CN113189366B - 基于机器学习的星载gnss-r风向探测装置及方法 - Google Patents
基于机器学习的星载gnss-r风向探测装置及方法 Download PDFInfo
- Publication number
- CN113189366B CN113189366B CN202110494392.1A CN202110494392A CN113189366B CN 113189366 B CN113189366 B CN 113189366B CN 202110494392 A CN202110494392 A CN 202110494392A CN 113189366 B CN113189366 B CN 113189366B
- Authority
- CN
- China
- Prior art keywords
- wind direction
- data set
- data
- gnss
- ddm
- 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
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明提供了一种基于机器学习的星载GNSS‑R风向探测装置及方法,该发明科学合理、易于实现。本发明基于星载GNSS‑R探测仪的在轨特性,融合机器学习相关算法,提供了有效的风向要素探测方法及装置,从而可以解决星载GNSS‑R风向要素难以测量且难以测准的问题,且能优化星载GNSS‑R风向要素探测方法的复杂度,进而为提高星载GNSS‑R风向要素探测精度打下良好的基础。
Description
技术领域
本发明涉及一种基于机器学习的星载GNSS-R风向探测装置及方法。
背景技术
星载GNSS-R探测仪基于卫星导航系统反射信号技术(Global NavigationSatellite System-Reflectometry:GNSS-R),能够同时接收多颗GNSS卫星的信号,且其观测范围广,不受天气(云、雾)等影响,能够对反射面高度和风速等要素实现低成本、高时空分辨率全天候的实时观测。
现有的星载平台下GNSS-R可实现对于反射面高度和风速等要素的探测,而针对风向要素尚没有很好的探测方法,且风向难以测准。
发明内容
本发明的目的在于提供一种基于机器学习的星载GNSS-R风向探测装置及方法。
为解决上述问题,本发明提供一种基于机器学习的星载GNSS-R风向探测装置,包括:
包括:数据采集模块,数据筛选模块,数据预处理模块,辅助数据模块,机器学习模块,风向要素计算模块,其中,
所述数据采集模块,用于采集包括GNSS-R卫星的DDM数据,形成初始数据集,并将初始数据集传递到数据筛选模块;
所述数据筛选模块,用于筛选初始数据集数据中质量好于预设阈值的有效数据,将筛选后的数据形成有效数据集,并将有效数据集传递到数据预处理模块;
所述数据预处理模块,用于根据有效数据集中的DDM数据计算第一风向测量角和第二风向测量角,再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集,选取所述基础数据集的一部分形成第一基础数据集,将第一基础数据集传递给辅助数据模块和机器学习模块,将基础数据集的剩下部分形成第二基础数据集,将第二基础数据集传递给风向要素计算模块;
所述辅助数据模块,用于根据数据预处理模块传递的第一基础数据集,提取第一基础数据集中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集,并将辅助数据集传递给机器学习模块;
所述机器学习模块,用于根据数据预处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集,建立并训练机器学习模型,并将训练好的机器学习模型及相关模型参数传递给风向要素计算模块;
所述风向要素计算模块,用于根据数据预处理模块传递的第二基础数据集和机器学习模块传递的训练好的机器学习模型及相关模型参数,得到与数据预处理传递的第二基础数据集所对应的风向要素计算值。
进一步的,在上述装置中,所述初始数据集包括:GNSS-R卫星的DDM数据、GNSS-R卫星DDM数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、GNSS-R卫星的位置、GNSS-R卫星相对镜面反射点的仰角及方位角和信噪比数据。
进一步的,在上述装置中,所述质量好于预设阈值的有效数据,包括:数据相对的镜面反射点的测量时间和位置是正常值、GNSS-R卫星的位置是正常值、镜面反射点的仰角/方位角是正常值、信噪比数据大于预设第一阈值、GNSS-R卫星相对镜面反射点的仰角大于预设第二阈值和镜面反射点时空对应的风速大于预设第三阈值。
进一步的,在上述装置中,所述第一风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,射线OM1和DDM图X轴的夹角为第一风向测量角。
