CN113625283A - 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 - Google Patents
基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 Download PDFInfo
- Publication number
- CN113625283A CN113625283A CN202110855799.2A CN202110855799A CN113625283A CN 113625283 A CN113625283 A CN 113625283A CN 202110855799 A CN202110855799 A CN 202110855799A CN 113625283 A CN113625283 A CN 113625283A
- Authority
- CN
- China
- Prior art keywords
- polarization
- training
- size
- data
- neural network
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 239000000017 hydrogel Substances 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000010287 polarization Effects 0.000 claims abstract description 69
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 18
- 230000010363 phase shift Effects 0.000 claims description 13
- 239000013078 crystal Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009833 condensation Methods 0.000 description 6
- 230000005494 condensation Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G01S13/958—Theoretical aspects
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- 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
- G01S7/418—Theoretical aspects
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,包括:S1、选取大量双极化气象雷达观测资料及NOAA水凝物粒子分类结果,制作水凝物粒子数据集;S2、在Pytorch框架下搭建残差卷积神经网络模型;S3、将水凝物粒子数据集输入残差卷积神经网络中进行训练,提取训练集中水凝物粒子特征;每次训练集一次训练完成后,利用验证集对模型进行验证,循环训练预设次数后得到训练模型;S4、对训练模型利用测试集进行测试,并用实测数据进行识别。本发明方法使得雷达极化信息得以充分提取、相邻雷达距离门的信息相互影响,对不同相态的水凝物粒子的识别更加智能,识别准确度更高,可有效预防灾害性天气的发生。
Description
技术领域
本发明涉及雷达信号处理技术,特别是涉及一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法。
背景技术
天有不测风云这句话通常用来形容不稳定的大气现象。灾害性天气对于人们的生产生活会造成很大影响,不仅会限制出行,还会使得财产遭受巨大损失。气象雷达的出现为探测、预报恶劣天气情况提供了可能。但早期的单极化气象雷达对于灾害性天气的探测只能通过计算判断其反射率因子的大小由经验做出决策,无法获取更多气象云团的内部信息。而双极化气象雷达由于可以同时发射水平、垂直两个方向上的电磁波,能够得到目标回波的极化信息。即除了反射率因子、谱宽、多普勒速度外还能额外计算得到差分反射率、差分相移、相关系数、线性退极化比等极化参数。这些极化参数对水凝物粒子的形状、大小、空间取向、相态和降落状态等极其敏感,通过分析这些极化变量所含的极化信息可以有效的识别水凝物粒子。已有的双极化气象雷达研究成果大多利用模糊逻辑法进行水凝物粒子相态的识别,其方法虽然简单,但是没有考虑到气象目标是成片出现这一现实因素。其相邻雷达距离门之间的粒子信息没能很好的相互关联,并且仅利用单个雷达门极化信息没能有效利用大量的极化信息。
