CN111738339A - 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 - Google Patents
一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 Download PDFInfo
- Publication number
- CN111738339A CN111738339A CN202010582082.0A CN202010582082A CN111738339A CN 111738339 A CN111738339 A CN 111738339A CN 202010582082 A CN202010582082 A CN 202010582082A CN 111738339 A CN111738339 A CN 111738339A
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- polarization
- parameter data
- bayesian network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000002245 particle Substances 0.000 title claims abstract description 54
- 238000001556 precipitation Methods 0.000 title claims abstract description 54
- 230000010287 polarization Effects 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000002310 reflectometry Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种针对双偏振气象雷达低分辨数据的降水粒子分类方法。该方法首先对原始低分辨率偏振参量数据进行修正小波变换插值,获得插值后的高分辨率偏振参量数据,然后建立用于降水粒子分类的朴素贝叶斯网络,并在朴素贝叶斯网络的基础上引入互信息理论并利用离散化的偏振参量数据对朴素贝叶斯网络进行训练得到可用于降水粒子分类的TAN网络。最后,利用训练好的TAN网络对插值后的数据进行降水粒子分类。对实测数据的仿真实验结果表明,本发明方法下的低分辨率偏振参量数据的降水粒子分类效果良好。
Description
技术领域
本发明属于气象雷达信号处理技术领域,特别涉及一种针对双偏振气象雷达在数据分辨率比较低时的降水粒子分类方法。
背景技术
降水粒子的识别与分类在多个领域有着重要的应用价值。在航空领域,不仅对复杂天气带来的航空危险有着预警作用,还能为航线规划提供决策依据;在人工影响天气领域,不仅可以提高对降水的定量检测精度,而且能为人工影响天气的运行决策和评估提供重要的参考依据。
双偏振气象雷达作为一种新型的天气信号回波探测工具,能交替发射和接收水平与垂直偏振方向的信号,较传统的气象雷达可以获得更多的偏振信息,因此对降水粒子的分类效果明显优于传统雷达。但是双偏振气象雷达在数据分辨率比较低时对降水粒子的分类效果并不理想,所以研究如何在数据分辨率比较低的情况下提高降水粒子的分类效果就变得十分重要。
在双偏振气象雷达降水粒子分类算法中,模糊逻辑方法是当前被广泛使用的分类方法,该方法以模糊数学为理论基础,利用隶属函数对偏振参量进行综合判定,与传统的统计模式识别方法相比避免了分类阈值的设置,在一定程度上提高了降水分类的精度。然而,该方法中隶属函数的建立是较难解决的问题,函数的参数一般沿用前人总结得到的经验值,使得其分类效果会随着时间和环境的变化而产生波动,因而具有较大的不稳定性。
发明内容
为了解决上述问题,本发明的目的在于提供一种针对双偏振气象雷达低分辨数据的降水粒子分类方法。
为了达到上述目的,本发明提供的针对双偏振气象雷达低分辨数据的降水粒子分类方法包括按顺序进行的下列步骤:
1)利用计算修正系数矩阵的方法对小波变换插值算法中的高频分量部分进行修正,进而实现对低分辨率偏振参量数据的插值,得到最终的高分辨率偏振参量数据;
2)以降水粒子类别作为类节点、各偏振参量作为属性节点而构建朴素贝叶斯网络;
3)在步骤2)的基础上,引入互信息理论对上述朴素贝叶斯网络重新进行训练,获得树扩展贝叶斯网络;
4)将步骤1)中得到的高分辨率偏振参量数据输入到步骤3)中训练好的树扩展贝叶斯网络,该网络的输出即为降水粒子的分类结果。