进一步的,在上述装置中,所述第二风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,选取功率幅度值在最大功率幅度的30%-70%之间的区域的质心为M2点,射线OM1和射线M1M2的夹角为第二风向测量角。
进一步的,在上述装置中,所述基础数据集包括:镜面反射点的测量时间和位置、镜面反射点时空对应的风速、GNSS-R卫星相对镜面反射点的仰角/方位角、第一风向测量角和第二风向测量角。
进一步的,在上述装置中,所述风向要素真值为:根据包括欧洲天气数值预报中心研发的风向数据集,选取风向数据集中与镜面反射点时空对应数据作为风向要素真值。
进一步的,在上述装置中,所述机器学习模型为选用支持向量机或是支持向量回归模型。
根据本发明的另一方面,还提供一种基于机器学习的星载GNSS-R风向探测方法,包括:
步骤1、基于星载GNSS-R风向要素探测系统,采集包括GNSS-R卫星的DDM数据,形成初始数据集;
步骤2、基于初始数据集,筛选初始数据集中数据质量大于预设阈值的有效数据,形成有效数据集;
步骤3、基于所述有效数据集中的DDM数据,计算第一风向测量角和第二风向测量角,再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集;
步骤4、筛选预设比例的基础数据集中的数据形成第一基础数据集,剩下的基础数据集形成第二基础数据集;
步骤5、基于第一基础数据集,提取第一基础数据集中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集;
步骤6、基于第一基础数据集和辅助数据集,建立并训练机器学习模型;
步骤7、基于训练好的机器学习模型及相关模型参数,计算第二基础数据集所对应的风向要素计算值。
与现有技术相比,与现有技术相比,本发明的基于机器学习的星载GNSS-R风向探测装置及方法科学合理、易于实现。本发明基于星载GNSS-R探测仪的在轨特性,融合机器学习相关算法,提供了有效的风向要素探测方法及装置,可以很便捷的计算风向要素,为提高GNSS-R反射面的风向要素探测精度打下良好的基础。
附图说明
图1是本发明一实施例的基于机器学习的星载GNSS-R风向探测装置的示意图。
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,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于机器学习的星载GNSS-R风向探测装置,包括:数据采集模块,数据筛选模块,数据预处理模块,辅助数据模块,机器学习模块,风向要素计算模块,其中,
所述数据采集模块,用于采集GNSS-R卫星的时延多普勒图(DDM)等相关数据,形成初始数据集,并将初始数据集传递到数据筛选模块;
所述数据筛选模块,用于筛选初始数据集数据中质量好于预设阈值的有效数据,将筛选后的数据形成有效数据集,并将有效数据集传递到数据预处理模块;
所述数据预处理模块,用于根据有效数据集中的DDM数据计算第一风向测量角(σ1)和第二风向测量角(σ2),再将有效数据集中的部分数据、第一风向测量角(σ1)和第二风向测量角(σ2)合成基础数据集,选取所述基础数据集的一部分(可选20%的基础数据集)形成第一基础数据集d1,将第一基础数据集d1传递给辅助数据模块和机器学习模块,将基础数据集的剩下部分(选取后剩下的基础数据集)形成第二基础数据集d2,将第二基础数据集d2传递给风向要素计算模块;
所述辅助数据模块,用于根据数据预处理模块传递的第一基础数据集d1,提取第一基础数据集d1中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集,并将辅助数据集传递给机器学习模块;
所述机器学习模块,用于根据数据预处理模块传递的第一基础数据集d1和辅助数据模块传递的辅助数据集,建立并训练机器学习模型,并将训练好的机器学习模型及相关模型参数传递给风向要素计算模块;
所述风向要素计算模块,用于根据数据预处理模块传递的第二基础数据集d2和机器学习模块传递的训练好的机器学习模型及相关模型参数,得到与数据预处理传递的第二基础数据集d2所对应的风向要素计算值。
在此,本发明的目的在于提供一种基于机器学习的星载GNSS-R风向探测装置及方法,科学合理、易于实现。