发明内容
发明目的:本发明的目的是提供一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,通过数据分块并利用残差卷积神经网络这一特征提取器,将雷达回波极化参数中所蕴含的大量气象信息智能的提取出来,实现了相邻雷达距离门之间粒子信息的有效关联,进而可提升水凝物粒子的识别精度。
技术方案:本发明的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,包括以下步骤:
S1、选取大量双极化气象雷达观测资料以及NOAA(National Oceanic andatmospheric Administration)水凝物粒子分类结果,利用双极化气象雷达实测数据进行水凝物粒子数据集制作,包括:
从双极化气象雷达实测数据中选取非晴空天气状态下反射率因子Zh、差分反射率Zdr、相关系数ρhv、差分相移率Kdp四个极化参数对其预处理;
将极化参数组成四通道的三维阵列,并将三维极化参数矩阵与NOAA水凝物粒子分类结果分割成小的矩阵块并依据NOAA水凝物粒子分类结果挑选有效数据生成水凝物粒子数据集;
将生成的水凝物粒子数据集分为训练集,验证集和测试集,并对训练集、验证集、测试集进行标准化处理,其中,训练集和验证集用于模型训练,当模型训练完成之后,利用测试集对模型测试;
S2、在Pytorch框架下搭建残差卷积神经网络模型;
S3、将步骤S1得到的水凝物粒子数据集送到S2步骤所搭建的残差卷积神经网络中进行训练,提取训练集中水凝物粒子特征;每次训练集一次训练完成后,利用验证集对模型进行验证,总共循环训练预设次数后得到训练模型;
S4、对步骤S3得到的训练模型利用测试集进行测试,并用实测数据进行识别。
进一步的,步骤S1中对极化参数进行预处理的方法为:对反射率因子进行方位向与距离向的校正,使其与差分反射率、相关系数和差分相移率大小相等;具体为:
将大小为m1×n反射率因子数据,首先沿距离向将原始数据扩充d1次后变为(m1×d1)×n,再按照每d2个距离门抽取一个距离门的方法得到大小(m1×d1)/d2×n与其余极化参数相同的矩阵,其中m1为反射率因子在距离向采样点个数,n为反射率因子在方位向采样点个数;
然后对反射率因子的方位角进行校正,使反射率因子起始方位角与其余极化参数起始方位角相同,校正公式如下:
Zh′={Zh[1200,(az1-az2):360],Zh[1200,0:(az1-az2)]};
其中,Zh′为校正后的反射率因子,Zh为校正前的反射率因子,az1为相关系数的起始方位角,az2为反射率因子的起始方位角;{}为拼接运算符。
进一步的,步骤S1中数据集制作的具体方法为:
将四个极化参数沿方位向和距离向依次取m∈(12,40)个单元,构成4×m×m的小矩阵块,同时将NOAA水凝物粒子分类结果也剪裁为m×m的矩阵块作为标签待用;由于雷达的稀疏特性,导致雷达数据块中存在无效值;为了保证模型能够有足够的极化信息用于学习,采用了滤波器,设定大小为m×m的NOAA水凝物粒子分类结果中必须含有数量为m×m×5%个雷达门为有效值,并且为了减少输入数据中的噪声存在,按照投票原则,假定类别最多的水凝物粒子个数大于m×m×5%×50%,则将此类水凝物粒子作为三维矩阵块的标签;将满足条件的矩阵块作为数据集,不满足条件的舍弃;然后等量挑选冰晶、干雪、小中雨、大滴四种粒子。
进一步的,步骤S1中训练集、验证集、测试集的标准化公式如下:
其中,yi为标准化之后输出的极化参数矩阵;xi为输入的极化参数矩阵;mean为数据集中所有极化参数矩阵的均值;std为数据集中所有极化参数构成矩阵的方差。
进一步的,步骤S2中搭建的残差卷积神经网络模型包括输入输出层、一层卷积层、四个残差网络模块RNM、一层全连接层和一个Softmax分类器;
提取训练集中的水凝物粒子特征的方法为:
输入大小为4×m×m数据后,数据首先通过卷积核大小为3×3,步长为1,填充为1的卷积层,输出大小为16×c1×c1的特征图,使用Relu激活函数后进行最大池化,池化核尺寸为3×3,步长为1,填充为1,输出特征图尺寸不变仍为16×c1×c1;其中,c1为第一层卷积层输出的特征图尺寸,m为分割后矩阵快的大小,也即单元数;
其中Relu函数如下式:
其中,f(x)是Relu取最大值的函数,当输入为负值,输出为0,则神经元不会被激活,x为输入的特征图;
特征图尺寸大小计算公式如下式:
其中,c为输出特征图尺寸,λ为输入特征图尺寸,p为填充尺寸,a为卷积核长,s为卷积核每次移动的步长;
