CN112986940A - 一种用于水平距离上的雷达海杂波功率的预测方法 - Google Patents
一种用于水平距离上的雷达海杂波功率的预测方法 Download PDFInfo
- Publication number
- CN112986940A CN112986940A CN202110170963.6A CN202110170963A CN112986940A CN 112986940 A CN112986940 A CN 112986940A CN 202110170963 A CN202110170963 A CN 202110170963A CN 112986940 A CN112986940 A CN 112986940A
- Authority
- CN
- China
- Prior art keywords
- training
- sea clutter
- neural network
- radar
- clutter power
- 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.)
- Granted
Links
Images
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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于水平距离上的雷达海杂波功率的预测方法,所述方法包括:S010:对波导环境中的雷达海杂波功率进行建模,得到所述雷达海杂波功率的表达式;S020:建立LSTM神经网络基础模型;S030:基于所述雷达海杂波功率的计算公式,得到波导环境中水平距离上多个点的雷达海杂波功率值,并建立训练集,所述训练集用于训练所述LSTM神经网络基础模型;S040:通过均方根误差函数选择最优的训练次数、训练包大小和神经元数,作为训练参数进行模型的训练得到LSTM神经网络预测模型;S050:判断所述S040中训练后的LSTM神经网络预测模型的精确度,若所述精确度未达标,则跳转至S040重新选择参数进行训练;所述LSTM神经网络预测模型用于对波导环境中预定距离范围内的雷达海杂波功率进行预测。
Description
技术领域
本发明涉及雷达领域,更具体的,涉及一种用于水平距离上的雷达海杂波功率的预测方法。
背景技术
雷达海杂波就是指粗糙海面的后向散射雷达回波,海杂波在海面雷达中是最难处理和最具挑战性的干扰源,而海杂波的预测是雷达信号处理研究领域的一个重要方向。雷达海杂波的准确建模及相关预测技术的实现对国防建设、国民经济发展均具有重要的意义。除此之外,对海杂波进行分析和预测,对于研究雷达模型的杂波抑制以及提升雷达的目标探测性能都具有非常重要的应用价值。
对于平稳的数据序列来讲,利用传统的统计模型通常可获得较好的预测结果,而对具有混沌变化特性的海杂波序列而言,即使传统模型对数据匹配的很好,有时也无法做出准确的预测。有人提出利用传统神经网络对海杂波功率进行预测的方法,但是,使用传统的神经网络来进行海杂波预测,均具有短期可预测,长期不可预测的缺陷,当需要对远距离的海杂波数据进行预测时,它们的精度较低,且当数据量较大时,训练模型的时间也会加长,从而降低了预测的效率。
发明内容
为解决背景技术中所提出的技术问题中的至少一个,本发明的一个目的在于提供一种用于水平距离上的雷达海杂波功率的预测方法,所述方法包括:
S010:对波导环境中的雷达海杂波功率进行建模,得到所述雷达海杂波功率的表达式;
S020:建立LSTM神经网络基础模型;
S030:基于所述雷达海杂波功率的计算公式得到波导环境中水平距离上多个点的雷达海杂波功率值并建立训练集,所述训练集用于训练所述LSTM神经网络基础模型;
S040:通过均方根误差函数选择最优的训练次数、训练包大小和神经元数,作为训练参数进行模型的训练得到LSTM神经网络预测模型;
S050:判断所述S040中训练后的LSTM神经网络预测模型的精确度,若所述精确度未达标,则跳转至S040继续进行训练;所述LSTM神经网络预测模型用于对波导环境中预定距离范围内的雷达海杂波功率进行预测。
所述S010具体包括:
所述雷达海杂波功率Pc(r,M)的计算公式:
其中,L(r,M)表示传播损耗、σ0为雷达散射系数、r表示雷达接收天线与海面散射单元之间的距离、M表示大气折射率剖面结构;
C为与发射功率Pt、发射天线增益Gt、电磁波波长λ、雷达的距离分辨率cτ和天线入射角θ有关的常数项,表示为:
所述雷达海杂波功率的对数形式表达式为:
Pc(r,M)=-2L(r,M)+σ0+10log10(r)+C…………(3)
其中,传播损耗L(r,M)的值由大气波导环境的抛物方程模型获得,雷达散射系数σ0由NRL经验模型获得。
所述S020具体包括,构建LSTM神经网络基础模型,所述LSTM神经网络基础模型的建立基于python语言环境下的TensorFlow神经网络库。
所述数据集的80%作为训练集,剩余的20%作为测试集,并选择均方根误差函数(Root mean squared error,RMSE)作为评价函数,用于对预测结果进行评估。
所述训练集的采集:在所述波导环境中雷达发射天线周围的3-200km范围内,选取多个数据点,并分别将所述多个数据点的r和M值代入所述雷达海杂波功率的计算公式中,得到数据集。
所述S040具体包括:建立LSTM神经网络模型的算法按照所述最优训练包大小自动将训练集分为多包,并在每次训练时自动选择其中一包进行训练,对所述LSTM神经网络预测模型进行N次迭代训练,所述N为最优训练次数;完成训练的所述LSTM神经网络预测模型用于对预定距离内雷达海杂波功率的预测。