该发明科学合理、易于实现。本发明基于星载GNSS-R探测仪的在轨特性,融合机器学习相关算法,提供了有效的风向要素探测方法及装置,从而可以解决星载GNSS-R风向要素难以测量且难以测准的问题,且能优化星载GNSS-R风向要素探测方法的复杂度,进而为提高星载GNSS-R风向要素探测精度打下良好的基础。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述初始数据集包括:GNSS-R卫星时延多普勒图(DDM)数据、GNSS-R卫星DDM数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、GNSS-R卫星的位置、GNSS-R卫星相对镜面反射点的仰角/方位角和信噪比数据(SNR)等。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述质量好于预设阈值的有效数据,包括:数据相对的镜面反射点的测量时间和位置是正常值、GNSS-R卫星的位置是正常值、镜面反射点的仰角/方位角是正常值、信噪比数据(SNR)大于预设第一阈值、GNSS-R卫星相对镜面反射点的仰角大于预设第二阈值和镜面反射点时空对应的风速大于预设第三阈值等。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述第一风向测量角(σ1)为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,射线OM1和DDM图X轴(时延维度轴)的夹角为第一风向测量角(σ1)。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述第二风向测量角(σ2)为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,选取功率幅度值在最大功率幅度的30%-70%之间的区域的质心为M2点,射线OM1和射线M1M2的夹角为第二风向测量角(σ2)。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述基础数据集包括:镜面反射点的测量时间和位置、镜面反射点时空对应的风速、GNSS-R卫星相对镜面反射点的仰角/方位角、第一风向测量角(σ1)和第二风向测量角(σ2)。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述风向要素真值为:根据包括欧洲天气数值预报中心(ECMWF)研发的风向数据集,选取风向数据集中与镜面反射点时空对应数据作为风向要素真值。
本发明的基于机器学习的星载GNSS-R风向探测装置一实施例中,所述机器学习模型为选用如支持向量机(SVM)或是支持向量回归(SVR)模型等机器学习模块。
根据本发明的另一方面,还提供一种基于机器学习的星载GNSS-R风向探测方法,包括:
步骤1、基于星载GNSS-R风向要素探测系统,采集包括GNSS-R卫星的时延多普勒图(DDM)的相关数据,形成初始数据集;
步骤2、基于初始数据集,筛选初始数据集中数据质量大于预设阈值的有效数据,形成有效数据集;
步骤3、基于所述有效数据集中的DDM数据,计算第一风向测量角(σ1)和第二风向测量角(σ2),再将有效数据集中的部分数据、第一风向测量角(σ1)和第二风向测量角(σ2)合成基础数据集;
步骤4、筛选预设比例(可为20%)的基础数据集中的数据形成第一基础数据集d1,剩下的基础数据集形成第二基础数据集d2;
步骤5、基于第一基础数据集d1,提取第一基础数据集d1中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集;
步骤6、基于第一基础数据集d1和辅助数据集,建立并训练机器学习模型;
步骤7、基于训练好的机器学习模型及相关模型参数,计算第二基础数据集d2所对应的风向要素计算值。
与现有技术相比,本发明的基于机器学习的星载GNSS-R风向探测装置及方法科学合理、易于实现。本发明基于星载GNSS-R探测仪的在轨特性,融合机器学习相关算法,提供了有效的风向要素探测方法及装置,可以很便捷的计算风向要素,为提高GNSS-R反射面的风向要素探测精度打下良好的基础。
综上所述,本发明提出了一种基于机器学习的星载GNSS-R风向探测方法。该方法基于星载GNSS-R探测仪的在轨特性,融合机器学习相关算法,提供了有效的星载GNSS-R风向探测方法,解决星载GNSS-R风向要素难以测量且难以测准的问题,可以优化星载GNSS-R风向探测方法的复杂度,为提高星载GNSS-R风向要素探测精度打下良好的基础。本发明的装置科学合理、易于实现。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种基于机器学习的星载GNSS-R风向探测装置,其特征在于,包括:数据采集模块,数据筛选模块,数据预处理模块,辅助数据模块,机器学习模块,风向要素计算模块,其中,
所述数据采集模块,用于采集包括GNSS-R卫星的DDM数据,形成初始数据集,并将初始数据集传递到数据筛选模块,其中,所述初始数据集包括:GNSS-R卫星的DDM数据、GNSS-R卫星DDM数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、GNSS-R卫星的位置、GNSS-R卫星相对镜面反射点的仰角及方位角和信噪比数据;
所述数据筛选模块,用于筛选初始数据集数据中质量好于预设阈值的有效数据,将筛选后的数据形成有效数据集,并将有效数据集传递到数据预处理模块;