然后,经过第一个残差网络模块,残差模块中共包含两个三层卷积层,分别为1×1、3×3、1×1的卷积层后,输出特征图尺寸大小为16×c2×c2,其中c2为第一个残差网络模块输出的特征图尺寸;
再分别通过第二、三、四个残差模块,输出特征图尺寸大小分别为32×c3×c3、64×c4×c4、128×c5×c5,最后经过平均池化,得到128个大小为1×1的水凝物粒子特征,其中c3、c4、c5分别为第二、三、四个残差网络模块输出的特征图尺寸。
进一步的,步骤S3中使用随机梯度下降法对残差卷积神经网络模型进行训练,由于输入数据为4×m×m的矩阵,数据量较少,因此对超参数的设置为,将批次大小设置256,增加每次输入的数据量;循环迭代训练次数600;并采用动态学习率,学习率初始为0.1,当学习停滞时,学习率降低到原来的0.5倍;设置动量为0.9,权值衰减1e-3。
进一步的,首先,步骤S4中将标准化后的测试集输入训练好的残差卷积神经网络模型,输出测试结果;其次,为了验证模型对于新采集观测资料的性能,选取某一时刻的雷达观测数据,按照步骤S1的方法将其分割后,利用步骤S3所得模型进行识别,并将识别结果与标签对比,得到识别结果。
本发明方法首先利用双极化气象雷达实测数据进行水凝物粒子数据集制作,使其能够适应所提出的残差卷积神经网络对数据集的要求。接着通过调整模型中卷积核尺寸、全连接层神经元个数、输入批次大小、优化器及学习率等,提高模型训练精度,增强对水凝物粒子特征的提取度。然后对模型进行训练,得到了训练集识别精度高达96.0%的残差网络模型。最后利用KTLX雷达实测数据对该模型进行了充分测试,可识别出冰晶、干雪、小中雨、大滴四种常见的水凝物粒子,测试集识别正确率可达95.1%。本发明提出的基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,使得雷达极化信息得以充分提取、相邻雷达距离门的信息相互影响,对不同相态的水凝物粒子的识别更加智能,识别准确度更高,可有效预防灾害性天气的发生。
有益效果:与现有技术相比,利用本发明提出残差卷积神经网络对双极化气象雷达水凝物粒子相态识别,可以有效利用大量丰富的雷达观测资料,充分挖掘这些回波数据中所蕴含的极化信息。并且残差卷积神经网络可以自动提取层次化的特征,以端到端的方式完成分类,可以提供一个鲁棒性和准确性高的水凝物分类结果。将极化参数以矩阵块的形式进行分割训练,可以提高相邻气象单元之间的联系,实现了相邻雷达距离门之间粒子信息的有效关联,显著改善了传统模糊逻辑识别水凝物粒子相态方法的误分类。
附图说明
图1为本发明方法流程图;
图2为数据集制作流程图;
图3为残差卷积神经网络结构示意图;
图4为残差网络模块结构示意图;
图5中(a)为提出的残差卷积神经网络模型训练精度图,(b)为损失图;
图6为测试的极化参数图;(a)为反射率因子,(b)为差分反射率,(c)为相关系数,(d)为差分相移率;
图7为提出的残差网络识别结果图;
图8为原始识别标签图;
图9为模糊逻辑方法识别结果图。
具体实施方式
下面结合附图和具体实施例对发明进行详细说明。
如图1所示,本发明的基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,包括以下步骤:
S1、选取大量双极化气象雷达观测资料以及NOAA(National Oceanic andatmospheric Administration)水凝物粒子分类结果,利用双极化气象雷达实测数据进行水凝物粒子数据集制作;
首先,选取大量双极化气象雷达实测数据,并从中选取非晴空天气状态下反射率因子Zh、差分反射率Zdr、相关系数ρhv、差分相移率Kdp四个极化参数对其预处理;对极化参数进行预处理的方法为:对反射率因子进行方位向与距离向的校正,使其与差分反射率、相关系数和差分相移率大小相等;具体为:将大小为m1×n反射率因子数据,首先沿距离向将原始数据扩充d1次后变为(m1×d1)×n,再按照每d2个距离门抽取一个距离门的方法得到大小(m1×d1)/d2×n与其余极化参数相同的矩阵,其中m1为反射率因子在距离向采样点个数,n为反射率因子在方位向采样点个数。
对反射率因子的方位角进行校正,使反射率因子起始方位角与其余极化参数起始方位角相同,校正公式如下:
Zh′={Zh[1200,(az1-az2):360],Zh[1200,0:(az1-az2)]};
其中,Zh′为校正后的反射率因子,Zh为校正前的反射率因子,az1为相关系数的起始方位角,az2为反射率因子的起始方位角;{}为拼接运算符。