所述最优训练次数的确定:用所述训练集进行训练,在所述测试集上计算误差,随着训练次数的增加,测试集的均方根误差值(RMSE值)下降,最终会在某个临界次数之后趋于收敛,所述临界次数即为所述最优训练次数。
所述最优训练包大小的确定:用所述训练集进行训练,在所述测试集上计算误差,所述训练包大小代表每一次输入训练的海杂波功率样本数,所述样本数按照2的次方进行设置,随着次方值的递增,得到不同的均方根误差值(RMSE值)以及训练时长;将所述均方根误差最小是对应的训练包大小作为最优训练包大小。
本发明的有益效果如下:
本发明充分利用深度学习中的LSTM算法,该算法运用自循环网络,通过增加输入门限,遗忘门限和输出门限,使得较远处的输出可以持续受到初始距离处参数的影响,该发明克服了传统神经网络模型在较远处预测结果精度不高的问题。
附图说明
图1示出本发明的一个实施例提出的一种用于水平距离上的雷达海杂波功率的预测方法的步骤图;
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明的一个实施例提出的一种用于水平距离上的雷达海杂波功率的预测方法;
如图1所示,所述方法包括:
S010:雷达海杂波功率的计算:为了建立雷达海杂波功率的数据训练集,首先需要对波导环境中的雷达海杂波功率进行建模和计算。
根据雷达基本理论,雷达海杂波功率Pc(r,M)表示为:
其中,r表示雷达接收天线与海面散射单元之间的距离、M表示大气折射率剖面结构、Pt表示发射功率、Gt是发射天线增益、λ表示电磁波波长、σ0为雷达散射系数、F(r,M)表示传播因子、L(r,M)表示传播损耗;
所述M代表的大气折射率剖面结构包括三种类型,每种大气折射率剖面结构对应不同的大气折射率求解公式;
其中传播因子F(r,M)与传播损耗L(r,M)具有如下关系:
其中,Ac表示雷达分辨单元的面积,可以由雷达接收天线与海面散射单元之间的距离r表示:
Ac=rθaz(cτ/2)secθ…………(3)
其中c表示光速、θaz表示天线方位向波束宽度、θ表示天线入射角、cτ的乘积为雷达的距离分辨率,为雷达的参数;
将公式(2)和(3)代入公式(1),即可得海杂波功率的计算公式:
其中,C为与发射功率Pt、发射天线增益Gt、电磁波波长λ、雷达的距离分辨率cτ和天线入射角θ有关的常数项,表示为:
雷达海杂波功率的计算公式用对数形式表示可得:
Pc(r,M)=-2L(r,M)+σ0+10log10(r)+C…………(6)
其中,传播损耗L(r,M)可以由大气波导环境的抛物方程模型求解,其中雷达散射系数σ0可以由NRL经验模型获得。
S020:建立基于LSTM的神经网络预测模型:为了对波导环境中雷达杂波功率进行水平距离上的预测,选择LSTM递归神经网络,所述神经网络是基于python语言环境下的tensorflow神经网络库构建的LSTM神经网络的基础模型。
S030:生成训练集:训练LSTM预测模型时,首先需要一个数据集作为基础。此处训练所用的数据集是根据公式(6)计算而来的一组波导环境中水平距离上多个点的雷达海杂波功率值;
在一个具体的实施例中,在距离雷达发射天线3km到200km的水平距离范围内,每隔100m选取一个海杂波功率的值,共1970个数据组成了输入数据集。
从所述海杂波数据集中选择前80%作为训练集,后20%(即160km-200km范围内采集的数据)作为测试集,并选择均方根误差函数(Root mean squared error,RMSE)作为评价函数,来对预测结果进行评估,所述均方根误差公式为:
其中predictedi表示第i次训练得到的海杂波预测值,reali代表第i次训练采点处的样本真实值。
S040:选择最优的训练次数:当输入的海杂波数据集完整地通过了LSTM网络一次并且返回了一次,这个过程就称为一次训练。随着训练次数的增加,测试集上的RMSE值不断下降,最终会在某个临界次数之后趋于收敛,即次数再增加,预测精度也不会提升,反而会导致训练时间增长。在一个具体的实施例中,在某个次数范围内,例如1~100次,以10为单位进行递增,用所述训练进行训练,用测试集计算均方根误差结果,记录每次训练得到的所述均方根误差结果,找到临界次数作为最优的训练次数。
S041:选择最优的训练包大小:训练包大小代表的是每一次输入训练的海杂波功率样本数,数据集会根据训练包大小,被分成多个训练包,分次输入网络,选择合适的训练包大小不仅可以提高内存利用率,还可以减少训练所需要的时间。用所述训练集进行训练,在所述测试集上计算误差,所述训练包大小代表每一次输入训练的海杂波功率样本数,所述样本数按照2的次方进行设置,随着次方值的递增,得到不同的均方根误差值(RMSE值)以及训练时长;将所述均方根误差最小是对应的训练包大小作为最优训练包大小。
S042:选择最优神经元数:增加神经元数量,可以使LSTM神经网络模型学习到更多的训练数据特征,从而更加精确地拟合海杂波功率之间的非线性关系,预测的结果也就更加精确。但过多的神经元数,也会导致过拟合现象的发生,导致预测模型的泛化能力很差,且增加训练时长。在一个具体的实施例中,神经元数为2的次方,从2的一次方开始,按照2的次方设置不同的神经元数对预测模型进行训练,记录步骤S030中的均方根误差结果,找到误差最小时对应的神经元数作为最优选择。
训练基于LSTM的海杂波功率预测模型:将S040-S042中得到的结果作为训练参数,按照训练参数建立LSTM神经网络模型,建立LSTM神经网络模型的算法按照所述最优训练包大小自动将训练集分为多包,并在每次训练时自动选择其中一包进行训练,对所述LSTM神经网络预测模型进行N次迭代训练,所述N为最优训练次数;完成训练的所述LSTM神经网络预测模型用于对预定距离内雷达海杂波功率的预测。
S050:判断上述训练后的LSTM神经网络预测模型的精确度,若测量得到的结果相对误差超过能接受的误差范围,则跳转至S040继续进行训练;训练好的LSTM神经网络用于在不同波导环境中对海面水平方向远距离处海杂波功率的预测。