所述数据预处理模块,用于根据有效数据集中的DDM数据计算第一风向测量角和第二风向测量角,再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集,选取所述基础数据集的一部分形成第一基础数据集,将第一基础数据集传递给辅助数据模块和机器学习模块,将基础数据集的剩下部分形成第二基础数据集,将第二基础数据集传递给风向要素计算模块,其中,所述第一风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,射线OM1和DDM图X轴的夹角为第一风向测量角;所述第二风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,选取功率幅度值在最大功率幅度的30%-70%之间的区域的质心为M2点,射线OM1和射线M1M2的夹角为第二风向测量角;
所述辅助数据模块,用于根据数据预处理模块传递的第一基础数据集,提取第一基础数据集中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集,并将辅助数据集传递给机器学习模块;
所述机器学习模块,用于根据数据预处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集,建立并训练机器学习模型,并将训练好的机器学习模型及相关模型参数传递给风向要素计算模块;
所述风向要素计算模块,用于根据数据预处理模块传递的第二基础数据集和机器学习模块传递的训练好的机器学习模型及相关模型参数,得到与数据预处理传递的第二基础数据集所对应的风向要素计算值。
2.如权利要求1所述的基于机器学习的星载GNSS-R风向探测装置,其特征在于,所述质量好于预设阈值的有效数据,包括:数据相对的镜面反射点的测量时间和位置是正常值、GNSS-R卫星的位置是正常值、镜面反射点的仰角/方位角是正常值、信噪比数据大于预设第一阈值、GNSS-R卫星相对镜面反射点的仰角大于预设第二阈值和镜面反射点时空对应的风速大于预设第三阈值。
3.如权利要求1所述的基于机器学习的星载GNSS-R风向探测装置,其特征在于,所述基础数据集包括:镜面反射点的测量时间和位置、镜面反射点时空对应的风速、GNSS-R卫星相对镜面反射点的仰角/方位角、第一风向测量角和第二风向测量角。
4.如权利要求1所述的基于机器学习的星载GNSS-R风向探测装置,其特征在于,所述风向要素真值为:根据包括欧洲天气数值预报中心研发的风向数据集,选取风向数据集中与镜面反射点时空对应数据作为风向要素真值。
5.如权利要求1所述的基于机器学习的星载GNSS-R风向探测装置,其特征在于,所述机器学习模型为选用支持向量机或是支持向量回归模型。
6.一种基于机器学习的星载GNSS-R风向探测方法,其特征在于,包括:
步骤1、基于星载GNSS-R风向要素探测系统,采集包括GNSS-R卫星的DDM数据,形成初始数据集;
步骤2、基于初始数据集,筛选初始数据集中数据质量大于预设阈值的有效数据,形成有效数据集,其中,所述初始数据集包括:GNSS-R卫星的DDM数据、GNSS-R卫星DDM数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、GNSS-R卫星的位置、GNSS-R卫星相对镜面反射点的仰角及方位角和信噪比数据;
步骤3、基于所述有效数据集中的DDM数据,计算第一风向测量角和第二风向测量角,再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集,其中,所述第一风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,射线OM1和DDM图X轴的夹角为第一风向测量角;所述第二风向测量角为:以DDM数据的镜面反射点在DDM上的对应点为O点,DDM所有区域对应的质心为M1点,选取功率幅度值在最大功率幅度的30%-70%之间的区域的质心为M2点,射线OM1和射线M1M2的夹角为第二风向测量角;
步骤4、筛选预设比例的基础数据集中的数据形成第一基础数据集,剩下的基础数据集形成第二基础数据集;
步骤5、基于第一基础数据集,提取第一基础数据集中的镜面反射点的测量时间和位置,计算与镜面反射点的测量时间和位置相匹配的风向要素真值,形成包含风向要素真值的辅助数据集;
步骤6、基于第一基础数据集和辅助数据集,建立并训练机器学习模型;
步骤7、基于训练好的机器学习模型及相关模型参数,计算第二基础数据集所对应的风向要素计算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494392.1A CN113189366B (zh) | 2021-05-06 | 2021-05-06 | 基于机器学习的星载gnss-r风向探测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494392.1A CN113189366B (zh) | 2021-05-06 | 2021-05-06 | 基于机器学习的星载gnss-r风向探测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113189366A CN113189366A (zh) | 2021-07-30 |
