CN111830506B - 一种基于K-means聚类算法的海面风速方法 - Google Patents

Abstract

本发明公开了一种航海雷达图像提取海面风速的方法，此方法是基于K‑means聚类算法的，属于利用遥感手段反演海洋面风速领域。发明包含航海雷达图像数据预处理、基于K‑means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取四个部分。通过海面风速反演过程得到异类数据，去除了干扰数据对海面模型的影响，提高了模型的鲁棒性；对剔除异类数据采用非线性二次函数确定海面风速提取模型，提高模型提取海面风速的精度和速度。利用实测数据对本发明进行验证，本发明海面风速与参考风速的相关系数达到了0.99，标准差为0.38m/s，偏差为‑0.04m/s，足以达到工程和环境监测要求。

Description

一种基于K-means聚类算法的海面风速方法

技术领域

本发明涉及的是利用X-band航海雷达图像进行海面风速反演计算的海面风速遥感技术领域，具体地说，是一种基于K-means聚类算法的海面风速方法。

背景技术

海面风场是海洋动力学研究的重要因素，也是航海作业安全的重要保障，对于了解海洋变化与预知海面风险起到至关重要的作用。海面风场信息主要包括海面风向和海面风速两个方面，本发明是基于航海雷达图像提取海面风速信息的一种方法研究。

传统提取海面风速信息的方式主要为测风仪，将测风仪安装在船上、岸边或浮标上测量风速大小，但由于船体上固定物或岸基环境等产生的湍流效应影响导致测量精度较低，同时该方法易受海上天气或是海上交通的影响，在时间上和空间上缺乏连续性。

现有遥感测风手段主要有散射计、机载或星载合成孔径雷达(SAR)、卫星高度计及航海雷达等，但散射计存在分辨率较低的问题，卫星遥感重复采样率低，且受到云层干扰的问题，导致测量数据可能不是海表面所要探测的风速信息。X波段航海雷达具有不受光线影响、能够实时连续反馈及高分辨率等优点，成为现阶段海洋环境监测的重要手段之一。目前，国内外X-band航海雷达已实现了海面浪、流，降雨量的监测，及海面漏油面积的测量，但基于航海雷达图像的海面风场测量还处于初级研究阶段。

基于航海雷达图像反演海面风速现阶段主要算法有两种：一种是神经网络法，一种为模型函数法。2002年Dankert首先提出神经网络法，根据雷达散射截面积与风速之间存在的关系，利用海面风向信息和NRCS作为输入量，应用BP神经网络反演出海面风速。2006年，Dankert考虑了湿度、温度、信噪比等海洋因素作为BP神经网络的输入量，以提高海面风速的适用性。哈尔滨工程大学贾瑞才采用双隐层单极型S函数BP神经网络法反演出海面风速信息，提高了神经网络的收敛速度及网络推广能力。但应用神经网络存在固有的不足之处，主要问题就是模型的适用性差，对于不同环境位置、不同型号的航海雷达需要大量数据重新训练，而且海洋环境因素对该方法的影响也较大，精度无法保证。

2005年Horstmann首次提出应用地球物理模型函数(GMF)，在输入SAR回波强度及海面风向信息时，可得到海面风速信息，虽不能直接应用于航海雷达但足已证明海面风场与雷达回波强度具有一定的指数模型函数关系。2007年Dankert对雷达回波强度与海面风速成指数函数模型应用实测数据进行验证，但反演精度无法达到工程要求。2012年Lund等针对FurunoFAR2117BB型号航海雷达，得到RCS与海面风速之间存在三次多项式非线性关系，并利用计算出风速，反演精度有很大提升。2013年Bueno等针对Furuno2117BB型号雷达，利用线性积分法得到雷达回波强度水平与海面风速函数关系获得海面风速信息。2015年Liu Y等针对Decca和Furono两种雷达，提出应用双曲线拟合应用实测航海雷达数据提取出海面风速信息。2017年Huang W等针对Decca雷达，提出了利用RCS谱分析算法、RCS与海面风速经验模态分解方法，建立函数模型得到海面风速。2015年陈忠彪等针对9.3GHz Furuno雷达，将RCS、有效波高与海面风速拟合成线性概率分布函数，由此获得海面风速信息。以上方法没有考虑降雨和海洋环境因素的影响，在雷达图像受降雨影响时，模型的反演精度和数据适用性则无法保证。海面风速反演模型函数普遍存在提取精度地，海况适用性差的问题，制约了该方法的发展前景。

