CN112731567B - 一种用于超高频微波的时空协同干湿增强判别方法 - Google Patents
一种用于超高频微波的时空协同干湿增强判别方法 Download PDFInfo
- Publication number
- CN112731567B CN112731567B CN202110031015.4A CN202110031015A CN112731567B CN 112731567 B CN112731567 B CN 112731567B CN 202110031015 A CN202110031015 A CN 202110031015A CN 112731567 B CN112731567 B CN 112731567B
- Authority
- CN
- China
- Prior art keywords
- microwave
- link
- data
- wet
- dry
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
-
- 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
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Hydrology & Water Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于超高频微波的时空协同干湿增强判别方法,包括以下步骤:(1),选取降雨时段作为训练集,并获得时段微波链路L1以及标记获取距离L1链路最近的两条链路L2、L3微波信号接收端的微波衰减信号强度数据;(2),将邻近链路L2、L3微波信号衰减数据作为空间数据与L1链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x1,x2,x3...};(3),干湿结果使用线性函数表征:,其中wi是权重系数,𝞪是偏差系数;(4),训练好的模型对微波衰减数据进行干湿判别。本发明的一种用于超高频微波的时空协同干湿增强判别方法,提出时空协同判别的改进,能够实现对超高频微波监测降雨的数据快速且更精准的干湿判别。
Description
技术领域
本发明涉及一种用于超高频微波的时空协同干湿增强判别方法,属于气象因子监测技术领域。
背景技术
高精度的降雨监测资料是实现水旱灾害防治、水文气象领域研究以及政府综合治理决策的前提。微波通信信号衰变反演雨强是一种新型的降雨监测技术,使用微波通信信号衰变反演雨强需要对微波衰减信号的干湿期进行精准判别。然而干湿期判别难度较大,会影响微波反演雨强精度,限制微波监测降水这项技术的推广使用。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种用于超高频微波的时空协同干湿增强判别方法,提出时空协同判别的改进,能够实现对超高频微波监测降雨的数据快速且更精准的干湿判别。
技术方案:为解决上述技术问题,本发明的用于超高频微波的时空协同干湿增强判别方法,包括以下步骤:
(1),选取降雨时段作为训练集,并获得时段微波链路L1以及标记获取距离L1链路最近的两条链路L2、L3微波信号接收端的微波衰减信号强度数据,并对信号强度数据进行初步处理,获得初步L1链路微波衰减信号数据序列{a1,a2,a3...},L2链路微波衰减信号数据序列{b1,b2,b3...},L3链路微波衰减信号数据序列{c1,c2,c3...};
(2),将邻近链路L2、L3微波信号衰减数据作为空间数据与L1链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x1,x2,x3...}。
将f(x)的结果进行分类,引入Sigmoid函数作为单位阶跃函数y:
做变换可得:
用交叉熵代价函数为损失函数,对训练集所有样本而言,共同造成的损失函数均值Jθ(X),其中θ为未知参数:
用最小梯度法迭代训练获得适合的wi和α值:
α值同理可进行迭代得到最优值,其中对于样本来说,y为1为湿时刻,y为0位干时刻,hθ(X)为预测概率函数,预测概率值在0-1之间,m为样本个数,x(j)指反距离平方加权计算获得新的时间数据序列中的第j个数据,y(i)为第i个数据计算的阶跃函数分类结果,r为分类结果0或1,P为分类结果为r的概率;
(4),训练好的模型对微波衰减数据进行干湿判别。
作为优选,所述步骤(1)中,对信号强度数据的初步处理包括:对个别丢失数据进行插补,并去除明显超过响应阈值的干扰数据。
作为优选,所述步骤(1)中,确定距离L1链路最近的两条链路L2、L3具体包括:根据微波链路位置计算L1链路中心点到周边微波链路中心点的距离,选取距离最小的两条链路作为本发明空间校正链路,标记为L2、L3。
作为优选,所述步骤(2)中,反距离平方加权计算具体计算如下:
其中d1指L1链路中心距离链路L2中心的距离,d2指L1链路中心距离链路L3中心的距离i=1,2,3…。
在本发明中,本文只用一个统计量,并且本文考虑到单链路的统计量容易受到不确定因素的影响导致判别结果有偏差,利用微波信号数据空间相关性,在该统计量中加入反距离加权后的邻近链路衰减值,可以实现更加简单精准地判别干湿期。
有益效果:本发明的用于超高频微波的时空协同干湿增强判别方法,提供了时空协同判别干湿时刻的思路,在原有链路L1微波衰减时间序列数据基础上,引入空间邻近两条链路L2、L3协同判别干湿:对链路L1的数据序列利用同时刻的L2、L3微波衰减数据进行反距离平方加权加和得到新的数据序列,形成的新的特征值对于判断干湿结果更加敏感,减小了由于其他杂波干扰导致判别错误的可能性,大大提高了干湿时刻判别的准确性,而且,相比于其他分类模型具有原理简单,分类更加快速准确的优点。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明的用于超高频微波的时空协同干湿增强判别方法,包括以下步骤:
(1),选取降雨时段作为训练集,并获得时段微波链路L1以及标记获取距离L1链路最近的两条链路L2、L3微波信号接收端的微波衰减信号强度数据,确定距离L1链路最近的两条链路L2、L3具体包括:根据微波链路位置计算L1链路中心点到周边微波链路中心点的距离,选取距离最小的两条链路作为本发明空间校正链路,标记为L2、L3,并对信号强度数据进行初步处理,对个别丢失数据进行插补,并去除明显超过响应阈值的干扰数据,获得初步L1链路微波衰减信号数据序列{a1,a2,a3...},L2链路微波衰减信号数据序列{b1,b2,b3...},L3链路微波衰减信号数据序列{c1,c2,c3...};
(2),将邻近链路L2、L3微波信号衰减数据作为空间数据与L1链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x1,x2,x3...},反距离平方加权计算具体计算如下:
其中d1指L1链路中心距离链路L2中心的距离,d2指L1链路中心距离链路L3中心的距离i=1,2,3…;
将f(x)的结果进行分类,引入Sigmoid函数作为单位阶跃函数y:
做变换可得:
用交叉熵代价函数为损失函数,对训练集所有样本而言,共同造成的损失函数均值Jθ(X),其中θ为未知参数:
用最小梯度法迭代训练获得适合的wi和α值:
α值同理可进行迭代得到最优值,其中对于样本来说,y为1为湿时刻,y为0位干时刻,hθ(X)为预测概率函数,预测概率值在0-1之间,m为样本个数;
(4),将计算得到的新的带有干湿标签的时间数据集{x1,x2,x3...}作为输入,使用线性函数表征输出f(x)*值,后引入Sigmoid函数f(x)如(3)所示,
当f(x)为1分类为湿,当f(x)为0分类为干,将分类结果对比标签采用交叉熵代价函数为损失函数,逐步迭代训练获得最佳分类函数的参数值获得训练好的模型,并使用训练好的模型对微波衰减数据进行干湿判别,本文计算使用一个统计量并采用简洁智能算法对干湿期进行精准快速的判别。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种用于超高频微波的时空协同干湿增强判别方法,其特征在于,包括以下步骤:
(1),选取降雨时段作为训练集,并获得时段微波链路L1以及标记获取距离L1链路最近的两条链路L2、L3微波信号接收端的微波衰减信号强度数据,并对信号强度数据进行初步处理,获得初步L1链路微波衰减信号数据序列{a1,a2,a3...},L2链路微波衰减信号数据序列{b1,b2,b3...},L3链路微波衰减信号数据序列{c1,c2,c3...};
(2),将邻近链路L2、L3微波信号衰减数据作为空间数据与L1链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x1,x2,x3...};
将f(x)的结果进行分类,引入Sigmoid函数作为单位阶跃函数y:
做变换可得:
用交叉熵代价函数为损失函数,对训练集所有样本而言,共同造成的损失函数均值Jθ(X),其中θ为未知参数:
用最小梯度法迭代训练获得适合的wi和α值:
α值同理可进行迭代得到最优值,其中对于样本来说,y为1为湿时刻,y为0为干时刻,hθ(X)为预测概率函数,预测概率值在0-1之间,m为样本个数;x(j)指反距离平方加权计算获得新的时间数据序列中的第j个数据,y(i)为第i个数据计算的阶跃函数分类结果,r为分类结果0或1,P为分类结果为r的概率;
(4),训练好的模型对微波衰减数据进行干湿判别。
2.根据权利要求1所述的用于超高频微波的时空协同干湿增强判别方法,其特征在于:所述步骤(1)中,对信号强度数据的初步处理包括:对个别丢失数据进行插补,并去除明显超过响应阈值的干扰数据。
3.根据权利要求1所述的用于超高频微波的时空协同干湿增强判别方法,其特征在于:所述步骤(1)中,确定距离L1链路最近的两条链路L2、L3具体包括:根据微波链路位置计算L1链路中心点到周边微波链路中心点的距离,选取距离最小的两条链路作为空间校正链路,标记为L2、L3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031015.4A CN112731567B (zh) | 2021-01-11 | 2021-01-11 | 一种用于超高频微波的时空协同干湿增强判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031015.4A CN112731567B (zh) | 2021-01-11 | 2021-01-11 | 一种用于超高频微波的时空协同干湿增强判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731567A CN112731567A (zh) | 2021-04-30 |
CN112731567B true CN112731567B (zh) | 2021-09-21 |
Family
ID=75590191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110031015.4A Active CN112731567B (zh) | 2021-01-11 | 2021-01-11 | 一种用于超高频微波的时空协同干湿增强判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553705B (zh) * | 2021-07-19 | 2022-06-07 | 河海大学 | 适用于微波链路监测网络的空间插值方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
CN109255100A (zh) * | 2018-09-10 | 2019-01-22 | 河海大学 | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 |
CN109581546A (zh) * | 2018-10-30 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于微波链路衰减及偏振信息的降雨类型识别方法 |
CN109961019A (zh) * | 2019-02-28 | 2019-07-02 | 华中科技大学 | 一种时空行为检测方法 |
CN110895251A (zh) * | 2019-10-24 | 2020-03-20 | 河海大学 | 一种基于湿天线成因判别的无线微波监测露水强度方法 |
CN111860562A (zh) * | 2020-03-30 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于微波链路多统计量的自适应干湿区分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11204443B2 (en) * | 2017-08-14 | 2021-12-21 | Ramot At Tel-Aviv University Ltd. | Relating rain intensity and dynamic range in commercial microwave links |
-
2021
- 2021-01-11 CN CN202110031015.4A patent/CN112731567B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
CN109255100A (zh) * | 2018-09-10 | 2019-01-22 | 河海大学 | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 |
CN109581546A (zh) * | 2018-10-30 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于微波链路衰减及偏振信息的降雨类型识别方法 |
CN109961019A (zh) * | 2019-02-28 | 2019-07-02 | 华中科技大学 | 一种时空行为检测方法 |
CN110895251A (zh) * | 2019-10-24 | 2020-03-20 | 河海大学 | 一种基于湿天线成因判别的无线微波监测露水强度方法 |
CN111860562A (zh) * | 2020-03-30 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于微波链路多统计量的自适应干湿区分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731567A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN104538041A (zh) | 异常声音检测方法及系统 | |
CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN112600618B (zh) | 一种基于注意力机制的可见光信号均衡系统及方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN110119397B (zh) | 一种同时实现数据异常检测及数据压缩的深度学习方法 | |
CN113052126B (zh) | 一种基于深度学习的双阈值开集信号调制识别方法 | |
CN112731567B (zh) | 一种用于超高频微波的时空协同干湿增强判别方法 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
CN111695413A (zh) | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN116668198A (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
CN111768372A (zh) | 一种gis设备腔体内部异物检测方法及系统 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN111274911A (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
CN114842371A (zh) | 一种无监督视频异常检测方法 | |
CN112986393A (zh) | 一种桥梁拉索损伤的检测方法和系统 | |
CN117556230A (zh) | 基于多尺度注意力特征融合的射频信号识别方法及系统 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN116304543A (zh) | 一种基于数据流的制造大数据价值关联模式识别方法 | |
CN114882375A (zh) | 一种尾矿库智能识别方法和装置 |
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 |