本发明实施例中,挑选俄克拉荷马州2019年全年的KTLX双极化气象雷达level-III观测数据,从下载好的压缩文件中提取雷达仰角为0.5°的各极化参数及分类结果数据:N0Q、N0X、N0C、N0K、N0H文件。这些数据文件分别对应反射率因子Zh、差分反射率Zdr、相关系数ρhv、差分相移率Kdp、NOAA水凝物粒子相态分类结果。其中,反射率因子为460×360的二维矩阵,其余极化参数(差分反射率Zdr、相关系数ρhv、差分相移率Kdp)均为1200×360的二维矩阵。
由于反射率因子矩阵大小小于其余极化参数,因此需要对反射率因子进行方位向与距离向的校正,使其与其余极化参数大小相等;即在进行矩阵分割前首先对极化参数进行预处理。将大小为460×360反射率因子数据,首先沿距离向将原始数据扩充60次后变为27600×360,再按照每23个距离门抽取一个距离门的方法得到大小1200×360的反射率因子矩阵。
由于实测数据中反射率因子的起始方位角为α与其余极化参数的起始方位角β(α<β)不同,需要对其进行方位角校正,使反射率因子起始方位角与其余极化参数起始方位角相同;按上述校正公式进行方位角拼接,将反射率因子前β-α方位向拼接到最后,使得反射率因子的起始方位角与其余极化参数的起始方位角所对应。
其次,将极化参数组成四通道的三维阵列,并将三维极化参数矩阵分割成小的矩阵块并挑选有效数据生成水凝物粒子数据集;具体方法为:将四个极化参数沿方位向和距离向依次取m∈(12,40)个单元,构成4×m×m的小矩阵块,同时将NOAA水凝物粒子分类结果也剪裁为m×m的矩阵块作为标签待用;由于雷达的稀疏特性,导致雷达数据块中存在无效值(气象回波不存在时);为了保证模型能够有足够的极化信息用于学习,本实施例采用了滤波器,设定大小为m×m的NOAA水凝物粒子分类结果中必须含有数量为m×m×5%个雷达门为有效值,并且为了减少输入数据中的噪声存在,按照投票原则,假定类别最多的水凝物粒子个数大于m×m×5%×50%,则将此类水凝物粒子作为三维矩阵块的标签;将满足条件的矩阵块作为数据集,不满足条件的舍弃;然后等量挑选最常见的几种水凝物粒子:冰晶、干雪、小中雨、大滴四种粒子。
然后,本发明制作数据集时,使每种水凝物粒子的类别的数量尽量相同,减少因为样本不平衡出现的训练误差。然后将数据集分为训练集,验证集和测试集,训练集和验证集用于模型训练,测试集用于在模型训练完成后测试模型的质量;然后求得数据集中反射率因子、差分反射率、相关系数、差分相移率的平均值和标准差,并对训练集、验证集、测试集进行标准化处理后进行模型训练和测试,其标准化公式如下:
其中,yi为标准化之后输出的极化参数矩阵;xi为输入的极化参数矩阵;mean为数据集中所有极化参数矩阵的均值;std为数据集中所有极化参数构成矩阵的方差。
本实施例中,对极化参数以及NOAA所给出的水凝物粒子分类结果进行矩阵分割制作数据集;经过测试,在分割时取m=30时分类精度最高,因此将四个极化参数与NOAA水凝物粒子分类结果均分割为30×30的矩阵并分别存为.csv文件。
本实施例仅研究俄克拉荷马地区常见的四类水凝物粒子:冰晶、干雪、大滴、小中雨,其余出现在分类结果中的不常见水凝物粒子均被替换为空值不做讨论。在利用分割好的大小为30×30的NOAA水凝物粒子分类结果对极化参数打标签时,由于雷达探测在气象回波不存在时表现为缺失或无效值,此为雷达回波数据的稀疏特性,因此本发明将大小为30×30的水凝物粒子分类结果有效值个数小于45的矩阵块舍弃,并且为了保证输入数据含有尽可能少的噪声,本发明在对小矩阵块打标签时,采取投票原则,规定由30×30的水凝物粒子分类结果中,类别占比达到一半以上即至少含有22个雷达门的类别作为矩阵块的标签,若不满足则舍弃,其流程如图2所示。
在数据集制作中,选择各类水凝物粒子数量为:冰晶10000组、干雪10000组、小中雨10000组、大滴10000组。每组中含有反射率因子、差分反射率、相关系数、差分相移率4个30×30的矩阵。接下来,将四个极化参数矩阵合并为一个120×30的矩阵并存于.csv文件,按照不同的水凝物粒子类别将其分别存放在冰晶、小中雨、干雪、大滴四个文件夹中。最后,将文件夹中的数据按照80%、10%、10%划分为训练集,验证集,测试集。
S2、在Pytorch框架下搭建残差卷积神经网络模型;
搭建的残差卷积神经网络模型包括输入输出层、一层卷积层、四个残差网络模块RNM、一层全连接层和一个Softmax分类器;
提取训练集中的水凝物粒子特征的方法为:
输入大小为4×m×m数据后,数据首先通过卷积核大小为3×3,步长为1,填充为1的卷积层,输出大小为16×c1×c1的特征图,使用Relu激活函数后进行最大池化,池化核尺寸为3×3,步长为1,填充为1,输出特征图尺寸不变仍为16×c1×c1;其中,c1为第一层卷积层输出的特征图尺寸,m为分割后矩阵快的大小,也即单元数。