本发明充分利用深度学习中的LSTM算法,该算法运用自循环网络,通过增加输入门限,遗忘门限和输出门限,使得较远处的输出可以持续受到初始距离处参数的影响,该发明克服了传统神经网络模型在较远处预测结果精度不高的问题。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种用于水平距离上的雷达海杂波功率的预测方法,其特征在于,所述方法包括:
S010:对波导环境中的雷达海杂波功率进行建模,得到所述雷达海杂波功率的表达式;
S020:建立LSTM神经网络基础模型;
S030:基于所述雷达海杂波功率的计算公式得到波导环境中水平距离上多个点的雷达海杂波功率值并建立训练集,所述训练集用于训练所述LSTM神经网络基础模型;
S040:通过均方根误差函数选择最优的训练次数、训练包大小和神经元数,作为训练参数进行模型的训练得到LSTM神经网络预测模型;
S050:判断所述S040中训练后的LSTM神经网络预测模型的精确度,若所述精确度未达标,则跳转至S040继续进行训练;所述LSTM神经网络预测模型用于对波导环境中预定距离范围内的雷达海杂波功率进行预测。
3.根据权利要求2所述的方法,其特征在于,
所述雷达海杂波功率的对数形式表达式为:
Pc(r,M)=-2L(r,M)+σ0+10log10(r)+C…………(3)
其中,传播损耗L(r,M)的值由大气波导环境的抛物方程模型获得,雷达散射系数σ0由NRL经验模型获得。
4.根据权利要求1所述的方法,其特征在于,
所述S020具体包括,构建LSTM神经网络基础模型,所述LSTM神经网络基础模型的建立基于python语言环境下的TensorFlow神经网络库。
5.根据权利要求1所述的方法,其特征在于,
所述训练集的采集:在所述波导环境中雷达发射天线周围的3-200km范围内,选取多个数据点,并分别将所述多个数据点的r和M值代入所述雷达海杂波功率的计算公式中,得到数据集。
6.根据权利要求5所述的方法,其特征在于,
所述数据集的80%作为训练集,剩余的20%作为测试集,并选择均方根误差函数(Rootmean squared error,RMSE)作为评价函数,用于对预测结果进行评估。
7.根据权利要求1所述的方法,其特征在于,
所述S040具体包括:建立LSTM神经网络模型的算法按照所述最优训练包大小自动将训练集分为多包,并在每次训练时自动选择其中一包进行训练,对所述LSTM神经网络预测模型进行N次迭代训练,所述N为最优训练次数;完成训练的所述LSTM神经网络预测模型用于对预定距离内雷达海杂波功率的预测。
8.根据权利要求1所述的方法,其特征在于,
所述最优训练次数的确定:用所述训练集进行训练,在所述测试集上计算误差,随着训练次数的增加,所述测试集的均方根误差值(RMSE值)下降,最终会在临界次数之后趋于收敛,所述临界次数即为所述最优训练次数。
9.根据权利要求1所述的方法,其特征在于,
所述最优训练包大小的确定:用所述训练集进行训练,在所述测试集上计算误差,所述训练包大小代表每一次输入训练的海杂波功率样本数,所述样本数按照2的次方进行设置,随着次方值的递增,得到不同的均方根误差值(RMSE值)以及训练时长;将所述均方根误差最小是对应的训练包大小作为最优训练包大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170963.6A CN112986940B (zh) | 2021-02-08 | 2021-02-08 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170963.6A CN112986940B (zh) | 2021-02-08 | 2021-02-08 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986940A true CN112986940A (zh) | 2021-06-18 |
CN112986940B CN112986940B (zh) | 2023-04-18 |
Family
ID=76349266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170963.6A Active CN112986940B (zh) | 2021-02-08 | 2021-02-08 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986940B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065607A (zh) * | 2021-10-19 | 2022-02-18 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291490A (zh) * | 2015-05-29 | 2017-01-04 | 中国人民解放军信息工程大学 | 一种用于反演表面波导的海杂波功率计算方法和装置 |
CN106772300A (zh) * | 2016-12-02 | 2017-05-31 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种微波超视距雷达回波图计算方法 |
CN108983177A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种参数最优的雷达海杂波预报系统及方法 |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
