CN112698291A - 一种基于cnn的机载气象雷达气象目标检测方法 - Google Patents

Abstract

本发明公开了一种基于CNN的机载气象雷达气象目标检测方法，包括：通过双通道垂直阵列接收系统接收雷达数据，接收到的雷达数据分为通道1回波数据和通道2回波数据；计算CPA值；计算多普勒速度值；计算干涉相位值，并对干涉相位进行补偿；将获取的CPA值、多普勒速度值和补偿后的涉相位值三种参数信息整合成三维数据；利用训练好的CNN模型对得到的三维数据进行检测，得到气象目标检测结果。本发明首次将CNN应用在气象目标检测，利用垂直阵列系统获取气象目标的多普勒信息和空域信息，然后将三种参数一同输入到CNN中，进而得到最终的检测结果，该方案受谱矩信息变化影响小，极大地提高了检测性能，同时也简化了流程，具有检测精度高，简单易实现的特点。

Description

一种基于CNN的机载气象雷达气象目标检测方法

技术领域

本发明属于雷达技术领域，具体涉及一种基于CNN的机载气象雷达气象目标检测方法。

背景技术

机载气象雷达是一种实时预报降水量的遥感设备。实际应用中，雷达一般工作在下视模式。当雷达天线方向图主瓣或旁瓣照射到地面时，来自地面物体的散射回波往往会湮没气象目标信号，严重影响气象参数的准确估计，从而恶化机载气象雷达的工作性能。回波中的强地杂波背景在目标检测过程中会产生大量的虚警，增加了气象目标检测的难度。而且在机载气象雷达的众多应用中，气象目标的识别和分类是必不可少的一项。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于CNN的机载气象雷达气象目标检测方法，其利用雷达回波的多普勒信息和空域信息，然后通过CNN进行检测，具有检测概率高，受谱矩信息变化影响小，简单易实现的特点。

技术方案：为实现上述目的，本发明提供一种基于CNN的机载气象雷达气象目标检测方法，包括如下步骤：

S1：通过双通道垂直阵列接收系统接收雷达数据，接收到的雷达数据分为通道1回波数据和通道2回波数据；

S2：根据通道1回波数据计算CPA值；

根据通道2回波数据计算多普勒速度值；

根据通道1回波数据和通道2回波数据计算干涉相位值，并对干涉相位进行补偿；

S3：将步骤S2中获取的CPA值、多普勒速度值和补偿后的涉相位值三种参数信息整合成三维数据；

S4：利用训练好的CNN模型对步骤S3中得到的三维数据进行检测，得到气象目标检测结果。

进一步地，所述步骤S2中CPA值的计算方法为：

式中，x_i＝I_i+jQ_i为时间序列样本，即通道1回波数据的方位样本，I_i和Q_i是一对相位正交的调制信号；且

进一步地，所述步骤S2中多普勒速度值的计算方法为：

其中，R(T_r)为样本自相关函数，T_r为脉冲重复间隔，λ为信号的波长，arctan{·}是反正切函数算子，Im[·]为取虚部操作，Re[·]为取实部操作。

进一步地，所述步骤S2中干涉相位的计算方法为：

InP＝arg{[S_D+S_S]·[S_D-S_S]^*}

式中，[·]^*为共轭算子，arg{·}表示相位运算符，S_D和S_S分别是差通道和和通道回波信号。

进一步地，所述步骤S2中干涉相位的补偿量为：

PC＝2πdH/dλ

式中，R为探测距离，H为载机飞行高度，d为阵元间距。

进一步地，所述步骤S4中CNN模型的训练方法为：通过训练集对CNN模型进行训练，训练集的原始数据需要先通过计算得到三种判别函数，即所述步骤S2中的CPA值、多普勒速度值和补偿后的涉相位值，并将其整合成三维数据，然后分成若干组数据，最后根据先验信息将这些数据分别赋予地杂波和气象目标的标签。

进一步地，所述步骤S4中CNN模型对三维数据的检测方法为：

根据CNN的卷积计算原理，将三种判别函数整合成一个三维数组，在处理过程中，CNN被视为滑动窗口检测器，需要在数据中逐像素点滑动并输出判断结果，每个待检测像素点的最终检测结果取决于待测单元周围三维数据在CNN中的输出。

有益效果：本发明与现有技术相比，首次将CNN应用在气象目标检测，利用垂直阵列系统获取气象目标的多普勒信息和空域信息，然后将CPA，多普勒速度和干涉相位作为三种参数一同输入到CNN中，进而得到最终的检测结果，该方案受谱矩信息变化影响小，极大地提高了检测性能，同时也简化了流程，具有检测精度高，简单易实现的特点。

附图说明

图1是本发明的一种基于CNN的机载气象雷达气象目标检测方法流程图；

图2是俯仰双通道系统采集雷达回波数据对应的二维空间几何接收模型；

图3是CPA、多普勒速度、补偿后的干涉相位计算结果；

图4是CNN检测后输出的结果；

图5是本发明受SCR影响曲线图；

图6是本发明受谱宽影响曲线图；

图7是本发明受多普勒频移影响曲线图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供一种基于CNN的机载气象雷达气象目标检测方法，如图1所示，其包括如下步骤：

步骤1：通过双通道垂直阵列接收系统接收雷达数据。本实施例中采用俯仰双通道系统采集雷达回波数据，对应的二维空间几何接收模型如图2所示，采集到的雷达数据分为通道1回波数据和通道2回波数据。