在步骤1)中,所述的利用计算修正系数矩阵的方法对小波变换插值算法中的高频分量部分进行修正,进而实现对低分辨率偏振参量数据的插值,得到最终的高分辨率偏振参量数据的方法是:首先对原始低分辨率偏振参量数据进行双线性插值,获得初步高分辨率偏振参量数据;然后对初步高分辨率偏振参量数据进行小波变换,获得初步低频分量与初步高频分量;接着由原始低分辨率偏振参量数据与初步低频分量计算修正系数矩阵,并根据正交小波分解得到的各级小波分量之间具有相似性的原理,通过该修正系数矩阵对初步高频分量进行修正而获得修正高频分量;最后将原始低分辨率偏振参量数据作为修正低频分量与经过修正变换获得的修正高频分量进行小波逆变换,得到最终的高分辨率偏振参量数据。
在步骤2)中,所述的以降水粒子类别作为类节点、各偏振参量作为属性节点而构建成朴素贝叶斯网络的方法是:首先选取降水粒子类别作为类节点,多种偏振参量作为分类的属性节点,然后通过样本训练的方式得到朴素贝叶斯网络的结构和参数,最后完成朴素贝叶斯网络的构建。
在步骤3)中,所述的在步骤2)的基础上,引入互信息理论对上述朴素贝叶斯网络重新进行训练,获得树扩展贝叶斯网络的方法是:根据互信息理论,利用离散化的偏振参量数据对朴素贝叶斯网络重新进行结构和参数训练,最后得到树扩展贝叶斯网络。
本发明提供的针对双偏振气象雷达低分辨数据的降水粒子分类方法是首先对原始低分辨率偏振参量数据进行修正小波变换插值,获得插值后的高分辨率偏振参量数据,然后建立朴素贝叶斯(NBC)网络,并在NBC网络的基础上引入互信息理论并利用离散化的偏振参量数据对NBC网络进行训练得到可用于降水粒子分类的TAN网络。最后,利用训练好的TAN网络对插值后的数据进行降水粒子分类。对实测数据的仿真实验结果表明,本方法下的低分辨率偏振参量数据的降水粒子分类效果良好。
附图说明
图1为本发明提供的针对双偏振气象雷达低分辨数据的降水粒子分类方法流程图。
图2为修正小波变换插值算法示意图。
图3为本发明方法中朴素贝叶斯网络结构示意图。
图4为本发明方法中训练得到的树扩展贝叶斯网络结构示意图。
图5(a)、(b)分别为美国KTLX雷达于2017年8月17日获取的标准数据和重构后数据的TAN分类结果对比图。
图6(a)、(b)分别为美国KTLX雷达于2018年6月24日获取的标准数据和重构后数据TAN的分类结果对比图。
图7(a)、(b)、(c)分别为2017年获取的数据在使用模糊逻辑方法和本发明方法进行降水粒子分类以及NOAA提供的降水粒子分类结果的对比图。
图8(a)、(b)、(c)分别为2018年获取的数据在使用模糊逻辑方法和本发明方法进行降水粒子分类以及NOAA的提供降水粒子分类结果对比图。
具体实施方式
下面结合附图和具体实例对本发明提供的针对双偏振气象雷达低分辨数据的降水粒子分类方法进行详细说明。
如图1所示,本发明提供的针对双偏振气象雷达低分辨数据的降水粒子分类方法包括按顺序进行的下列步骤:
1)利用计算修正系数矩阵的方法对小波变换插值算法中的高频分量部分进行修正,进而实现对低分辨率偏振参量数据的插值,得到最终的高分辨率偏振参量数据;
在此阶段中,要实现修正小波变换插值,关键是计算修正系数矩阵。
具体方法如下:
首先对原始低分辨率偏振参量数据进行双线性插值,获得初步高分辨率偏振参量数据;然后对初步高分辨率偏振参量数据进行小波变换,获得初步低频分量与初步高频分量;之后将低分辨率偏振参量数据近似为高分辨率数据的低频部分,即近似为初步低频分量,由原始低分辨率偏振参量数据与初步低频分量计算修正系数矩阵,并根据正交小波分解得到的各级小波分量之间具有相似性的原理,通过该修正系数矩阵对初步高频分量进行修正而获得修正高频分量;最后将原始低分辨率偏振参量数据作为修正低频分量与经过修正变换获得的修正高频分量进行小波逆变换,得到最终的高分辨率偏振参量数据。图2为本发明方法中修正小波变换插值算法示意图。
以反射率因子数据矩阵ZH为例,假设其原始低分辨数据矩阵为M行N列的矩阵ZH_low(M×N),对其进行双线性插值可得到初步高分辨率数据矩阵ZH_high(M×2N),对初步高分辨率数据矩阵ZH_high进行小波变换得到其对应的初步低频分量矩阵和初步高频分量矩阵,分别为ZH_high_l(M×N)和ZH_high_h(M×N)。
其中小波变换的公式如下所示:
公式(1)中的h(n-2k)算子具有低通性质,公式(2)中的g(n-2k)算子具有高通性质。
将原始低分辨率数据矩阵ZH_low(M×N)近似为高分辨率数据的初步低频分量矩阵ZH_high_l(M×N),修正系数矩阵ZH_c(M×N)可用下式进行计算:
由式(3)可以看出,修正系数矩阵实际上是由初步低频分量矩阵ZH_high_l(M×N)计算原低分辨率数据矩阵ZH_low(M×N)时所需的系数矩阵。根据各级小波分量之间的相似性,利用修正系数矩阵ZH_c(M×N)与初步高频分量矩阵ZH_high_h(M×N)可以计算得到修正高频分量矩阵ZH_high_hc(M×N),计算公式如下:
以原始低分辨率数据矩阵ZH_low(M×N)作为修正低频分量矩阵,与修正高频分量矩阵ZH_high_hc(M×N)进行小波逆变换,即可得到最终的高分辨率反射率因子数据矩阵ZH_new(M×2N)。
小波逆变换公式如下所示:
2)以降水粒子类别作为类节点、各偏振参量作为属性节点构建朴素贝叶斯网络;
在此阶段中,本发明首先选取9种降水粒子分类结果作为类节点,然后选取雷达反射率因子ZH、差分反射率ZDR以及零滞后互相关系数ρHV三种偏振参量作为分类的属性节点,由此完成朴素贝叶斯网络的构建。
具体方法如下:
图3为本发明方法中朴素贝叶斯网络结构示意图。如图3所示,选取降水粒子分类结果作为类节点,选取反射率因子ZH、差分反射率ZDR以及零滞后互相关系数ρHV三种偏振参量作为分类的属性节点而构建成用于降水粒子分类的朴素贝叶斯网络。
图中,圆形称为网络的节点,其中C称为类节点,是表示降水粒子类型的变量;ZH,ZDR,ρHV称为属性节点,是表示各偏振参量的变量;有向线段称为网络的边,边的始端节点称为父节点,末端节点称为子节点,子节点的数据取值将受到其父节点取值的影响。由于NBC网络要求满足类条件独立性假设,其各个属性节点ZH,ZDR,ρHV之间是相互独立的,仅受其唯一父节点——类节点C的影响。
3)在步骤2)的基础上,引入互信息理论对上述朴素贝叶斯网络重新进行训练,获得树扩展贝叶斯网络;
虽然上述朴素贝叶斯网络具有易于实现、逻辑简单、模型健壮性较好、空间时间开销小等优点,但在降水粒子分类的实际应用过程中,偏振参量之间的类条件独立性假设难以满足,使得其分类性能较差。在此阶段中,引入互信息理论,利用高分辨率的雷达偏振参量数据对朴素贝叶斯网络重新进行训练,可以获得分类性能更好的树扩展贝叶斯网络。图4为本发明方法中训练得到的树扩展贝叶斯网络结构示意图。
具体方法如下:
在上述朴素贝叶斯网络中,反射率因子ZH和差分反射率ZDR这两个属性节点之间的互信息I(ZH,ZDR)可以通过下式得到:
其中P(zh_i,zdr_j)、P(zh_i)、P(zdr_j)分别表示zh_i,zdr_j同时出现的概率及其各自出现的概率。互信息的取值范围为[0,+∞),互信息越大,表示两偏振参量的关联性越强;互信息为0时,表示两偏振参量相互独立。因此可以利用偏振参量的互信息衡量各偏振参量之间的关联程度,并通过在网络结构中增加边的方式将偏振参量之间的关联性体现在贝叶斯网络中,由此实现对树扩展贝叶斯网络结构的训练。
仍选取反射率因子ZH、差分反射率ZDR以及零滞后互相关系数ρHV三种偏振参量作为分类的属性节点,在考虑上述互信息理论的基础上构建用于降水粒子分类的树扩展贝叶斯网络,如图4所示。
图4中,圆形称为网络的节点,其中C称为类节点,是表示降水粒子类型的变量;ZH,ZDR,ρHV称为属性节点,是表示各偏振参量的变量;有向线段称为网络的边,边的始端节点称为父节点,末端节点称为子节点,子节点的数据取值将受到其父节点取值的影响。
用cn(n=1,2,…,9)表示类节点C的各种可能取值,即各粒子类型,其中c1表示地杂波、c2表示冰晶、c3表示干雪、c4表示湿雪、c5表示雨、c6表示暴雨、c7表示大雨滴、c8表示霰、c9表示雨夹雹。根据贝叶斯分类原理,上述TAN网络在已知三种偏振参量取值分别为zh,zdr,ρhv时,其分类结果为cn的概率P(cn|zh,zdr,ρhv)可以用下式表示:
其中P(cn)表示第n种降水粒子类型的先验概率,在未知的情况下一般采用等概率,即P(zh,zdr,ρhv)表示偏振参量取值为zh,zdr,ρhv的数据出现的概率,在样本确定的情况下该概率值是固定的;P(zh,zdr,ρhv|cn)称为类条件概率,根据训练得到的TAN网络结构,该概率值可由下式进行计算:
其中P(zh|cn)表示在约束条件为cn时ZH取值为zh的数据出现的概率;P(zdr|zh,cn)与P(ρhv|cn)同理。
最终的分类结果c可以通过下式进行计算:
式(9)所表达的含义是:计算偏振参量值zh,zdr,ρhv对应每种分类结果cn(n=1,2,…,9)的概率P(cn|zh,zdr,ρhv),取其中概率值最大的cn作为分类结果c输出。
树扩展贝叶斯网络具体的训练过程如下:
(1)以降水粒子类型变量作为类节点C,偏振参量ZH,ZDR,ρHV作为属性节点建立朴素贝叶斯网络。
(2)给定互信息门限e,一般取0.01≤e≤0.02。
(3)计算属性节点ZH与ZDR之间的互信息并与互信息门限e进行比较,若互信息I(ZH,ZDR)>e则执行步骤4);若互信息I(ZH,ZDR)≤e则执行步骤5)。
(4)在属性节点对ZH,ZDR之间增加一条无向边,分别计算属性节点ZH,ZDR与类节点C之间的互信息,以取值较大的属性节点作为父节点给新增的无向边定向,若互信息取值相等则随机定向。继续执行步骤5)。
(5)更换属性节点并重新执行步骤4),直至遍历全部属性节点对。
4)将步骤1)中得到的高分辨率偏振参量数据输入到步骤3)中训练好的树扩展贝叶斯网络,该网络的输出即为降水粒子的分类结果。
为了验证本发明方法的效果,本发明人进行了如下实验:
本发明选取美国国家海洋和大气管理局NOAA数据库中距离分辨率为1000米的偏振参量数据作为低分辨率数据,利用修正小波变换进行两次插值处理,并对插值后数据进行降水粒子分类,将分类结果与NOAA提供的距离分辨率为250米的标准偏振参量数据的分类结果进行对比并计算误差。