CN113189366B true CN113189366B (zh) | 2022-08-12 |
Family
ID=76984004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494392.1A Active CN113189366B (zh) | 2021-05-06 | 2021-05-06 | 基于机器学习的星载gnss-r风向探测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113189366B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865581A (zh) * | 2015-03-19 | 2015-08-26 | 中国科学院空间科学与应用研究中心 | 一种基于gnss-r技术的河流流速测量方法与系统 |
CN105204022A (zh) * | 2014-10-22 | 2015-12-30 | 航天恒星科技有限公司 | 海面风场的反演方法及装置 |
CN105301622A (zh) * | 2015-11-02 | 2016-02-03 | 北京航大泰科信息技术有限公司 | 一种基于导航卫星反射信号的风速探测装置 |
CN109901197A (zh) * | 2019-03-08 | 2019-06-18 | 大连海事大学 | 一种基于船载gnss-r的船舶航行环境信息采集及冗余控制系统 |
CN110824510A (zh) * | 2019-10-17 | 2020-02-21 | 中国空间技术研究院 | 一种提高gnss-r测高卫星接收海面反射信号数量的方法 |
WO2020045120A1 (ja) * | 2018-08-27 | 2020-03-05 | ソニーセミコンダクタソリューションズ株式会社 | 風速計測装置、および風速計測方法、並びにプログラム |
JP2020173138A (ja) * | 2019-04-09 | 2020-10-22 | 国立大学法人秋田大学 | 風向風速計測方法及び風向風速計測システム |
CN112231979A (zh) * | 2020-10-16 | 2021-01-15 | 中国船舶重工集团海装风电股份有限公司 | 基于计算流体力学和机器学习的山区瞬时风况预报方法 |
-
2021
- 2021-05-06 CN CN202110494392.1A patent/CN113189366B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204022A (zh) * | 2014-10-22 | 2015-12-30 | 航天恒星科技有限公司 | 海面风场的反演方法及装置 |
CN104865581A (zh) * | 2015-03-19 | 2015-08-26 | 中国科学院空间科学与应用研究中心 | 一种基于gnss-r技术的河流流速测量方法与系统 |
CN105301622A (zh) * | 2015-11-02 | 2016-02-03 | 北京航大泰科信息技术有限公司 | 一种基于导航卫星反射信号的风速探测装置 |
WO2020045120A1 (ja) * | 2018-08-27 | 2020-03-05 | ソニーセミコンダクタソリューションズ株式会社 | 風速計測装置、および風速計測方法、並びにプログラム |
CN109901197A (zh) * | 2019-03-08 | 2019-06-18 | 大连海事大学 | 一种基于船载gnss-r的船舶航行环境信息采集及冗余控制系统 |
JP2020173138A (ja) * | 2019-04-09 | 2020-10-22 | 国立大学法人秋田大学 | 風向風速計測方法及び風向風速計測システム |
CN110824510A (zh) * | 2019-10-17 | 2020-02-21 | 中国空间技术研究院 | 一种提高gnss-r测高卫星接收海面反射信号数量的方法 |
CN112231979A (zh) * | 2020-10-16 | 2021-01-15 | 中国船舶重工集团海装风电股份有限公司 | 基于计算流体力学和机器学习的山区瞬时风况预报方法 |
Non-Patent Citations (4)
Title |
---|
《GNSS-R海洋遥感监测技术综述》;李颖等;《海洋通报》;20150430;第34卷(第2期);第121-129页 * |