CA3067573A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Target tracking systems and methods for uuv |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
AU2020102461A4 (en) * | 2020-09-28 | 2020-11-12 | Jiang, Tianxin Miss | Method of Stock Yield Prediction Based on LSTM Mode |
-
2021
- 2021-02-08 CN CN202110170963.6A patent/CN112986940B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291490A (zh) * | 2015-05-29 | 2017-01-04 | 中国人民解放军信息工程大学 | 一种用于反演表面波导的海杂波功率计算方法和装置 |
CN106772300A (zh) * | 2016-12-02 | 2017-05-31 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种微波超视距雷达回波图计算方法 |
CN108983177A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种参数最优的雷达海杂波预报系统及方法 |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
CA3067573A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Target tracking systems and methods for uuv |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
AU2020102461A4 (en) * | 2020-09-28 | 2020-11-12 | Jiang, Tianxin Miss | Method of Stock Yield Prediction Based on LSTM Mode |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065607A (zh) * | 2021-10-19 | 2022-02-18 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112986940B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN110456355B (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
Gaidai et al. | Improving extreme offshore wind speed prediction by using deconvolution | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN112986940B (zh) | 一种用于水平距离上的雷达海杂波功率的预测方法 | |
CN115356702A (zh) | 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN112560342A (zh) | 一种基于dnn的大气波导参数估计方法 | |
CN111880159A (zh) | 一种基于lstm的雷达序列信号检测方法及系统 | |
CN114139566A (zh) | 基于机器学习加权平均融合特征提取提高测高精度的方法 | |
Ahuna et al. | Rainfall rate prediction based on artificial neural networks for rain fade mitigation over earth-satellite link | |
CN115097451A (zh) | 一种基于sar卫星数据的海浪多参数反演方法及系统 | |
CN114065607B (zh) | 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
Xia et al. | An empirical model of shape parameter of sea clutter based on X-band island-based radar database | |
Xue et al. | Shape Parameter Estimation of K-Distributed Sea Clutter Using Neural-Network and Multi-Sample-Percentile in Radar Industry | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
CN113687321B (zh) | 雷达目标探测距离评估方法和装置 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN113219466A (zh) | 海面的风速确定方法、装置、电子设备及存储介质 | |
CN113379151A (zh) | 基于Bagging-CNN-GRU的风速超短期预测方法 |
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 |