图5、图6分别为美国KTLX雷达于2017年8月17日以及2018年6月24日获取的两组偏振参量数据的分类结果对比。从图5与图6中可以看出TAN方法对插值后数据的分类结果与对标准数据的分类结果相近,统计结果表明2017年数据的分类结果误差为1.37%,2018年数据的分类结果误差为0.92%,由此可以说明本发明方法在数据量仅为标准数据25%的情况下仍可以获得较为准确的插值重构及分类结果。
图7、图8分别给出了模糊逻辑方法和本发明方法处理得到的以及NOAA提供的两组数据的降水粒子分类结果。从图7与图8中可以看出:对于不同时间获得数据,TAN方法的分类效果均较好,说明TAN方法的分类性能不会随时间的变化产生波动和误差,具有较好的稳定性。模糊逻辑方法对不同时间所获取数据的分类效果则差别较大,在图7(a)中,将大部分降水粒子误识别为雨,并且对地杂波也没有较为精准的识别;在图8(a)中,未能实现对湿雪和霰粒子进行识别,说明采用经验值作为参数的模糊逻辑方法对不同时间获得的偏振参量数据的分类效果差异较大,分类性能不稳定。相比之下本发明方法处理得到的分类结果更加准确,与NOAA提供的结果更为相似。
Claims (4)
1.一种针对双偏振气象雷达低分辨数据的降水粒子分类方法,其特征在于:所述的针对双偏振气象雷达低分辨数据的降水粒子分类方法包括按顺序进行的下列步骤:
1)利用计算修正系数矩阵的方法对小波变换插值算法中的高频分量部分进行修正,进而实现对低分辨率偏振参量数据的插值,得到最终的高分辨率偏振参量数据;
2)以降水粒子类别作为类节点、各偏振参量作为属性节点构建朴素贝叶斯网络;
3)在步骤2)的基础上,引入互信息理论对上述朴素贝叶斯网络重新进行训练,获得树扩展贝叶斯网络;
4)将步骤1)中得到的高分辨率偏振参量数据输入到步骤3)中训练好的树扩展贝叶斯网络,该网络的输出即为降水粒子的分类结果。
2.根据权利要求1所述的针对双偏振气象雷达低分辨数据的降水粒子分类方法,其特征在于:在步骤1)中,所述的利用计算修正系数矩阵的方法对小波变换插值算法中的高频分量部分进行修正,进而实现对低分辨率偏振参量数据的插值,得到最终的高分辨率偏振参量数据的方法是:首先对原始低分辨率偏振参量数据进行双线性插值,获得初步高分辨率偏振参量数据;然后对初步高分辨率偏振参量数据进行小波变换,获得初步低频分量与初步高频分量;接着由原始低分辨率偏振参量数据与初步低频分量计算修正系数矩阵,并根据正交小波分解得到的各级小波分量之间具有相似性的原理,通过该修正系数矩阵对初步高频分量进行修正而获得修正高频分量;最后将原始低分辨率偏振参量数据作为修正低频分量与经过修正变换获得的修正高频分量进行小波逆变换,得到最终的高分辨率偏振参量数据。
3.根据权利要求1所述的针对双偏振气象雷达低分辨数据的降水粒子分类方法,其特征在于:在步骤2)中,所述的以降水粒子类别作为类节点、各偏振参量作为属性节点而构建成朴素贝叶斯网络的方法是:首先选取降水粒子类别作为类节点,多种偏振参量作为分类的属性节点,然后通过样本训练的方式得到朴素贝叶斯网络的结构和参数,最后完成朴素贝叶斯网络的构建。
4.根据权利要求1所述的针对双偏振气象雷达低分辨数据的降水粒子分类方法,其特征在于:在步骤3)中,所述的在步骤2)的基础上,引入互信息理论对上述朴素贝叶斯网络重新进行训练,获得树扩展贝叶斯网络的方法是:根据互信息理论,利用离散化的偏振参量数据对朴素贝叶斯网络重新进行结构和参数训练,最后得到树扩展贝叶斯网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582082.0A CN111738339A (zh) | 2020-06-23 | 2020-06-23 | 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582082.0A CN111738339A (zh) | 2020-06-23 | 2020-06-23 | 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738339A true CN111738339A (zh) | 2020-10-02 |
Family
ID=72650741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582082.0A Pending CN111738339A (zh) | 2020-06-23 | 2020-06-23 | 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738339A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740934A (zh) * | 2021-08-18 | 2021-12-03 | 浙江省大气探测技术保障中心 | 一种基于s波段双偏振天气雷达降水估测方法 |
