CN114218860A - 一种基于机器学习的激光雷达测风运动补偿方法和系统 - Google Patents

一种基于机器学习的激光雷达测风运动补偿方法和系统 Download PDF

Info

Publication number
CN114218860A
CN114218860A CN202111524679.0A CN202111524679A CN114218860A CN 114218860 A CN114218860 A CN 114218860A CN 202111524679 A CN202111524679 A CN 202111524679A CN 114218860 A CN114218860 A CN 114218860A
Authority
CN
China
Prior art keywords
machine learning
data
variables
model
wind measurement
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.)
Pending
Application number
CN202111524679.0A
Other languages
English (en)
Inventor
赵强
马寅星
莫哲萌
周震
徐周科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhoutian Technology Co ltd
Original Assignee
Zhejiang Zhoutian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhoutian Technology Co ltd filed Critical Zhejiang Zhoutian Technology Co ltd
Priority to CN202111524679.0A priority Critical patent/CN114218860A/zh
Publication of CN114218860A publication Critical patent/CN114218860A/zh
Pending legal-status Critical Current

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
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种基于机器学习激光雷达测风运动补偿方法和系统，包括：获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数。

Description

一种基于机器学习的激光雷达测风运动补偿方法和系统
技术领域
本发明涉及风电技术领域，特别涉及一种基于机器学习的激光雷达测风运动补偿方法和系统。
背景技术
海上风电资源十分丰富，已经成为未来风电开发的主战场，前期风资源的精准评估变得十分重要。与传统海上测风塔相比，激光测风雷达具有便携性好、部署成本低，可多高度测量，数据完整性好，精度高等优势，成为了最具前景的风场信息测量手段。但由于海洋环境恶劣，雷达部署平台会由于洋流，海浪等影响，产生平移、倾斜、翻转等姿态摆动问题，导致激光测风雷达的激光束指向不固定，会随平台运动而改变，此时雷达的测风数据与实际数据会有较大偏差，因此需要对测风数据进行运动补偿计算修正。
现有技术中对计算风速、风向等风参数的传统分析方法的研究较多，主要利用欧拉角、四元数等数学工具，在三维坐标系中进行旋转计算，上述现有技术存在如下技术问题：(1)基于坐标转换的方法在数据样本周期内假设雷达定距的扫描截面为圆形，实际由于浮标浮态的影响，该截面为不规则图形。在基于机器学习算法的校准程序中，由于将整个系统作为一个模型来考虑，以上问题可以很好的回避。(2)对于航向角/俯仰角/横滚角等基础参数的影响，基于坐标变换的方法可以很好描述。但是受限于计算公式以及模型求解的复杂程度，模型对于浮标动态的速度/角速度等变量的扩展性较差。基于机器学习算法仅需要将速度/角速度等变量作为模型输入即可，无需考虑求解的复杂程度。
发明内容
本发明其中一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用监督学习的方法，将海面浮标上的激光雷达测风数据和运动传感器数据作为特征变量，并将在靠近浮标固定安装的标准测风设备的测风数据作为目标变量进行有监督学习，从而可以大幅提高测风数据的准确性。
本发明另一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用交叉验证的方法对监督学习的模型进行评估，选取最佳超参数调优和最优机器学习模型，之后将预处理后的特征变量和目标变量组成的数据集及最佳超参数输入选取的最优机器学习模型中进行训练，得到训练好的最优机器学习模型；将待运动补偿的测风数据及运动数据输入训练好的最优机器学习模型，得到补偿后的实际测风数据。
本发明另一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用四分位数对获取的测风数据和运动数据进行缩放，从而建立标准化的数据集，可以提高有监督模型的精度，
为了实现至少一个上述发明目的，本发明进一步提供一种基于机器学习的激光雷达测风运动补偿方法，所述方法包括如下步骤：
获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；
将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；
将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；
根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；
使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数；
将特征变量和目标变量预处理后组成的数据集及最佳超参数输入选取的最优机器学习模型中进行训练，得到训练好的最优机器学习模型；
将待运动补偿的测风数据及运动数据输入训练好的最优机器学习模型，得到补偿后的实际测风数据。
根据本发明其中一个较佳实施例，所述特征变量和目标变量获取方法包括：
获取浮标上激光雷达检测的高度、风向、水平风速和垂直风速，其中风向为正北的偏离角度；
获取同一浮标上运动传感器的俯仰角、航向角和横滚角；
获取靠近相同浮标岸上的同一规格激光雷达检测的高度、风向、水平风速和垂直风速。
根据本发明另一个较佳实施例，所述数据预处理的方法包括：检测并剔除特征变量和目标变量异常值，将所述特征变量和目标变量进行标准化并划分为训练集和测试集。
