CN114065607B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114065607B CN114065607B CN202111213180.8A CN202111213180A CN114065607B CN 114065607 B CN114065607 B CN 114065607B CN 202111213180 A CN202111213180 A CN 202111213180A CN 114065607 B CN114065607 B CN 114065607B
- Authority
- CN
- China
- Prior art keywords
- vertical
- section
- evaporation waveguide
- waveguide
- parameters
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了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,其改进之处在于,包括如下步骤:步骤1,蒸发波导垂直M剖面的参数化建模:步骤2,距离向非均匀蒸发波导垂直M剖面样本的高斯‑马尔科夫过程生成:步骤3,构建一维残差卷积自动编码器网络模型:步骤4,计算多个海杂波接收功率:步骤5,构建深度卷积网络模型:步骤6,获得网络模型的最优神经元权重系数;步骤7,开展非均匀蒸发波导的反演测试和评估。本发明所公开的方法,采用一维残差卷积自编码器进行非均匀蒸发波导的特征提取,实现了蒸发波导垂直M剖面随距离方向的参数建模。
Description
技术领域
本发明属于海洋大气遥感领域,特别涉及该领域中的一种基于深度卷积网络的雷达海杂波反演非均匀蒸发波导剖面方法。
背景技术
蒸发波导是海上对流层中频繁出现的一种异常大气折射率结构。受海上大气环境的时空变化影响,海上蒸发波导的修正折射率(M)剖面结构会在水平方向上表现出非均匀特性,从而导致海杂波功率在水平方向产生显著变化,严重影响雷达的实际探测性能。
国内外学者基于雷达海杂波开展了大量的非均匀对流层波导M剖面的反演方法研究,其中对M剖面非均匀性的参数化建模精度和简易度是保证反演方法性能的重要前提。传统的非均匀建模方法通常采用主分量分析(PCA)方法进行非均匀特征的提取和降维,然而,由于PCA降维只能做简单的波导参数线性变换,因此对于非线性的波导参数全空间依赖关系不能提取得到高精度的主分量,不能满足实际多参数非均匀蒸发波导M剖面的建模。
发明内容
本发明针对海上蒸发波导M剖面的非均匀性建模能力不足,以及非均匀M剖面与海杂波数据间的映射关系高度非线性,制约蒸发波导反演精度的问题,提供了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,实现了从雷达海杂波数据出发的非均匀蒸发波导M剖面参数高精度反演,从而支撑海上大气遥感技术研究。
本发明采用如下技术方案:
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,其改进之处在于,包括如下步骤:
步骤1,蒸发波导垂直M剖面的参数化建模:
模型使用波导高度δ、波导厚度ΔM、波导顶M梯度调节因子ρ三个参数进行描述,具体如下:
在z≤δ高度范围内的修正折射率M(z)计算公式为:
上式中,z为海面以上垂直高度,z0为空气动力学粗糙度因子,取1.5×10-4m;M0为海面高度处的大气修正折射率;
步骤2,距离向非均匀蒸发波导垂直M剖面样本的高斯-马尔科夫过程生成:
对步骤1中的三个参数进行距离向马尔科夫链模拟,代入垂直M剖面模型中,形成多个非均匀蒸发波导剖面空间结构,马尔科夫链模拟方法如下:
d(xk+1)=d(xk)+ηk
d(x1)=d(x0)
步骤3,构建一维残差卷积自动编码器网络模型,用于进行非均匀蒸发波导垂直M剖面高维度参数的特征提取,具体包括:
步骤3a,构建编码器:应用卷积层、池化层和瓶颈层将非均匀蒸发波导垂直M剖面参数编码为低自由度参数矩阵;
步骤3b,构建解码器:解码器由瓶颈层、反卷积层和上采样层重构得到蒸发波导在距离方向上的垂直M剖面参数;
定义均方根误差为原始输入与重构特征之差,调整网络迭代次数及训练数量;
步骤4,根据雷达电波传播理论和抛物方程方法,计算多个非均匀蒸发波导垂直M剖面空间结构情况下的海杂波接收功率PC(x,M‘):
PC(x,M‘)=-2L(x,M‘)+σ0[θ(x,M‘)]+10log10(x)+C
上式中,x表示海面散射单元与雷达天线之间的距离,M‘表示蒸发波导垂直M剖面空间结构,θ为擦地角,σ0为海面后向散射系数,C为常数项,L为电磁波单程传播损耗,表示为:
L(x,M‘)=32.44+20log10f(MHz)+20log10x(km)-20log10Fp(x,M‘)
上式中,f为雷达频率,Fp代表海浪有效高度处的方向图传播因子;
步骤5,构建非均匀蒸发波导垂直M剖面与海杂波功率间非线性映射的深度卷积网络模型:
深度卷积网络配置4个卷积层、4个池化层和1个全连接层,每个卷积层都包含三个基本模块:一维卷积操作层、批量归一化层和非线性激活层,选择ReLU函数作为激活函数,学习率为0.02,网络的输入为海杂波功率数据,输出为低自由度的蒸发波导垂直M剖面参数;
步骤6,由步骤4得到的海杂波功率数据和步骤3得到的低自由度距离向非均匀蒸发波导垂直M剖面参数数据,组成训练数据集,输入步骤5构建的深度卷积网络,开展网络模型训练,训练过程中,将均方根误差RMSE作为损失函数,利用Adam梯度下降法优化损失函数,获得网络模型的最优神经元权重系数;
步骤7,基于步骤6训练好的深度卷积网络模型,开展非均匀蒸发波导的反演测试和评估,具体包括:
步骤7a,利用步骤2中方法,生成新的非均匀蒸发波导垂直M剖面空间结构,并通过步骤4计算对应的海杂波功率,形成测试数据集;
步骤7b,将测试数据集中的海杂波功率数据,输入步骤6的深度卷积网络模型,预测得到低自由度的蒸发波导垂直M剖面参数;
步骤7c,将步骤7b预测得到的参数输入步骤3构建的解码器,获得重构的高维度蒸发波导垂直M剖面参数,包括随距离变化的蒸发波导高度、波导强度和波导顶M梯度调节因子,并进一步基于步骤1,计算得到非均匀蒸发波导垂直M剖面空间结构,为反演结果;
步骤7d,计算上述反演结果与步骤7a测试数据集中M剖面空间结构的均方根误差,评估非均匀蒸发波导垂直M剖面的反演精度。
本发明的有益效果是:
本发明所公开的方法,采用一维残差卷积自编码器进行非均匀蒸发波导的特征提取,实现了蒸发波导垂直M剖面随距离方向的参数建模。在此基础上,基于深度卷积神经网络,以海杂波功率数据作为输入,以自编码器降维后的非均匀M剖面参数作为输出,实现了海杂波数据驱动的端到端非均匀蒸发波导反演。
本发明所公开的方法,克服了传统PCA降维方法无法高精度提取蒸发波导的距离非均匀变化特征、且海杂波与蒸发波导M剖面的高度非线性映射关系难以建模问题,实现了基于雷达海杂波的海上非均匀蒸发波导垂直M剖面高精度反演,有益于推动海上异常大气环境的高精度遥感技术发展。
附图说明
图1是距离向非均匀蒸发波导垂直M剖面参数的马尔科夫链生成样本;
图2是反演方法的模型架构图;
图3(a)是深度卷积网络反演结果与实测数据和其它传统反演模型蒸发波导垂直M剖面反演结果的对比图;
图3(b)是深度卷积网络反演结果与实测数据和其它传统反演模型海杂波功率反演结果的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1,本实施例公开了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,基于一维残差卷积自编码器来实现非均匀蒸发波导垂直M剖面参数的特征提取和海上非均匀蒸发波导特征提取建模。在此基础上,以不同距离处的海杂波功率数据为输入,以提取的低自由度非均匀蒸发波导垂直M剖面参数作为输出,通过深度卷积网络训练得到两者之间的非线性映射关系,实现雷达海杂波对非均匀蒸发波导的反演。以一组实测的X波段海杂波数据和同步测量的蒸发波导垂直M剖面数据为例,具体包括如下步骤:
步骤1,蒸发波导垂直M剖面的参数化建模:
模型使用波导高度δ、波导厚度ΔM、波导顶M梯度调节因子ρ三个参数进行描述,具体如下:
在z≤δ高度范围内的修正折射率M(z)计算公式为:
在z≥δ高度范围内的修正折射率为:
上式中,z为海面以上垂直高度,z0为空气动力学粗糙度因子,通常取1.5×10-4m;M0为海面高度处的大气修正折射率;
步骤2,距离向非均匀蒸发波导垂直M剖面样本的高斯-马尔科夫过程生成:
对步骤1中的三个参数进行距离向马尔科夫链模拟,代入垂直M剖面模型中,形成多个非均匀蒸发波导剖面空间结构,马尔科夫链模拟方法如下:
d(xk+1)=d(xk)+ηk
d(x1)=d(x0)
在本实施例中,假设三个垂直M剖面参数的初始值分别取δ0=14m,ΔM0=11M-units,ρ0=4,其随距离变化的标准差取σδ=0.5m,σΔM=0.1M-units,σρ=0.1,则可以生成多个马尔科夫链,如图1所示。图中给出了其中2000条蒸发波导高度,蒸发波导厚度及波导顶M梯度调节因子矩阵样本,这些样本已经覆盖了大部分的蒸发波导剖面参数可能的变化趋势。
步骤3,构建一维残差卷积自动编码器网络模型,用于进行非均匀蒸发波导垂直M剖面高维度参数的特征提取,具体包括:
步骤3a,构建编码器:应用卷积层、池化层和瓶颈层将非均匀蒸发波导垂直M剖面参数编码为低自由度参数矩阵。在本实施例中,非均匀蒸发波导在0-100km范围内采用1000个垂直M剖面进行描述,即间隔100m选取一个剖面。编码器采用4层卷积层(Conv1、Conv2、...、Conv4)和1层瓶颈层将1000个维度的距离向非均匀蒸发波导垂直M剖面参数分别降低到250、62和15至3个维度,得到最终的维度为3×2000×3维的矩阵,编码即降维过程完成。
步骤3b,构建解码器:解码器由瓶颈层、反卷积层和上采样层重构得到蒸发波导在距离方向上的垂直M剖面参数;解码器由1个瓶颈层、4个反卷积层(DeConv1、DeConv2、...、DeConv4)和4个上采样层(UpSample1、UpSample2、...、UpSample4)重构得到蒸发波导在距离方向上的垂直M剖面参数。解码器的输入为3×2000×3降维后的蒸发波导垂直M参数矩阵,4个反卷积层的大小分别设置为12、62、250和1000维,解码器的输出为重构得到的非均匀蒸发波导垂直M剖面参数的3×2000×1000矩阵。
定义均方根误差为原始输入与重构特征之差,通过网络训练的目标是减少均方误差(MSE),误差被反向传播回隐藏层。通过对网络迭代次数及训练数量的调整,可以减少均方根误差,并将调整的权重反向传回编码器网络,使得重构的数据更接近于原始数据,自编码器训练完成。对应编码器输出的3×2000×3维的矩阵即为降维后低自由度的距离向非均匀蒸发波导垂直M剖面参数矩阵。
步骤4,根据雷达电波传播理论和抛物方程方法,计算多个非均匀蒸发波导垂直M剖面空间结构情况下的海杂波接收功率PC(x,M‘),计算公式如下:
PC(x,M‘)=-2L(x,M‘)+σ0[θ(x,M‘)]+10log10(x)+C
上式中,x表示海面散射单元与雷达天线之间的距离,M‘表示蒸发波导垂直M剖面空间结构,θ为擦地角,σ0为海面后向散射系数,C为与发射功率、增益等雷达参数以及擦地角有关的常数项,L为电磁波单程传播损耗,可表示为:
L(x,M‘)=32.44+20log10f(MHz)+20log10x(km)-20log10Fp(x,M‘)
上式中,f为雷达频率,Fp代表海浪有效高度处的方向图传播因子,可通过抛物方程求解。
在本实施例中,利用步骤2得到的2000个马尔科夫链对应的非均匀蒸发波导剖面空间结构,可计算得到2000组海杂波功率数据,其中每组海杂波功率从1km到100km,每隔100m抽取一个值,总共抽取了1000个值。
步骤5,构建非均匀蒸发波导垂直M剖面与海杂波功率间非线性映射的深度卷积网络模型:
如图2所示,深度卷积网络配置4个卷积层、4个池化层和1个全连接层,每个卷积层都包含三个基本模块:一维卷积操作层、批量归一化层和非线性激活层,可以在一定程度上防止梯度消失和梯度爆炸。选择ReLU函数作为激活函数,学习率为0.02,网络的输入为海杂波功率数据,输出为低自由度的蒸发波导垂直M剖面参数;
步骤6,由步骤4得到的海杂波功率数据和步骤3得到的低自由度距离向非均匀蒸发波导垂直M剖面参数数据,组成训练数据集,输入步骤5构建的深度卷积网络,开展网络模型训练,训练过程中,将均方根误差RMSE作为损失函数,利用Adam梯度下降法优化损失函数,获得网络模型的最优神经元权重系数;在本实施例中,训练集包含的输入数据为2000组在距离方向1000个点的海杂波功率数据,输出数据为3×2000×3维的低自由度参数矩阵。
步骤7,基于步骤6训练好的深度卷积网络模型,开展非均匀蒸发波导的反演测试和评估,具体包括:
步骤7a,利用步骤2中方法,生成新的非均匀蒸发波导垂直M剖面空间结构,并通过步骤4计算对应的海杂波功率,形成测试数据集;
步骤7b,将测试数据集中的海杂波功率数据,输入步骤6的深度卷积网络模型,预测得到低自由度的蒸发波导垂直M剖面参数;
步骤7c,将步骤7b预测得到的参数输入步骤3构建的解码器,获得重构的高维度蒸发波导垂直M剖面参数,即随距离变化的蒸发波导高度、波导强度和波导顶M梯度调节因子,并进一步基于步骤1,计算得到非均匀蒸发波导垂直M剖面空间结构,即为反演结果;
步骤7d,计算上述反演结果与步骤7a测试数据集中M剖面空间结构的均方根误差,评估非均匀蒸发波导垂直M剖面的反演精度。
本发明的实施效果通过在海南三亚沿岸海域实测的一组X波段海杂波数据和同步测量的蒸发波导垂直M剖面数据进行了验证。雷达频率为10GHz,HH极化,天线高度10m,发射功率和天线增益合计为102.8dBm。图3(a)和图3(b)给出了本发明一维深度卷积网络反演结果与实测数据和其它传统反演模型结果的对比。从图中可以看出,本发明一维卷积神经网络模型的结果比深度神经网络、粒子群和遗传算法的结果更吻合实测的垂直M剖面,反演的雷达海杂波功率的准确率约为84.5%,显著优于其它三种传统模型。
Claims (1)
1.一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,其特征在于,包括如下步骤:
步骤1,蒸发波导垂直M剖面的参数化建模:
模型使用波导高度δ、波导厚度ΔM、波导顶M梯度调节因子ρ三个参数进行描述,具体如下:
在z≤δ高度范围内的修正折射率M(z)计算公式为:
在z≥δ高度范围内的修正折射率为:
上式中,z为海面以上垂直高度,z0为空气动力学粗糙度因子,取1.5×10-4m;M0为海面高度处的大气修正折射率;
步骤2,距离向非均匀蒸发波导垂直M剖面样本的高斯-马尔科夫过程生成:
对步骤1中的三个参数进行距离向马尔科夫链模拟,代入垂直M剖面模型中,形成多个非均匀蒸发波导剖面空间结构,马尔科夫链模拟方法如下:
d(xk+1)=d(xk)+ηk
d(x1)=d(x0)
步骤3,构建一维残差卷积自动编码器网络模型,用于进行非均匀蒸发波导垂直M剖面高维度参数的特征提取,具体包括:
步骤3a,构建编码器:应用卷积层、池化层和瓶颈层将非均匀蒸发波导垂直M剖面参数编码为低自由度参数矩阵;
步骤3b,构建解码器:解码器由瓶颈层、反卷积层和上采样层重构得到蒸发波导在距离方向上的垂直M剖面参数;
定义均方根误差为原始输入与重构特征之差,调整网络迭代次数及训练数量;
步骤4,根据雷达电波传播理论和抛物方程方法,计算多个非均匀蒸发波导垂直M剖面空间结构情况下的海杂波接收功率PC(X,M‘):
PC(x,M‘)=-2L(x,M‘)+σ0[θ(x,M‘)]+10log10(x)+C
上式中,x表示海面散射单元与雷达天线之间的距离,M‘表示蒸发波导垂直M剖面空间结构,θ为擦地角,σ0为海面后向散射系数,C为常数项,L为电磁波单程传播损耗,表示为:
L(x,M‘)=32.44+20log10f(MHz)+20log10x(km)-20log10Fp(x,M‘)
上式中,f为雷达频率,Fp代表海浪有效高度处的方向图传播因子;
步骤5,构建非均匀蒸发波导垂直M剖面与海杂波功率间非线性映射的深度卷积网络模型:
深度卷积网络配置4个卷积层、4个池化层和1个全连接层,每个卷积层都包含三个基本模块:一维卷积操作层、批量归一化层和非线性激活层,选择ReLU函数作为激活函数,学习率为0.02,网络的输入为海杂波功率数据,输出为低自由度的蒸发波导垂直M剖面参数;
步骤6,由步骤4得到的海杂波功率数据和步骤3得到的低自由度距离向非均匀蒸发波导垂直M剖面参数数据,组成训练数据集,输入步骤5构建的深度卷积网络,开展网络模型训练,训练过程中,将均方根误差RMSE作为损失函数,利用Adam梯度下降法优化损失函数,获得网络模型的最优神经元权重系数;
步骤7,基于步骤6训练好的深度卷积网络模型,开展非均匀蒸发波导的反演测试和评估,具体包括:
步骤7a,利用步骤2中方法,生成新的非均匀蒸发波导垂直M剖面空间结构,并通过步骤4计算对应的海杂波功率,形成测试数据集;
步骤7b,将测试数据集中的海杂波功率数据,输入步骤6的深度卷积网络模型,预测得到低自由度的蒸发波导垂直M剖面参数;
步骤7c,将步骤7b预测得到的参数输入步骤3构建的解码器,获得重构的高维度蒸发波导垂直M剖面参数,包括随距离变化的蒸发波导高度、波导强度和波导顶M梯度调节因子,并进一步基于步骤1,计算得到非均匀蒸发波导垂直M剖面空间结构,为反演结果;
步骤7d,计算上述反演结果与步骤7a测试数据集中M剖面空间结构的均方根误差,评估非均匀蒸发波导垂直M剖面的反演精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111213180.8A CN114065607B (zh) | 2021-10-19 | 2021-10-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111213180.8A CN114065607B (zh) | 2021-10-19 | 2021-10-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065607A CN114065607A (zh) | 2022-02-18 |
CN114065607B true CN114065607B (zh) | 2022-11-29 |
Family
ID=80234859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111213180.8A Active CN114065607B (zh) | 2021-10-19 | 2021-10-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065607B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356702A (zh) * | 2022-08-18 | 2022-11-18 | 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) | 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法 |