CN114706145A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501806A (zh) * | 2016-10-31 | 2017-03-15 | 北京市人工影响天气办公室 | 一种降水粒子的类型识别方法及装置 |
CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
-
2020
- 2020-06-23 CN CN202010582082.0A patent/CN111738339A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501806A (zh) * | 2016-10-31 | 2017-03-15 | 北京市人工影响天气办公室 | 一种降水粒子的类型识别方法及装置 |
CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
Non-Patent Citations (1)
Title |
---|
任嘉伟: "小样本下的双偏振雷达降水粒子分类研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740934A (zh) * | 2021-08-18 | 2021-12-03 | 浙江省大气探测技术保障中心 | 一种基于s波段双偏振天气雷达降水估测方法 |
CN114706145A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
CN114706145B (zh) * | 2022-03-23 | 2023-11-21 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN110852245B (zh) | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 | |
CN109657945B (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
CN108257154B (zh) | 基于区域信息和cnn的极化sar图像变化检测方法 | |
CN102800093B (zh) | 基于分解的多目标遥感图像分割方法 | |
CN107607954B (zh) | 一种基于t-s模型的fnn降水粒子相态识别方法 | |
CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN107578061A (zh) | 基于最小化损失学习的不平衡样本分类方法 | |
CN104021289B (zh) | 一种非高斯非稳态噪声建模方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN111160176A (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN111738339A (zh) | 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN103839073A (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN111008644B (zh) | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 | |
CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN105160353A (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN111208483B (zh) | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 | |
CN110766066B (zh) | 一种基于fnn的张量异质集成车联网缺失数据估计方法 | |
CN113392871B (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
Dridi et al. | Learning stochastic dynamical systems with neural networks mimicking the Euler-Maruyama scheme |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |