CN111983618B - 一种基于人工智能的机场风廓线雷达高分辨率显示系统 - Google Patents
一种基于人工智能的机场风廓线雷达高分辨率显示系统 Download PDFInfo
- Publication number
- CN111983618B CN111983618B CN202010904272.XA CN202010904272A CN111983618B CN 111983618 B CN111983618 B CN 111983618B CN 202010904272 A CN202010904272 A CN 202010904272A CN 111983618 B CN111983618 B CN 111983618B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind profile
- profile radar
- data
- display system
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 239000007788 liquid Substances 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000013213 extrapolation Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000013079 data visualisation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
- G01S7/04—Display arrangements
- G01S7/06—Cathode-ray tube displays or other two dimensional or three-dimensional displays
- G01S7/20—Stereoscopic displays; Three-dimensional displays; Pseudo-three-dimensional displays
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的属于雷达显示系统技术领域，具体为一种基于人工智能的机场风廓线雷达高分辨率显示系统，针对机场固定式边界层风廓线雷达数据处理系统的局限性，引入人工智能方法解决了无法量化表征部分重要数据和数据显示的时空分辨率低等技术问题，重新设计了风廓线雷达数据处理系统的数学模型内核，通过基于多核心液体状态机的非线性拟合和时间序列预测来构建一套集数据反演、适度外推以及基于图形显示引擎的风廓线雷达高分辨率显示系统。通过使用验证，基于多核心液体状态机的中川机场风廓线雷达高分辨率显示系统体验良好，对于机场低空风切变和下击暴流的识别和告警工作提供了较好的技术支撑。
Description
技术领域
本发明涉及雷达显示系统技术领域，具体为一种基于人工智能的机场风廓线雷达高分辨率显示系统。
背景技术
液体状态机是近年来发展起来的一种新型神经网络，它与前馈式神经网络的区别在于带有反馈线路的特殊结构。目前，液体状态机在数据分类、时间序列预测、非线性函数拟合等方面有很好的应用。
机场固定式边界层风廓线雷达搭载了自研的风廓线雷达数据处理系统，提供了风廓线雷达数据的计算、二次产品生成以及可视化功能，但也表现出无法量化表征部分重要数据和数据显示的时空分辨率低的局限性。
为了最大可能利用风廓线雷达数据，并提供较高时空分辨率的风廓线雷达反演数据图形显示，则需要重新设计风廓线雷达数据处理系统数学模型，通过非线性拟合和时间序列预测来构建一套集数据反演和适度外推的风廓线雷达高分辨率显示系统。
本文将多核心液体状态机应用于机场风廓线雷达高分辨率显示系统的数据反演和外推中，利用人工智能的方法得到了风向风速以及大气折射率等精细化产品，并实现三维空间的综合数据图形显示，对于机场低空风切变和下击暴流的识别和告警工作提供了较好的技术支撑。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有显示系统中存在的问题，提出了本发明。
因此，本发明的目的是提供一种基于人工智能的机场风廓线雷达高分辨率显示系统，在三维空间中实现了多种风数据的综合显示，使得数据可视化程度更高，图像更容易理解，用户体验良好，对于机场低空风切变和下击暴流的识别和告警工作提供了较好的技术支撑。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于人工智能的机场风廓线雷达高分辨率显示系统，其包括：风廓线雷达、风廓线雷达处理系统、多核心液体状态机和风廓线雷达高分辨率图形立体显示系统，所述风廓线雷达为相控阵雷达天线体制，且风廓线雷达得到不同时刻的各高度层上的风廓线数据，所述风廓线雷达发送信息到风廓线雷达处理系统，所述风廓线雷达处理系统提供风廓线雷达数据的计算、二次产品生成以及可视化功能，所述风廓线雷达处理系统将信息发送到多核心液体状态机中处理，所述多核心液体状态机由输入层、液体池以及输出层构成，所述多核心液体状态机在多个核心由一个资源调配单元统一控制时，简单数据的分类和拟合由快速计算核心处理，复杂数据的反演和外推由高精度计算核心处理，若是既有简单数据又有复杂数据的大数据流，所述多核心液体状态机可以做到多种类型数据、多种核心组合的并行计算，所述风廓线雷达处理系统将雷达图形发送到风廓线雷达高分辨率图形立体显示系统，所述多核心液体状态机基于风廓线雷达基数据的高复用性和流体力学理论中空气流的连续性进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率数据进行快速并行处理，实现基数据的反演和适度外推计算，所述风廓线雷达高分辨率图形立体显示系统通过调用图形显示引擎进行建模，在三维空间中同时显示多种风数据。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述风廓线雷达探测晴空大气湍流，利用布拉格散射原理探测随风飘动的湍团中大气折射率指数结构参数的变化，进而导出大气中风向风速的真实情况。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述风廓线雷达积累和处理不同高度层的散射信号数据，并以天顶信号作为识别信号，利用偏东与偏西、偏南和偏北2组空间上呈轴对称分布的波束进行质量控制，进而验证天顶波束信号所覆盖高度的数据有效性，可得到不同时刻的各高度层上的风廓线数据。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述多核心液体状态机中某一液体池中的神经元之间呈现出确定的连接拓扑，即连接稀疏度为1时，其拓扑结构接近于一个小型化的多层前馈式神经网络，此时该液体池呈现出降低动态特性而大幅提升计算速度的特点，成为一个单核的快速计算核心；而当神经元之间依然稀疏连接，谱半径接近于1时，相当于构建了一个小型的传统型液体状态机，此时该液体池呈现出较高的动态特性，成为一个单核的高精度计算核心。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述风廓线雷达高分辨率图形立体显示系统重新设计坐标轴线和改用了Jet显示色标。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述风廓线雷达高分辨率图形立体显示系统构建了由4个快速计算核心和2个高精度计算核心组成的6核心液体状态机，其中4个快速计算核心分别用于垂直风向风速、水平风速、水平风向以及大气折射率4种数据的反演和外推，利用其快速计算的特性可在短时间内形成高空间分辨率的风廓线雷达图形显示；1个高精度计算核心用于数据反算和质量控制，通过200次左右的迭代运算剔除掉无效数据，并修正有小幅偏差的数据；另1个高精度计算核心用于时间分辨率提升和数据平滑，数据进行二次精细化处理，进一步渲染风廓线雷达图像。
作为本发明所述的基于人工智能的机场风廓线雷达高分辨率显示系统的一种优选方案，其中：所述风廓线雷达高分辨率图形立体显示系统三维图形的三维轴线分别为时间轴、60米等距高度轴以及合成风速轴，色谱表示了水平风向的情况，同时在图形中标识了零风速等势线，在高分辨率图形立体显示系统中，可实现三维拖动翻转，以及缩放功能，可观察到上空风数据的细致状态。
与现有技术相比：通过风廓线雷达导出大气中风向风速的真实情况，得到不同时刻的各高度层上的风廓线数据，并将数据导入到风廓线雷达处理系统中，风廓线雷达处理系统根据风廓线数据生成图形产品，使用了多核心液体状态机进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率等数据进行了快速并行处理，以期实现基数据的反演和适度外推计算，从而构建三维空间中同时显示多种风数据，该基于人工智能的机场风廓线雷达高分辨率显示系统，在三维空间中实现了多种风数据的综合显示，使得数据可视化程度更高，图像更容易理解，用户体验良好，对于机场低空风切变和下击暴流的识别和告警工作提供了较好的技术支撑。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明的系统框图；
图2为本发明多核心液体状态机的结构图。
图中：100风廓线雷达、200风廓线雷达处理系统、300多核心液体状态机、400风廓线雷达高分辨率图形立体显示系统。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于人工智能的机场风廓线雷达高分辨率显示系统，在三维空间中实现了多种风数据的综合显示，使得数据可视化程度更高，图像更容易理解，用户体验良好，对于机场低空风切变和下击暴流的识别和告警工作提供了较好的技术支撑，请参阅图1和图2，包括：风廓线雷达100、风廓线雷达处理系统200、多核心液体状态机300和风廓线雷达高分辨率图形立体显示系统400；
请再次参阅图1和图2，所述风廓线雷达100为相控阵雷达天线体制，且风廓线雷达100得到不同时刻的各高度层上的风廓线数据，所述风廓线雷达100发送信息到风廓线雷达处理系统200，所述风廓线雷达处理系统200提供风廓线雷达100数据的计算、二次产品生成以及可视化功能，所述风廓线雷达处理系统200将信息发送到多核心液体状态机300中处理，所述多核心液体状态机300由输入层、液体池以及输出层构成，所述多核心液体状态机300在多个核心由一个资源调配单元统一控制时，简单数据的分类和拟合由快速计算核心处理，复杂数据的反演和外推由高精度计算核心处理，若是既有简单数据又有复杂数据的大数据流，所述多核心液体状态机300可以做到多种类型数据、多种核心组合的并行计算，所述风廓线雷达处理系统200将雷达图形发送到风廓线雷达高分辨率图形立体显示系统400，所述多核心液体状态机300基于风廓线雷达100基数据的高复用性和流体力学理论中空气流的连续性进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率数据进行快速并行处理，实现基数据的反演和适度外推计算，所述风廓线雷达高分辨率图形立体显示系统400通过调用图形显示引擎进行建模，在三维空间中同时显示多种风数据，风廓线雷达100用于得到不同时刻的各高度层上的风廓线数据，从而得到风廓线的量化数据，风廓线雷达处理系统200用于将风廓线数据转换为雷达图形，方便反映出机场上空风向风速的情况，多核心液体状态机300用于进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率等数据进行了快速并行处理，提高网络的训练速度，增强时效性，风廓线雷达高分辨率图形立体显示系统400用于使得数据可视化程度更高，图像更容易理解；
请再次参阅图1，所述风廓线雷达100探测晴空大气湍流，利用布拉格散射原理探测随风飘动的湍团中大气折射率指数结构参数的变化，进而导出大气中风向风速的真实情况。
请再次参阅图1，所述风廓线雷达100积累和处理不同高度层的散射信号数据，并以天顶信号作为识别信号，利用偏东与偏西、偏南和偏北2组空间上呈轴对称分布的波束进行质量控制，进而验证天顶波束信号所覆盖高度的数据有效性，得到不同时刻的各高度层上的风廓线数据。
