烁模型建立方法
CN115630492A (zh) 隧道衬砌病害变化特征智能反演方法、系统及存储介质
Tafazoli et al. Performance improvement of GPS GDOP approximation using recurrent wavelet neural network
CN114861708A (zh) 一种实时检测岩心试样中水合物积藏状态的方法及系统
CN113534085B (zh) 一种干涉成像高度计的海面风速和有效波高联合反演方法
CN113657416B (zh) 一种基于改进的深度神经网络的深海声源测距方法及系统
CN118330605B (zh) 基于卷积神经网络和辅助器的激光雷达风速反演方法

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