其中Relu函数如下式:
其中,f(x)是Relu取最大值的函数,当输入为负值,输出为0,则神经元不会被激活,这就导致在同一时间里只有一部分神经元会被激活,从而使得网络很稀疏,提高了计算效率;x为输入的特征图。
特征图尺寸大小计算公式如下式:
其中,c为输出特征图尺寸,λ为输入特征图尺寸,p为填充尺寸,a为卷积核长,s为卷积核每次移动的步长;
然后,经过第一个残差网络模块,残差模块中共包含两个三层卷积层,分别为1×1、3×3、1×1的卷积层后,输出特征图尺寸大小为16×c2×c2,其中c2为第一个残差网络模块输出的特征图尺寸;
再分别通过第二、三、四个残差模块,输出特征图尺寸大小分别为32×c3×c3、64×c4×c4、128×c5×c5,最后经过平均池化,得到128个大小为1×1的水凝物粒子特征,其中c3、c4、c5分别为第二、三、四个残差网络模块输出的特征图尺寸。
本实施例中具体为:
在Pytorch框架下搭建所提出的残差卷积神经网络模型,模型共26层网络,如图3所示,主要由输入输出层、一层卷积层、四个残差模块、一层全连接层和一个Softmax分类器构成,其中,两个残差网络模块组成一个残差模块,即8个残差网络模块(RNM1~RNM8组成四个残差模块)。其中残差网络模块(RNM)如图4所示,其由卷积核大小为1×1、3×3、1×1的卷积层构成,图中K表示卷积核的个数,S表示填充大小,当卷积层的通道数发生变化时,图中的捷径连接通过卷积核大小为1×1的卷积层改变通道数与残差模块输出的卷积通道数相匹配。本发明提出的残差卷积神经网络具体参数如表1所示。
表1残差神经网络模型参数
当输入图像尺寸为4×30×30时,首先通过卷积核大小为3×3,步长为1,填充为1的卷积层,输出大小为16×15×15的特征图,使用激活函数为Relu后进行最大池化,池化核尺寸为3×3,步长为1,填充为1,根据特征图尺寸大小计算公式输出特征图尺寸不变仍为16×15×15。
然后,经过由RNM1和RNM2构成的残差模块,输出特征图尺寸大小为16×15×15;再分别通过第二、三、四个残差模块,输出特征图尺寸大小分别为32×8×8、64×4×4、128×2×2,最后经过平均池化,得到128个大小为1×1的水凝物粒子特征。
S3、将步骤S1得到的水凝物粒子数据集送到到S2步骤所搭建的残差卷积神经网络中进行训练,提取训练集中水凝物粒子特征。每次训练集一次训练完成后,利用验证集对模型进行验证,总共循环训练600次后得到训练模型;
使用随机梯度下降法对残差卷积神经网络模型进行训练,由于输入数据为4×m×m的矩阵,数据量较少,因此对超参数的设置为,将批次大小设置256,增加每次输入的数据量;循环迭代训练次数600;并采用动态学习率,学习率初始为0.1,当学习停滞时,学习率降低到原来的0.5倍;设置动量为0.9,权值衰减1e-3。
本实施例中,在训练时,设置迭代训练次数为600,每一批输入256组数据,设定优化器为随机梯度下降法,学习率为0.1,动量为0.9,权值衰减为1e-3。在训练前,计算得到训练集的均值mean和方差std,利用训练集的均值和方差对整个数据集归一化。其中各通道的极化参数组成为[Zdr,Kdp,Zh,ρhv]。
mean=[0.7518,0.0341,11.1675,1.2187];
std=[0.1988,0.3581,11.8194,2.1971]。
S4、对步骤S3得到的训练模型利用测试集进行测试,并用实测数据进行识别。
将标准化后的测试集输入训练好的残差卷积神经网络模型,输出测试结果;其次,为了验证模型对于新采集观测资料的性能,选取某一时刻的雷达观测数据,按照步骤S1的方法将其分割后,利用步骤S3所得模型进行识别,并将识别结果与标签对比,得到识别结果。
本实施例中,首先,利用测试集对步骤S3得到的训练模型进行测试,得到测试集的识别精度为95.20%且测试集损失为0.110。
其次,选取数据集中不包含的双极化气象雷达观测数据,本实施例选取2020年1月10日11时55分的雷达观测资料,并按照前述训练集的制作方式对其进行处理,然后将其输入到最终选取的模型中,验证模型识别结果。
图5(a)为提出的残差网络模型准确率,(b)为模型损失。其中线形线代表训练集,点形线代表验证集。在深度学习中,损失值越低,则说明模型效果越好。准确率越高,则说明水凝物粒子识别效果好。具体数值如表2所示。提出的残差网络模型平稳精度高达96.0%,损失可低至0.102。
表2训练模型精度与损失表
综上分析,选取训练得到的残差网络模型进行测试。其中图6(a)-(d)为2020年1月10日11时55分各输入极化参数图,图7为残差网络模型分类结果,图8为分类原始标签,图9为NOAA所给出的水凝物粒子参考结果。对比图7和图8可以看出,模型将矩形框中所有干雪粒子以及所有小中雨粒子均正确分类,仅将少部分椭圆形框中小中雨粒子分类为冰晶粒子。通过大量测试统计,识别正确率达95.1%,因此模型实用性高。