请再次参阅图2，所述多核心液体状态机300中某一液体池中的神经元之间呈现出确定的连接拓扑，即连接稀疏度为1时，其拓扑结构接近于一个小型化的多层前馈式神经网络，此时该液体池呈现出降低动态特性而大幅提升计算速度的特点，成为一个单核的快速计算核心；而当神经元之间依然稀疏连接，谱半径接近于1时，相当于构建了一个小型的传统型液体状态机，此时该液体池呈现出较高的动态特性，成为一个单核的高精度计算核心，液体池是由数量为N的游离态神经元以稀疏连接的形式组成的网络拓扑结构，这个结构的稳定性可以通过神经元稀疏度以及谱半径等参数进行调节，这可以使液体状态机在不同的使用场景中发挥较好的作用。
请再次参阅图1，所述风廓线雷达高分辨率图形立体显示系统400重新设计坐标轴线和改用了Jet显示色标。
请再次参阅图1，所述风廓线雷达高分辨率图形立体显示系统400构建了由4个快速计算核心和2个高精度计算核心组成的6核心液体状态机，其中4个快速计算核心分别用于垂直风向风速、水平风速、水平风向以及大气折射率4种数据的反演和外推，利用其快速计算的特性可在短时间内形成高空间分辨率的风廓线雷达100图形显示；1个高精度计算核心用于数据反算和质量控制，通过200次左右的迭代运算剔除掉无效数据，并修正有小幅偏差的数据；另1个高精度计算核心用于时间分辨率提升和数据平滑，数据进行二次精细化处理，进一步渲染风廓线雷达100图像。
请再次参阅图1，所述风廓线雷达高分辨率图形立体显示系统400三维图形的三维轴线分别为时间轴、60米等距高度轴以及合成风速轴，色谱表示了水平风向的情况，同时在图形中标识了零风速等势线，在高分辨率图形立体显示系统中，可实现三维拖动翻转，以及缩放功能，可观察到上空风数据的细致状态。
在具体的使用时，风廓线雷达100导出大气中风向风速的真实情况，得到不同时刻的各高度层上的风廓线数据，并将数据导入到风廓线雷达处理系统200中，风廓线雷达处理系统200根据风廓线数据生成图形产品，使用了多核心液体状态机300进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率等数据进行了快速并行处理，以期实现基数据的反演和适度外推计算，从而构建三维空间中同时显示多种风数据。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，包括：风廓线雷达（100）、风廓线雷达处理系统（200）、多核心液体状态机（300）和风廓线雷达高分辨率图形立体显示系统（400），所述风廓线雷达（100）为相控阵雷达天线体制，且风廓线雷达（100）得到不同时刻的各高度层上的风廓线数据，所述风廓线雷达（100）发送信息到风廓线雷达处理系统（200），所述风廓线雷达处理系统（200）提供风廓线雷达（100）数据的计算、二次产品生成以及可视化功能，所述风廓线雷达处理系统（200）将信息发送到多核心液体状态机（300）中处理，所述多核心液体状态机（300）由输入层、液体池以及输出层构成，所述多核心液体状态机（300）在多个核心由一个资源调配单元统一控制时，简单数据的分类和拟合由快速计算核心处理，复杂数据的反演和外推由高精度计算核心处理，若是既有简单数据又有复杂数据的大数据流，所述多核心液体状态机（300）能够做到多种类型数据、多种核心组合的并行计算，所述风廓线雷达处理系统（200）将雷达图形发送到风廓线雷达高分辨率图形立体显示系统（400），所述多核心液体状态机（300）基于风廓线雷达（100）基数据的高复用性和流体力学理论中空气流的连续性进行非线性拟合，对垂直风向风速、水平风向风速以及大气折射率数据进行快速并行处理，实现基数据的反演和适度外推计算，所述风廓线雷达高分辨率图形立体显示系统（400）通过调用图形显示引擎进行建模，在三维空间中同时显示多种风数据。
2.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述风廓线雷达（100）探测晴空大气湍流，利用布拉格散射原理探测随风飘动的湍团中大气折射率指数结构参数的变化，进而导出大气中风向风速的真实情况。
3.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述风廓线雷达（100）积累和处理不同高度层的散射信号数据，并以天顶信号作为识别信号，利用偏东与偏西、偏南和偏北2组空间上呈轴对称分布的波束进行质量控制，进而验证天顶波束信号所覆盖高度的数据有效性，得到不同时刻的各高度层上的风廓线数据。
4.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述多核心液体状态机（300）中某一液体池中的神经元之间呈现出确定的连接拓扑，即连接稀疏度为1时，其拓扑结构接近于一个小型化的多层前馈式神经网络，此时该液体池呈现出降低动态特性而大幅提升计算速度的特点，成为一个单核的快速计算核心；而当神经元之间依然稀疏连接，谱半径接近于1时，相当于构建了一个小型的传统型液体状态机，成为一个单核的高精度计算核心。
5.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述风廓线雷达高分辨率图形立体显示系统（400）重新设计坐标轴线和改用了Jet显示色标。
6.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述风廓线雷达高分辨率图形立体显示系统（400）构建了由4个快速计算核心和2个高精度计算核心组成的6核心液体状态机，其中4个快速计算核心分别用于垂直风向风速、水平风速、水平风向以及大气折射率4种数据的反演和外推，利用其快速计算的特性在短时间内形成高空间分辨率的风廓线雷达（100）图形显示；1个高精度计算核心用于数据反算和质量控制，通过200次左右的迭代运算剔除掉无效数据，并修正有小幅偏差的数据；另1个高精度计算核心用于时间分辨率提升和数据平滑，数据进行二次精细化处理，进一步渲染风廓线雷达（100）图像。