CN116593989B (zh) * | 2023-06-15 | 2023-11-21 | 宁波麦思捷科技有限公司武汉分公司 | 一种基于雷达海杂波的对流层波导反演方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310889B (zh) * | 2020-01-16 | 2022-04-12 | 西北工业大学 | 一种基于深度神经网络的蒸发波导剖面估计方法 |
CN111610514B (zh) * | 2020-05-20 | 2023-01-31 | 郑州大学 | 一种蒸发波导传播特性的反演方法及装置 |
CN112986940B (zh) * | 2021-02-08 | 2023-04-18 | 北京无线电测量研究所 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
-
2021
- 2021-10-19 CN CN202111213180.8A patent/CN114065607B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114065607A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
CN106844924B (zh) | 基于响应曲面法和遗传算法优化pcb微带线结构的方法 | |
CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN112733394A (zh) | 一种大气参数反演方法及装置 | |
CN112560342A (zh) | 一种基于dnn的大气波导参数估计方法 | |
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 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114611415B (zh) | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 | |
CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
CN116559977A (zh) | 一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法 | |
CN113111529B (zh) | 融合数值模式和卫星微波云反演数据的红外亮温模拟方法 | |
Li et al. | Study on the maximum calculation height and the maximum propagation angle of the troposcatter wide‐angle parabolic equation method | |
CN114004158A (zh) | 基于遗传算法优化支持向量机的海面电磁散射预测方法 | |
CN117172149A (zh) | 一种基于数据特征分类和神经网络模型的蒸发波导预测方法 | |
CN114817837B (zh) | 基于浮标平台微波辐射计的对流层参数剖面反演方法 | |
CN112986940B (zh) | 一种用于水平距离上的雷达海杂波功率的预测方法 | |
CN113141223B (zh) | 一种海洋环境电波传导特性获取方法 | |
CN110907912B (zh) | 谐振区目标窄带模式下的极点特征求解方法 | |
CN113887118A (zh) | 基于卷积神经网络的云物理参数反演方法 | |
CN113379151A (zh) | 基于Bagging-CNN-GRU的风速超短期预测方法 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN111950198B (zh) | 一种基于神经网络的地杂波仿真方法 | |
Sun et al. | Inversion of tropospheric temperature and humidity profile based on atmospheric empirical database |
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 |