步骤2：根据通道1回波数据计算CPA(杂波相位对准)值，计算方法为：

式中，x_i＝I_i+jQ_i为时间序列样本，即通道1回波数据的方位样本，I_i和Q_i是一对相位正交的调制信号；且

步骤3：根据通道2回波数据计算多普勒速度值，计算方法为：

其中，R(T_r)为样本自相关函数，T_r为脉冲重复间隔，λ为信号的波长，arctan{·}是反正切函数算子，Im[·]为取虚部操作，Re[·]为取实部操作。

步骤4：根据通道1回波数据和通道2回波数据计算干涉相位值，计算方法为：

InP＝arg{[S_D+S_S]·[S_D-S_S]^*}

式中，[·]^*为共轭算子，arg{·}表示相位运算符，S_D和S_S分别是差通道和和通道回波信号；

对干涉相位进行补偿，补偿量为：

PC＝2πdH/dλ

式中，R为探测距离，H为载机飞行高度，d为阵元间距；

补偿后的干涉相位为：

InPC＝InP-PC。

步骤5：本实施例中CPA值、多普勒速度值和补偿后的干涉相位的计算结果分别如图3中(a)、(b)和(c)所示。

将获取的CPA值、多普勒速度值和补偿后的干涉相位三种参数信息，按照网络训练时的顺序整合成三维数据。

步骤6：利用训练好的CNN模型对得到的三维数据进行检测，得到气象目标检测结果。

本实施例中CNN的网络结构如下表1所示，利用CNN可以详细分析出所选的三种判别函数和气象目标之间的非线性关系。

表1CNN结构及属性

根据到CNN的卷积计算原理，将三种判别函数整合成一个三维数组。在处理过程中，CNN被视为滑动窗口检测器，需要在数据中逐像素点滑动并输出判断结果。将CNN的输入数据的大小设置为3×32×32，因此每个待检测像素点的最终检测结果取决于待测单元周围3×32×32的三维数据在CNN中的输出。

训练CNN网络，需要生成或是找到合适的数据作为训练集，训练集的原始数据需要先通过计算得到三种判别函数，即分别为步骤2、步骤3和步骤4的CPA值、多普勒速度值和补偿后的涉相位值，并将其整合成三维数据，然后分成若干组3×32×32大小的数据，最后根据先验信息将这些数据分别赋予地杂波和气象目标的标签。为了每组数据主要由噪声像素点组成，用时为了使CNN有足够且有效的样本进行训练，本实施例中选用至少一半像素点为气象或是地杂波的数据，而且为了使样本的选取更具有代表性，选择像素点的原始数据的幅度不应该太低。

本实施例中最终获取到的气象目标检测结果如图4所示，为了更直观地反映本发明方法的检测性能，将正确分类为气象目标的像素点标记为TP，将错误分类为气象目标的像素标记为FP。类似地，将正确分类为地杂波的像素标记为TN，错误分类为地杂波的像素标记为FN。可以看到本发明的检测结果中有很少的FN和FP的像素点，具有良好的检测性能。

为了进一步验证本发明检测方法的效果，本实施例进行仿真分析实验，同时针对不同的SCR(信杂比)，谱宽和多普勒频移的条件下进行检测，分别获取到图5、图6和图7所示的检测概率曲线，从图5～图7可见，本发明方法受谱矩信息变化影响小，极大地提高了检测性能，同时也简化了流程。

Claims (7)

1.一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：包括如下步骤：

S1：通过双通道垂直阵列接收系统接收雷达数据，接收到的雷达数据分为通道1回波数据和通道2回波数据；

S2：根据通道1回波数据计算CPA值；

根据通道2回波数据计算多普勒速度值；

根据通道1回波数据和通道2回波数据计算干涉相位值，并对干涉相位进行补偿；

S3：将步骤S2中获取的CPA值、多普勒速度值和补偿后的干涉相位值三种参数信息整合成三维数据；

S4：利用训练好的CNN模型对步骤S3中得到的三维数据进行检测，得到气象目标检测结果。

2.根据权利要求1所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S2中CPA值的计算方法为：

式中，x_i＝I_i+jQ_i为时间序列样本，即通道1回波数据的方位样本，I_i和Q_i是一对相位正交的调制信号。

3.根据权利要求1所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S2中多普勒速度值的计算方法为：

其中，R(T_r)为样本自相关函数，T_r为脉冲重复间隔，λ为信号的波长，arctan{·}是反正切函数算子，Im[·]为取虚部操作，Re[·]为取实部操作。

4.根据权利要求1所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S2中干涉相位的计算方法为：

InP＝arg{[S_D+S_S]·[S_D-S_S]^*}

式中，[·]^*为共轭算子，arg{·}表示相位运算符，S_D和S_S分别是差通道和和通道回波信号。

5.根据权利要求4所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S2中干涉相位的补偿量为：

PC＝2πdH/Rλ

式中，R为探测距离，H为载机飞行高度，d为阵元间距。

6.根据权利要求1所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S4中CNN模型的训练方法为：通过训练集对CNN模型进行训练，训练集的原始数据需要先通过计算得到三种判别函数，即所述步骤S2中的CPA值、多普勒速度值和补偿后的涉相位值，并将其整合成三维数据，然后分成若干组数据，最后根据先验信息将这些数据分别赋予地杂波和气象目标的标签。

7.根据权利要求6所述的一种基于CNN的机载气象雷达气象目标检测方法，其特征在于：所述步骤S4中CNN模型对三维数据的检测方法为：

根据CNN的卷积计算原理，将三种判别函数整合成一个三维数组，在处理过程中，CNN被视为滑动窗口检测器，需要在数据中逐像素点滑动并输出判断结果，每个待检测像素点的最终检测结果取决于待测单元周围三维数据在CNN中的输出。

Images