7.根据权利要求1所述的一种基于人工智能的机场风廓线雷达高分辨率显示系统，其特征在于，所述风廓线雷达高分辨率图形立体显示系统（400）三维图形的三维轴线分别为时间轴、60米等距高度轴以及合成风速轴，色谱表示了水平风向的情况，同时在图形中标识了零风速等势线，在高分辨率图形立体显示系统中，实现三维拖动翻转，以及缩放功能，观察到上空风数据的细致状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904272.XA CN111983618B (zh) | 2020-09-01 | 2020-09-01 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904272.XA CN111983618B (zh) | 2020-09-01 | 2020-09-01 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111983618A CN111983618A (zh) | 2020-11-24 |
| CN111983618B true CN111983618B (zh) | 2023-10-31 |
Family
ID=73447240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010904272.XA Active CN111983618B (zh) | 2020-09-01 | 2020-09-01 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111983618B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946655B (zh) * | 2021-01-27 | 2022-05-13 | 江苏省气象科学研究所 | 基于近地面散度场的下击暴流识别方法、设备及存储介质 |
| CN113075695A (zh) * | 2021-04-02 | 2021-07-06 | 中国民用航空西北地区空中交通管理局甘肃分局 | 一种基于人工智能的民航气象激光测风雷达反演与外推系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101988963A (zh) * | 2010-04-19 | 2011-03-23 | 南京恩瑞特实业有限公司 | 利用风廓线雷达获取三维风场的方法 |
| US9824311B1 (en) * | 2014-04-23 | 2017-11-21 | Hrl Laboratories, Llc | Asynchronous pulse domain processor with adaptive circuit and reconfigurable routing |
| CN108027896A (zh) * | 2015-03-18 | 2018-05-11 | 赫尔实验室有限公司 | 用于解码具有连续突触可塑性的脉冲储层的系统和方法 |
| 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 |
| CN110135618A (zh) * | 2019-04-01 | 2019-08-16 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9939526B2 (en) * | 2007-09-06 | 2018-04-10 | Rockwell Collins, Inc. | Display system and method using weather radar sensing |
| US11237556B2 (en) * | 2012-06-22 | 2022-02-01 | Knowm, Inc. | Autonomous vehicle |
| GB2574490A (en) * | 2017-11-22 | 2019-12-11 | Foster Miller Inc | Airborne wind profiling portable radar system and method |
| US11531088B2 (en) * | 2019-11-21 | 2022-12-20 | Nvidia Corporation | Deep neural network for detecting obstacle instances using radar sensors in autonomous machine applications |
-
2020
- 2020-09-01 CN CN202010904272.XA patent/CN111983618B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101988963A (zh) * | 2010-04-19 | 2011-03-23 | 南京恩瑞特实业有限公司 | 利用风廓线雷达获取三维风场的方法 |
| US9824311B1 (en) * | 2014-04-23 | 2017-11-21 | Hrl Laboratories, Llc | Asynchronous pulse domain processor with adaptive circuit and reconfigurable routing |
| CN108027896A (zh) * | 2015-03-18 | 2018-05-11 | 赫尔实验室有限公司 | 用于解码具有连续突触可塑性的脉冲储层的系统和方法 |
| 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 |