针对以上问题，本发明公开了一种基于K-means聚类算法的航海雷达图像反演海面风速方法，首先，对雷达图像进行降雨图像识别，去除降雨对海面风速提取的影响；其次，结合传感器及雷达图像信息对海面影响因素数据进行分类，剔除异类数据对海面风速提取模型的影响，提高了模型的鲁棒性；最终，继承了Lund提出的海面风速与回波强度的非线性关系，对剔除异类数据应用非线性二次函数确定海面风速提取模型，保证了模型提取海面风速的精度。通过实测数据证明该方法从航海雷达图像中提取出海面风速信息结果的工程可行性。

发明内容

本发明公开了一种基于K-means聚类算法的海面风速方法，此方法是基于K-means聚类算法的，具体包括步骤如下：

步骤1，雷达图像数据预处理。应用航海雷达监测系统采集海面雷达图像序列数据，同步应用风力计采集同步海面风向、风速信息。对雷达图像序列应用零强度百分比(ZPP)对降雨噪声较大的图像数据进行识别、剔除；对雨雪干扰较小的图像，应用图像中值滤波抑制噪声和同频信号对海面风向提取的干扰。

步骤2，基于K-means聚类算法的数据分类。首先，对雷达图像回波强度、海面风向信息、海面风速信息和计算得到的图像信噪比进行数据归一化处理，使数据在同一坐标范围内；其次，应用K-means聚类算法对雷达图像回波强度、海面风向信息和图像信噪比数据依据欧式距离对数据进行分类，并应用质心距离误差作为判定依据，得到异类数据；最终，将雷达数据和海面风场信息数据都剔除异类数据相对应的信息数据，得到雷达数据和海面风场信息的聚类数据。

步骤3，海面风速提取模型确定。利用聚类雷达数据和海面风速数据对海面风速进行非线性二次拟合，得到海面风速提取模型，应用SSE验证模型的准确性。

步骤4，海面风速信息提取。选取测试航海雷达图像部分图像，对其进行归一化映射，输入到海面风速提取模型中，得到海面风速信息。

基于K-means聚类算法的海面风速提取方法所述步骤2、3包括以下步骤：

步骤2.1，雷达回波强度平均值、海面风向、风速信息及图像信噪比信息进行归一化数据处理；

①对经过预处理的航海雷达图像选取适当部分雷达图像，沿x和y轴进行归一化映射，得到雷达图像均值f'_i：

其中，f(x,y)为选取的雷达图像强度值，N_x、N_y为选取图像沿x，y像元数，i是对应的雷达图像数。对f'_i进行归一化得到雷达图像归一化值F_i：

②获得选取雷达图像信噪比r_t，以雷达图像时间序列进行归一化，得到海况信息归一化值R_i：

其中

为二维波数谱经校正后的海浪谱，

为雷达图像海浪信号以外的噪声谱。

③对采集风力计的海面风向信息d_i、海面风速信息s_i，按雷达图像序列进行归一化，得到海面风向、风速信息归一化值D_i及S_i：

步骤2.2，基于K-means聚类算法的雷达数据分类；

①初始化K个初始类簇质心；

对步骤2.1获得的F_i、R_i、D_i和S_i的所有数据分成两个部分，一部分用于基于K-means聚类算法海面风速模型的确定，另一部分用于模型的数据测试；将用于模型确定中的数据F_i、R_i、D_i组成数据集合，作为海面风速影响因素集合；

Ω_i＝{F_i,R_i,D_i} (5)

初始化类簇质心，随机选取Ω_i区域中K个数据点作为初始化质心。

②依据初始化质心划分数据点；

在确定K个海面风速影响因素质心后，在数据集Ω_i中找出距离质心最近的数据点，由此形成簇。这里应用欧氏距离进行度量，计算Ω_i中所有海面风速影响因素特征的数据点X_i(x₁,x₂,x₃)与选定K个质心C_k(c₁,c₂,c₃)之间的欧氏距离，公式如下：

各点找到相聚最近的质心后，就归属于该簇，数据集Ω_i被划分为K个子区域空间Τ_k。

③更新聚类质心；

对每个Τ_k中的

进行均值化，作为下一个更新的质心，计算公式如下：

依据更新的质心按照公式(6)重新计算数据点与质心的欧氏距离，同时形成新的簇。

④质心停止更新判断依据；

根据原始质心C_k和更新质心C_j的距离判定质心是否需要进一步更新，判定条件如下：

||C_k-C_j||＜＜γ (8)

其中，γ＝0.1，当满足上述条件时表示质心趋于收敛，则分类算法终止；若不满足上述条件，则不断重复步骤2.3～2.5，直到满足公式(8)，得到聚类质心C_f(f＝1,2,…f)，及每个质心对应的聚类数据集Τ_f。

步骤2.3去除异类数据的雷达数据；

根据获得的海面风速影响因素的聚类分布，将质心位置相对其他质心最远的质心被判定为异类质心C_d，其所在区域内的所有数据点也被判定为异类数据集Τ_d，去除数据集Ω_i中的异类数据，同时去除S_i中异类数据对应的位置的海面风速S_d，最终得到去除异类雷达数据F_f,R_f,D_f,S_f：

Ω_f＝{F_f,R_f,D_f}＝{Ω_i-Τ_d}S_f＝{S_i-S_d} (9)

步骤3.1，海面风速提取模型确定；先要释放F_f,S_f数据原有特性，得到对应的雷达图像回波强度均值f_f，及训练海面风速信息s_f：

f_f＝F_f*max(f'_i)，s_f＝S_f*max(s_i) (10)

步骤3.2，海面风速提取模型拟合；应用非线性二次函数对数据f_f、s_f进行拟合，得到海面风速预估模型：

通过数据实验验证，最终得到二次函数系数

β＝325.9，δ＝637.6。

步骤3.3，海面风速模型测试；对模型应用测试数据选取方差函数SSE作为误差检验指标，这里SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和，计算公式如下：

其中，

为加权系数，m为数据的个数，s_i为实测海面风速，

为模型提取出的海面风速。SSE越接近0，则模型越精准，海面风速反演精度越高。

与传统的曲线拟合提取海面风速方法相比，本发明的优点在于：

1、设计了一种K-means聚类算法对海面风速影响因素数据进行分类，得到异类数据，去除了干扰数据对海面模型的影响；

2、对剔除异类数据应用非线性二次函数确定海面风速提取模型，提高海面风速的提取精度；

3、设计的K-means聚类算法采用欧氏距离判定数据点距离，利用距离均值作为更新质心位置判定条件，具有收敛速度快、聚类效果好的优点；

4、拟合的模型选取方差函数SSE作为误差检验指标，提高了风速提取模型的精准性，提高了算法在工程中的反演精度。

5、模型应用实测X-band航海雷达回波图像、海面风速、海面风速训练获得，具有很强的工程适用性。

附图说明：

图1是本发明的具体实施方式流程图；

图2设备采集及图像序列图；

图3a是滤波前雷达图；

图3b是滤波后雷达图；

图4是海面风速与回波强度关系；

图5是质心数与误差平方和分布曲线；

图6是海面风速影响因素K-means聚类分布结果；

图7是K-means聚类算法风速模型拟合曲线；

图8是指数函数模型风速模型拟合曲线；

图9是两组算法反演结果与实测海面风速的对比结果图；

图10是两组算法反演结果与实测海面风速的误差对比图；

图11是两组算法反演结果与实测海面风速的误差统计结果图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明具体实施方式流程图见图1，分为航海雷达图像预处理、基于K-means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取这四大块。具体实施步骤共分为十六步，第一步到第三步为数据预处理；第四步到第十一步是基于K-means聚类算法的雷达数据分类；第十二步到第十五步为海面风速提取模型确定；第十六步为海面风速信息提取及分析。具体步骤如下：

第一步，由自制海浪监测设备采集2010年10月22日-29日，11月13日-21日，12月14日-26日，1月1日-10日，共1722组航海雷达图像序列，每组图像序列中包含32幅航海雷达图像，每幅图像经历的时间为2.5s，相同位置的风力计同步采集相应海面风向信息θ_w、风速信息U_w，设备采集及图像序列如图2所示。

第二步，对于雷达图像任一像元点，雷达直接接收到的回波信号强弱为0～2.5伏的电压值。因此，本发明将像元点电压值小于0.3V(根据存储协议，0.3伏电压线性归化后的回波强度值983)的回波强度值归为零强度，并计算零强度像元点所占的比例。零强度百分比的计算公式如下所示：

其中，n为雷达图像中的像元点总个数，n₀为雷达图像中回波强度值归为零的像元点个数。

统计332组在无降雨天气，小雨天气和大雨天气时的零强度百分比，发现在降雨情况下，雨水散射对雷达影响更大，无效信号就越少，零强度百分比会越小。最终，得到未降雨天气时的零强度百分比为0.542；而在降雨天气时，零强度百分比平均值为0.207。因此，本发明将零强度百分比低于0.207的雷达图像判定为降雨干扰严重图像，直接剔除，其他图像为不受降雨干扰图像，用于海面风速信息提取。最终，应用此方法剔除100组图像，保留1622组图像用于后续海面风速信息提取技术研究。

第三步，对降雨识别后的航海雷达图像g(x,y)进行中值滤波，抑制同频信号对海面风速提取的影响。对航海雷达图像序列中每幅雷达图像都应用3×3模板的2D非线性平滑中值滤波，滤波后图像灰度值f'(x,y)为：

f'(x,y)＝median{g(x-i,y-j),(i,j)∈W} (2)

式(1)中f(x,y)为雷达图像回波强度值；f'(x,y)为滤波后灰度值，(i,j)是模板W中心相邻的8个像元点。W为模板窗口，具体如下：

1	1	1
			1	1	1
1	1	1

将中值滤波器W中心与图像中心重合，通过与周围8个相邻像元点的回波强度值比较，选取回波强度中间值来更新图像的回波强度值，模板以步长单位1遍历极坐标航海雷达图像，最终获得中值滤波后的航海雷达图像，中值滤波前后对比如图3a为滤波前雷达图，图3b为滤波后雷达图。

第四步，雷达回波强度平均值归一化数据处理；

对经过预处理的航海雷达图像选取适当部分雷达图像，沿x和y轴进行归一化映射，得到雷达图像均值f'_i：

其中，f(x,y)为选取的雷达图像强度值，N_x、N_y为选取图像沿x，y像元数，i是对应的雷达图像数。对f'_i进行归一化得到雷达图像归一化值F_i：

第五步，对图像信噪比信息进行归一化数据处理；

获得选取雷达图像信噪比r_t，以雷达图像时间序列进行归一化，得到海况信息归一化值R_i：

其中

为二维波数谱经校正后的海浪谱，

为雷达图像海浪信号以外的噪声谱。

第六步，对海面风向、风速信息进行归一化数据处理；

对采集风力计的海面风向信息d_i、海面风速信息s_i，按雷达图像序列进行归一化，得到海面风向、风速信息归一化值D_i及S_i：

第七步，对第三、四、五步获得的1622组S_i、R_i、D_i和F_i的数据分成两个部分，1081组数据用于K-means聚类算法训练得到海面风速经验模型，剩余的541组数据用于海面风速提取模型的测试。

第八步，统计1081组数据风速S_i与回波强度F_i的关系，如图4所示，图中可以看出海面风速与回波强度成正比关系，由此可知海面风场与雷达图像回波信号具有紧密的相关性，可以应用航海雷达图像反演海面风场信息。

Wilson提出的深水充分成长风浪风速和有效波高的关系如式所示：

其中，g表示重力加速度，H_sw表示充分成长风浪有效波高，U表示风速。由上式说明海面风场与海况信息具有紧密的相关性，为雷达图像信噪比与海浪成正比。因此，本发明应用回波强度数据F_i、信噪比信息R_i、海面风速信息D_i组成数据集合，作为海面风速影响因素集合，如下式：

Ω_i＝{F_i,R_i,D_i} (8)

第九步，依据初始化质心划分数据点；

①初始化类簇质心，随机选取Ω_i区域中K个数据点作为初始化质心。

②在确定K个海面风速影响因素质心后，在数据集Ω_i中找出距离质心最近的数据点，由此形成簇。这里应用欧氏距离进行度量，计算Ω_i中所有海面风速影响因素特征的数据点X_i(x₁,x₂,x₃)与选定K个质心C_k(c₁,c₂,c₃)之间的欧氏距离，公式如下：

各点找到相聚最近的质心后，就归属于该簇，数据集Ω_i被划分为K个子区域空间Τ_k。

第十步，更新聚类质心；对每个Τ_k中的

进行均值化，作为下一个更新的质心，计算公式如下：

依据更新的质心按照公式(9)重新计算数据点与质心的欧氏距离，同时形成新的簇。

④质心停止更新判断依据；

根据原始质心C_k和更新质心C_j的距离判定质心是否需要进一步更新，判定条件如下：

||C_k-C_j||＜＜γ (11)

其中，γ＝0.1，当满足上述条件时表示质心趋于收敛，则分类算法终止；若不满足上述条件，则不断重复步骤八和九，直到满足公式(11)，得到聚类质心C_f(f＝1,2,…f)，及每个质心对应的聚类数据集Τ_f。通过实验得到质心数与误差平方和的关系，如图5所示，当聚点数为5时为误差平方和转折点，由此处下降缓慢，由此得到聚类数为5。

第十一步，去除异类数据的雷达数据；根据聚类数的到海面风速影响因素的K-means聚类分布结果如图6所示，将质心位置相对其他质心最远的质心被判定为异类质心C_d，其所在区域内的所有数据点也被判定为异类数据集Τ_d，如图6中绿色数据对应的聚类集合。去除数据集Ω_i中的异类数据，同时去除S_i中异类数据对应的位置的海面风速S_d，最终得到去除异类雷达数据F_f,R_f,D_f,S_f：

Ω_f＝{F_f,R_f,D_f}＝{Ω_i-Τ_d}S_f＝{S_i-S_d} (12)

第十二步，步骤3.1，海面风速提取模型确定；先要释放F_f,S_f数据原有特性，得到对应的雷达图像回波强度均值f_f，及训练海面风速信息s_f：

f_f＝F_f*max(f'_i)，s_f＝S_f*max(s_i) (13)

第十三步，海面风速提取模型拟合；应用非线性二次函数对数据f_f、s_f进行拟合，得到海面风速预估模型：

其中，二次函数系数

为-9，β为325.9，δ为-637.6，拟合曲线如图7所示。

第十四步，海面风速模型测试；对模型应用测试数据选取方差函数SSE作为误差检验指标，这里SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和，计算公式如下：

其中，

为加权系数，m为数据的个数，s_i为实测海面风速，

为模型提取出的海面风速。经过实验计算，得到训练数据结果SSE为0.44，接近0，说明该海面风速提取模型精准，可用于工程应用。

第十五步，应用Dankert提出的雷达回波强度与海面风速成指数函数关系，建立海面风速模型为：

其中，F_i为雷达回波强度，S_i为海面风速信息，a、b、c为函数系数，分别为-0.7、-0.5、1.7，拟合曲线如图8所示。经过实验计算，得到训练数据结果SSE为2.765，大于本发明算法的误差函数指标。

第十六步，对541组数据分别应用本发明设计的K-means聚类算法海面风速模型和指数函数海面风速模型，得到两组结果与实测海面风速的对比结果如图9所示。从图9中可以直接看出K-means聚类算法海面风速模型获得海面风速与实测风速信息更加吻合，尤其是在海面风大雨15m/s的时候，指数函数海面风速模型提取的风速信息大部分出现小于实测风速的问题。

通过实验结果计算得到两种模型反演风速结果与实测风速统计结果如表1所示，本发明风速反演结果与实测风向相关系数达到0.99，标准差0.38m/s，偏差-0.04，完全达到工程要求，并且结果完全优异于指数函数反演结果，反演精度提高了77％。

表1海面风速误差统计

K-means聚类算法模型反演结果与指数函数模型反演结果与真实值的误差对比如图10所示。由图10可以看出K-means聚类算法模型反演结果的误差范围大体在-1～+1m/s之间，而的指数函数模型反演结果误差范围在-4～+6m/s之间，说明K-means聚类算法模型反演结果精度更高。两种算法结果的误差统计结果如图11所示，可以看出K-means聚类算法模型反演结果的误差范围更小，数据50％左右的误差都集中在-0.1～0.1；而指数函数模型反演结果误差范围更加分布散,62％数据误差集中在-1～1m/s。可以得出，K-means聚类算法模型反演结果相对指数函数模型反演结果更加精准和稳定。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种基于K-means聚类算法的海面风速方法，其特征在于，此方法是基于K-means聚类算法的，其实施包含雷达图像数据预处理、基于K-means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取四个部分，具体反演步骤如下：

步骤1，雷达图像数据预处理：应用航海雷达监测系统采集海面雷达图像序列数据，同步应用风力计采集同步海面风向、风速信息，对雷达图像序列应用零强度百分比(ZPP)对降雨噪声较大的图像数据进行识别、剔除；对雨雪干扰较小的图像，应用图像中值滤波抑制噪声和同频信号对海面风向提取的干扰；

步骤2，基于K-means聚类算法的数据分类：首先，对雷达图像回波强度、海面风向信息、海面风速信息和计算得到的图像信噪比进行数据归一化处理，使数据在同一坐标范围内；其次，应用K-means聚类算法对雷达图像回波强度、海面风向信息和图像信噪比数据依据欧式距离对数据进行分类，并应用质心距离误差作为判定依据，得到异类数据；最终，将雷达数据和海面风场信息数据都剔除异类数据相对应的信息数据，得到雷达数据和海面风场信息的聚类数据；

步骤3，海面风速提取模型确定：利用聚类雷达数据和海面风速数据对海面风速进行非线性二次拟合，得到海面风速提取模型，应用SSE验证模型的准确性；

步骤4，海面风速信息提取：选取测试航海雷达图像部分图像，对其进行归一化映射，输入到海面风速提取模型中，得到海面风速信息。

2.根据权利要求1所述的一种基于K-means聚类算法的海面风速方法，其特征在于：

海面风速反演所述步骤2包括以下步骤：

步骤2.1，雷达回波强度平均值、海面风向、风速信息及图像信噪比信息进行归一化数据处理；

①对经过预处理的航海雷达图像选取适当部分雷达图像，沿x和y轴进行归一化映射，得到雷达图像均值f'_i：

其中，f(x,y)为选取的雷达图像强度值，N_x、N_y为选取图像沿x，y像元数，i是对应的雷达图像数；对f'_i进行归一化得到雷达图像归一化值F_i：

②获得选取雷达图像信噪比r_t，以雷达图像时间序列进行归一化，得到海况信息归一化值R_i：

其中

为二维波数谱经校正后的海浪谱，

为雷达图像海浪信号以外的噪声谱；

③对采集风力计的海面风向信息d_i、海面风速信息s_i，按雷达图像序列进行归一化，得到海面风向、风速信息归一化值D_i及S_i：

步骤2.2，基于K-means聚类算法的雷达数据分类；

①初始化K个初始类簇质心；

对步骤2.1获得的F_i、R_i、D_i和S_i的所有数据分成两个部分；将用于模型确定中的数据F_i、R_i、D_i组成数据集合，作为海面风速影响因素集合；

Ω_i＝{F_i,R_i,D_i} (5)