《Using DDM asymmetry metrics for wind direction retrieval from GPS ocean-scattered signals in airborne experiments》;Valencia E等;《IEEE Transactions on Geoscience and Remote Sensing》;20130731;第3924-3936页 * |
《Wind direction retrieval using spaceborne GNSS-R in nonspecular geometry》;Zhang G等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20200206;第649-658页 * |
《一种星载GNSS-R海面风向反演方法》;高涵等;《宇航学报》;20201130;第41卷(第11期);第1473-1480页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113189366A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7081046B2 (ja) | レーダセンサにおける角度測定誤差を検出する方法 | |
US8482453B2 (en) | Identification and analysis of persistent scatterers in series of SAR images | |
US8717226B2 (en) | Method for processing signals of an airborne radar with correction of the error in the radar beam pointing angle and corresponding device | |
CN112904384B (zh) | 基于机器学习的星载gnss-r高度要素探测装置及方法 | |
US7446705B1 (en) | Method and apparatus for determining parameters for a parametric expression characterizing the phase of an acquired signal | |
CN106370435A (zh) | 道路谱采集系统、车辆和道路谱采集方法 | |
US20030210180A1 (en) | Methods and apparatus for terrain correlation | |
CN102141611B (zh) | 斜视合成孔径雷达多普勒模糊数快速测定方法 | |
KR101784178B1 (ko) | 해양변위 관측용 산란계 시스템 | |
CN114200387B (zh) | 一种tacan空间信号场型的飞行校验评估方法 | |
CN106199631A (zh) | 相干测风雷达风速测量方法 | |
CN102967853B (zh) | 雷达散射截面测试场背景信号获取方法 | |
CN116499671B (zh) | 基于毫米波雷达的桥梁挠度监测方法、装置及存储介质 | |
CN114035205A (zh) | Gnss-r海面测高精度与沿轨空间分辨率重构方法和系统 | |
CN113189366B (zh) | 基于机器学习的星载gnss-r风向探测装置及方法 | |
US6982668B1 (en) | Tangential velocity measurement using interferometric MTI radar | |
CN109977499A (zh) | 基于位置约束的北斗三频/静力水准仪斜拉桥监测方法 | |
CN114966690A (zh) | 一种gnss-r sar双星融合成像方法及系统 | |
US8138962B2 (en) | Method for processing measured vertical profiles of the power of the echoes returned following a transmission of radar signals | |
CN114167419A (zh) | 一种结合卫星遥感图像与河流计数据的河宽提取的方法 | |
CN113625241A (zh) | 差异沉降监控预警方法 | |
CN113031013A (zh) | 一种星载gnss-r海冰边界探测方法及系统 | |
CN112763998A (zh) | 用于确定雷达目标列表的设备、传感器系统及方法 | |
US5198820A (en) | Calibrating satellite altimetry measurements of geoidal height | |
CN113703008B (zh) | 基于相干积分时间优化模型提高海面测高精度的方法 |
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 |