| CN110135618A (zh) * | 2019-04-01 | 2019-08-16 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Design and implementation of microcontroller based short message service control system;Nwankwo Nonso Prince;《The 8th International Conference for Internet Technology and Secured Transactions》;第494-499页 * |
| 一种基于改进教学优化的微弱信号检测方法;行鸿彦 等;《现代雷达》;第40卷(第5期);第37-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111983618A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111983618B (zh) | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 | |
| Narazaki et al. | Vision-based navigation planning for autonomous post-earthquake inspection of reinforced concrete railway viaducts using unmanned aerial vehicles | |
| Jiang et al. | Interactive modeling of architectural freeform structures: combining geometry with fabrication and statics | |
| Shen et al. | Parallel sensing in metaverses: Virtual-real interactive smart systems for “6S” sensing | |
| CN111476242A (zh) | 一种激光点云语义分割方法及装置 | |
| CN111950658B (zh) | 一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法 | |
| CN104931970B (zh) | 一种面向机载气象雷达仿真的三维云场生成方法 | |
| CN114547498A (zh) | 基于b/s框架的水流二维流场仿真可视化方法及系统 | |
| Guo et al. | Art product design and vr user experience based on iot technology and visualization system | |
| CN115147798A (zh) | 可行驶区域预测方法、模型、装置及车辆 | |
| Guo et al. | A group maintenance method of drone swarm considering system mission reliability | |
| Zheng et al. | Investigation of adhesion properties of tire—Asphalt pavement interface considering hydrodynamic lubrication action of water film on road surface | |
| Lin et al. | Urban space simulation based on wave function collapse and convolutional neural network | |
| CN114140471A (zh) | 一种基于直升机机载激光雷达的地面目标语义分割方法 | |
| Zhang | An attempt to generate new bridge types from latent space of variational autoencoder | |
| Liu et al. | Urban virtual environment landscape design and system based on PSO-BP neural network | |
| CN116324523A (zh) | 湍流预测系统以及湍流预测方法 | |
| CN115546649B (zh) | 一种单视遥感影像高度估计和语义分割多任务预测方法 | |
| CN115700760A (zh) | 一种基于多模态数据的全空间激光雷达散射截面计算方法 | |
| CN116543191A (zh) | 一种多源遥感数据自适应融合地物分类方法 | |
| Liang et al. | Research on a mmWave beam-prediction algorithm with situational awareness based on deep learning for intelligent transportation systems | |
| Zhou et al. | A new computational investigation to the new exact solutions of (3+ 1)-dimensional WKdV equations via two novel procedures arising in shallow water magnetohydrodynamics | |
| CN113298823B (zh) | 图像融合方法及装置 | |
| Kim et al. | Visual simulation of turbulent foams by incorporating the angular momentum of foam particles into the projective framework | |
| CN112507282A (zh) | 一种基于速度梯度张量特性的流动显示方法 |
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 |