初始化类簇质心，随机选取Ω_i区域中K个数据点作为初始化质心；

②依据初始化质心划分数据点；

在确定K个海面风速影响因素质心后，在数据集Ω_i中找出距离质心最近的数据点，由此形成簇；计算Ω_i中所有海面风速影响因素特征的数据点X_i(x₁,x₂,x₃)与选定K个质心C_k(c₁,c₂,c₃)之间的距离，公式如下：

各点找到相聚最近的质心后，就归属于该簇，数据集Ω_i被划分为K个子区域空间Τ_k；

③更新聚类质心；

对每个Τ_k中的

进行均值化，作为下一个更新的质心，计算公式如下：

依据更新的质心按照公式(6)重新计算数据点与质心的欧氏距离，同时形成新的簇；

④质心停止更新判断依据；

根据原始质心C_k和更新质心C_j的距离判定质心是否需要进一步更新，判定条件如下：

||C_k-C_j||＜＜γ (8)

当满足上述条件时表示质心趋于收敛，则分类算法终止；若不满足上述条件，则不断重复步骤2.3～2.5，直到满足公式(8)，得到聚类质心C_f(f＝1,2,…f)，及

每个质心对应的聚类数据集Τ_f；

步骤2.3去除异类数据的雷达数据；

根据获得的海面风速影响因素的聚类分布，将质心位置相对其他质心最远的质心被判定为异类质心C_d，其所在区域内的所有数据点也被判定为异类数据集Τ_d，去除数据集Ω_i中的异类数据，同时去除S_i中异类数据对应的位置的海面风速S_d，最终得到去除异类雷达数据F_f,R_f,D_f,S_f：

Ω_f＝{F_f,R_f,D_f}＝{Ω_i-Τ_d} S_f＝{S_i-S_d} (9)

步骤3.1，海面风速提取模型确定；先要释放F_f,S_f数据原有特性，得到对应的雷达图像回波强度均值f_f，及训练海面风速信息s_f：

f_f＝F_f*max(f_i')，s_f＝S_f*max(s_i) (10)

步骤3.2，海面风速提取模型拟合；应用非线性二次函数对数据f_f、s_f进行拟合，得到海面风速预估模型：

步骤3.3，海面风速模型测试；对模型应用测试数据选取方差函数SSE作为误差检验指标，计算公式如下：

其中，ω_i为加权系数，s_i为实测海面风速，

为模型提取出的海面风速；SSE越接近0，则模型越精准，海面风速反演精度越高。

3.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述步骤2.2中的初始化K个初始类簇质心，F_i、R_i、D_i和S_i的两个部分为：一部分用于基于K-means聚类算法海面风速模型的确定，另一部分用于模型的数据测试。

4.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述步骤2.2的依据初始化质心划分数据点，所有海面风速影响因素特征的数据点X_i(x₁,x₂,x₃)与选定K个质心C_k(c₁,c₂,c₃)之间的距离为欧式距离。

5.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述质心距离误差判定限制条件γ＝0.1，得到聚类数为5。

6.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述步骤3.2中非线性二次函数对数据f_f、s_f进行拟合，所述的二次函数系数

为-9，β为325.9，δ为-637.6。

7.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述步骤3.3中海面风速模型测试误差检验指标的计算，所述SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和。

8.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法，其特征在于，所述步骤3.3中海面风速模型测试误差检验指标的计算，所述的方差函数SSE计算公式的系数

其中m为数据的个数。

Images