对比图9现有技术模糊逻辑传统分类方法可以看出,本发明所提出的残差卷积神经网络识别水凝物粒子相态方法所得到的识别结果可以将杂乱的分类结果更加区域化,提高了对冰晶粒子的识别准确度,可以将部分雷达回波数据处理时所产生的噪声抑制,对于极化雷达回波数据中所蕴含的极化特征可以得到有效的提取。因此本发明可应用于以双极化气象雷达水凝物粒子相态识别为技术基础的灾害预报、航路规避等领域中。
本发明实施例首先制作了双极化气象雷达水凝物粒子识别所需的数据集,接着测试改进所提出的残差卷积神经网络,最后利用实测数据证明了该方法可以很好的识别冰晶、干雪、小中雨、大滴四种水凝物粒子。本发明首先选取双极化气象雷达Level-III数据后,从中提取反射率因子Zh、差分反射率Zdr、相关系数ρhv、差分相移率Kdp,并选取对应的NOAA所提供的水凝物粒子分类结果。然后将各极化参数依次沿方位向和距离向各取30个雷达门,剪切成4×30×30的矩阵块并利用NOAA水凝物粒子分类结果,按照投票原则,选择矩阵块中类别最多的水凝物粒子类型作为矩阵标签。对于矩阵块分割的大小,剪裁过小时矩阵块中所含信息太少,网络无法充分学习到雷达观测资料中的极化信息,太大时由于雷达数据的稀疏性,其中将会包含诸多无效值,经测试后将大小选取为30×30。由于输入大小远小于普通图像3×224×224的尺寸大小,因此本发明提出残差卷积神经网络模型来适应所制作的水凝物粒子数据集。然后利用所制作的数据集对模型进行训练得到训练精度和损失大小。最后对模型进行测试,验证所得模型的正确性。本发明从实测数据的应用出发,提出基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,可以有效利用丰富的雷达回波极化信息,因此提高了水凝物的识别精度,能针对灾害性水凝物粒子实现特定检测,可运用于雷达信号处理领域。
Claims (7)
1.一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,包括以下步骤:
S1、选取大量双极化气象雷达观测资料以及NOAA(National Oceanic andatmospheric Administration)水凝物粒子分类结果,利用双极化气象雷达实测数据进行水凝物粒子数据集制作,包括:
从双极化气象雷达实测数据中选取非晴空天气状态下反射率因子Zh、差分反射率Zdr、相关系数ρhv、差分相移率Kdp四个极化参数对其预处理;
将极化参数组成四通道的三维阵列,并将三维极化参数矩阵与NOAA水凝物粒子分类结果分割成小的矩阵块并依据NOAA水凝物粒子分类结果挑选有效数据生成水凝物粒子数据集;
将生成的水凝物粒子数据集分为训练集,验证集和测试集,并对训练集、验证集、测试集进行标准化处理,其中,训练集和验证集用于模型训练,当模型训练完成之后,利用测试集对模型测试;
S2、在Pytorch框架下搭建残差卷积神经网络模型;
S3、将步骤S1得到的水凝物粒子数据集送到S2步骤所搭建的残差卷积神经网络中进行训练,提取训练集中水凝物粒子特征;每次训练集一次训练完成后,利用验证集对模型进行验证,总共循环训练预设次数后得到训练模型;
S4、对步骤S3得到的训练模型利用测试集进行测试,并用实测数据进行识别。
2.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,步骤S1中对极化参数进行预处理的方法为:对反射率因子进行方位向与距离向的校正,使其与差分反射率、相关系数和差分相移率大小相等;具体为:
将大小为m1×n反射率因子数据,首先沿距离向将原始数据扩充d1次后变为(m1×d1)×n,再按照每d2个距离门抽取一个距离门的方法得到大小(m1×d1)/d2×n与其余极化参数相同的矩阵;其中m1为反射率因子在距离向采样点个数,n为反射率因子在方位向采样点个数;
然后对反射率因子的方位角进行校正,使反射率因子起始方位角与其余极化参数起始方位角相同,校正公式如下:
Zh′={Zh[1200,(az1-az2):360],Zh[1200,0:(az1-az2)]};
其中,Zh′为校正后的反射率因子,Zh为校正前的反射率因子,az1为相关系数的起始方位角,az2为反射率因子的起始方位角;{}为拼接运算符。
3.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,步骤S1中数据集制作的具体方法为:
将四个极化参数沿方位向和距离向依次取m∈(12,40)个单元,构成4×m×m的小矩阵块,同时将NOAA水凝物粒子分类结果也剪裁为m×m的矩阵块作为标签待用;由于雷达的稀疏特性,导致雷达数据块中存在无效值;为了保证模型能够有足够的极化信息用于学习,采用滤波器,设定大小为m×m的NOAA水凝物粒子分类结果中必须含有数量为m×m×5%个雷达门为有效值,并且为了减少输入数据中的噪声存在,假定类别最多的水凝物粒子个数大于m×m×5%×50%,则将此类水凝物粒子作为三维矩阵块的标签;将满足条件的矩阵块作为数据集,不满足条件的舍弃;然后等量挑选冰晶、干雪、小中雨、大滴四种粒子。
5.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,步骤S2中搭建的残差卷积神经网络模型包括输入输出层、一层卷积层、四个残差网络模块RNM、一层全连接层和一个Softmax分类器;
提取训练集中的水凝物粒子特征的方法为:
输入大小为4×m×m数据后,数据首先通过卷积核大小为3×3,步长为1,填充为1的卷积层,输出大小为16×c1×c1的特征图,使用Relu激活函数后进行最大池化,池化核尺寸为3×3,步长为1,填充为1,输出特征图尺寸不变仍为16×c1×c1,其中,c1为第一层卷积层输出的特征图尺寸,m为分割后矩阵块的大小,也即单元数;
其中Relu函数如下式:
其中,f(x)是Relu取最大值的函数,当输入为负值,输出为0,则神经元不会被激活,x为输入的特征图;
特征图尺寸大小计算公式如下式:
其中,c为输出特征图尺寸,λ为输入特征图尺寸,p为填充尺寸,a为卷积核长,s为卷积核每次移动的步长;
然后,经过第一个残差网络模块,残差模块中共包含两个三层卷积层,分别为1×1、3×3、1×1的卷积层后,输出特征图尺寸大小为16×c2×c2,其中c2为第一个残差网络模块输出的特征图尺寸;
再分别通过第二、三、四个残差模块,输出特征图尺寸大小分别为32×c3×c3、64×c4×c4、128×c5×c5,最后经过平均池化,得到128个大小为1×1的水凝物粒子特征,其中c3、c4、c5分别为第二、三、四个残差网络模块输出的特征图尺寸。
6.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,步骤S3中使用随机梯度下降法对残差卷积神经网络模型进行训练,由于输入数据为4×m×m的矩阵,数据量较少,因此对超参数的设置为,将批次大小设置256,增加每次输入的数据量;循环迭代训练次数600;并采用动态学习率,学习率初始为0.1,当学习停滞时,学习率降低到原来的0.5倍;设置动量为0.9,权值衰减1e-3。
7.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法,其特征在于,首先,步骤S4中将标准化后的测试集输入训练好的残差卷积神经网络模型,输出测试结果;其次,为了验证模型对于新采集观测资料的性能,选取某一时刻的雷达观测数据,按照步骤S1的方法将其分割后,利用步骤S3所得模型进行识别,并将识别结果与标签对比,得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855799.2A CN113625283B (zh) | 2021-07-28 | 2021-07-28 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855799.2A CN113625283B (zh) | 2021-07-28 | 2021-07-28 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113625283A true CN113625283A (zh) | 2021-11-09 |
CN113625283B CN113625283B (zh) | 2024-04-02 |
Family
ID=78381274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110855799.2A Active CN113625283B (zh) | 2021-07-28 | 2021-07-28 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625283B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114720956A (zh) * | 2022-06-07 | 2022-07-08 | 成都信息工程大学 | 针对双偏振天气雷达的水凝物粒子分类识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607954A (zh) * | 2017-09-11 | 2018-01-19 | 中国民航大学 | 一种基于t‑s模型的fnn降水粒子相态识别方法 |
CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
CN110929603A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
CN111366931A (zh) * | 2020-05-19 | 2020-07-03 | 范思睿 | 一种基于云雷达的云降水精细化反演方法 |
-
2021
- 2021-07-28 CN CN202110855799.2A patent/CN113625283B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607954A (zh) * | 2017-09-11 | 2018-01-19 | 中国民航大学 | 一种基于t‑s模型的fnn降水粒子相态识别方法 |
US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
CN110929603A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
CN111366931A (zh) * | 2020-05-19 | 2020-07-03 | 范思睿 | 一种基于云雷达的云降水精细化反演方法 |
Non-Patent Citations (3)
Title |
---|
冉元波 等: "双偏振天气雷达水凝物识别研究", 《成都信息工程大学学报》, vol. 32, no. 6, pages 590 - 595 * |
李海 等: "基于T-S模型的FNN降水粒子相态识别方法", 《雷达科学与技术》, no. 6, pages 607 - 615 * |
王金虎 等: "云雷达联合微波辐射计的水凝物识别研究", 《电波科学学报》, vol. 35, no. 6, pages 924 - 932 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114720956A (zh) * | 2022-06-07 | 2022-07-08 | 成都信息工程大学 | 针对双偏振天气雷达的水凝物粒子分类识别方法及装置 |
CN114720956B (zh) * | 2022-06-07 | 2022-11-01 | 成都信息工程大学 | 针对双偏振天气雷达的水凝物粒子分类识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113625283B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108805200B (zh) | 基于深度孪生残差网络的光学遥感场景分类方法及装置 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN101738607B (zh) | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN107358203B (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN113343563B (zh) | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN104050507A (zh) | 基于多层神经网络的超光谱图像分类方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN113297915A (zh) | 一种基于无人机巡检的绝缘子识别目标检测方法 | |
CN106529458A (zh) | 一种面向高光谱图像的深度神经网络空间谱分类方法 | |
CN113625283A (zh) | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN107133653A (zh) | 一种基于深度阶梯网络的高分辨sar图像分类方法 | |
CN109558803A (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 |
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 |