根据本发明另一个较佳实施例，所述数据预处理方法包括：获取所述特征变量和目标变量的角度数据，将所述角度数据转化为余弦变量或正弦变量，并建立余弦变量或正弦变量和角度的映射关系，并在完成模型训练后转化为角度值：
θ→(sin(θ)，cos(θ))；
arctan2(sin(θ)，cos(θ))→θ。
根据本发明另一个较佳实施例，所述数据预处理方法包括：采用四分位数范围对特征变量和目标变量的数据集进行缩放，将所述数据集进行标准化，所述数据集标准化的计算方法包括：
Figure BDA0003409712020000031
vi为同一类型数据集中的某个值，且median是同一类型数据集的中位数，IQR是样本的四分位距。
根据本发明另一个较佳实施例，所述评价模型的计算方法包括：
Figure BDA0003409712020000032
其中MAE为平均绝对误差，R2为拟合优度，yi是观测值，
Figure BDA0003409712020000033
是预测值，
Figure BDA0003409712020000034
是平均值。
根据本发明另一个较佳实施例，将预处理后的数据集划分为训练集和测试集，将训练集输入到多个机器学习模型中，其中所述机器学习模型包括：Lasso模型，ElasticNet模型，GradientBoost模型，XGB模型，LGB模型和SVR模型，获取每个机器学习模型输出预测值，并根据所属评价模型的评价标准，使用测试集判断最优机器学习模型。
根据本发明另一个较佳实施例，其中采用KFold方法将所述数据集划分为N个互斥的子集，每次将其中一个不同于前次的子集做为测试集，剩下的N-1个子集作为训练集输入到所述最优机器学习模型中得到N个结果进行交叉验证，根据验证结果得到最佳的超参数。
为了实现至少一个上述发明目的，本发明进一步提供一种基于机器学习的激光雷达测分运动补偿系统，所述系统执行所述一种基于机器学习的激光雷达测风运动补偿方法。
本发明进一步提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行所述一种基于机器学习的激光雷达测风运动补偿方法。
附图说明
图1显示的是本发明一种基于机器学习的激光雷达测风运动补偿方法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
请结合图1，本发明公开了一种基于机器学习的激光雷达测风运动补偿方法和系统，其中所述方法包括如下步骤：首先需要获取特征变量和目标变量，其中所述特征变量的获取途径包括：设置浮标，并在所述浮标上安装激光雷达和运动传感器，其中所述浮标和目标变量对应固定安装的参考设备之间的距离为500米以内，通过所述激光雷达传感器直接获得高度、风向、水平风速和垂直风速，其中风向为正北的偏离角度，通过所述运动传感器可以直接获得自身的俯仰角、航向角和横滚角，其中数据采集的频率为5Hz。
所述目标变量的获取方法包括：在距离所述浮标500米以内的设置一个固定检测点，其中安装在固定检测点上的为满足IEC 61400-12-1：2017标准的测风设备，其中所述检测点上标准测风设备的可以检测到相对于地面的实际风相关参数，风相关参数包括：高度、风向、水平风速和垂直风速，由于所述固定检测点和所述浮标的距离接近，因此可以认为实际的风相关参数相同。
进一步的，本发明在获取所述特征变量和目标变量后，对所述特征变量和目标变量进行数据预处理，其中所述数据预处理的方法包括：对获取的数据进行重要变量提取，比如激光雷达的高度、风向、水平风速和垂直风速等，并整理变量的格式，将相同类型的变量的单位、小数点后的位数等格式进行统一处理；以及检测所述数据集的异常值，由于激光雷达可能存在故障导致输出值为9998/9999等异常值，因此在检测到异常值时需要将该异常值剔除。进一步将清洗后的所述数据集标准化处理，并将标准化处理的数据集划分为训练集和测试集，用于后续的模型训练。
值得一提的是，所述数据集的标准化处理包括：将所述激光雷达和运动传感器探测到的角度数据(风向、俯仰角、航向角和横滚角)转化为机器模型可识别的数据，其中将所述角度数据转化为对应角度的余弦值或正弦值，并建立所述余弦值或正弦值对应的角度映射关系，由于机器学习模型无法识别运动0-360°角度的跳变，将所述角度转化为正弦值或余弦值可解决上述问题，当完成机器学习的训练后，进一步将所述余弦值或正弦值根据映射关系转化为对应的角度：θ→(sin(θ)，cos(θ))；θ→(sin(θ)，cos(θ))。
所述数据集标准化的方法还包括：使用异常值鲁棒的统计信息来缩放特征，采用四分位数据范围对数据集进行缩放，用于将数据集标准化，标准化的数据集可以提高机器学习模型的精度，并提高机器学习模型的收敛度。所述四分位数据范围对数据集进行缩放的公式为：
Figure BDA0003409712020000051
vi为同一类型数据集中的某个值，且median是同一类型数据集的中位数，IQR是样本的四分位距。
在完成所述数据集的标准化后，将所述数据集划分为8∶2的训练集和测试集。
本发明进一步建立机器学习算法的评价模型，其中所述评价模型的指标包括R方(R2)及平均绝对误差(MAE)，其中所述R方的值需要达到0.97以上，且所述R方的值越接近于1则说明机器学习算法的预测效果越好，且所述平均绝对误差的越小越好，其中所述评价模型的R方(R2)及平均绝对误差(MAE)两个指标的组合方式包括但不仅限于加权求和等方式，评价模型的实现方式可以是多种，因此本发明对评价模型的实现方式不再详细举例说明，其中所述绝对误差(MAE)和R方(R2)的计算公式分别为：
Figure BDA0003409712020000061
其中其中MAE为平均绝对误差，R2为拟合优度，yi是观测值，
Figure BDA0003409712020000062
是预测值，
Figure BDA0003409712020000063
是平均值。
本发明采用KFold方法将标准化处理后的数据集划分为N个子集，其中每次选用一个子集作为测试集，并将剩余的N-1个子集作为训练集，当每个子集都作为测试集后生成N个结果，将N结果进行交叉验证，用于获取机器模型的最佳超参数，其中所述交叉验证的方法为现有技术，本发明对此不再赘述。
需要说明的是，本发明需要将所述训练集输入到包括但不仅限于Lasso，ElasticNet，GradientBoost，XGB，LGB，SVR等多种机器学习模型进行训练。并根据所述KFold方法获取每个机器学习模型的最佳超参数，并根据所述评价模型获取最佳的机器学习模型。比如，最佳修正风速的模型为Lasso算法模型，全称为Least Absolute Shrinkageand Selection Operator，所述训练集包含对应的特征变量和目标变量，在训练完成后，通过输入特征变量就可以输出经过修正真实的风速。比如，最佳的修正风向的模型为SVR，全称Support Vector Regression，是一种使用SVM(支持向量机)来预测连续目标变量的机器学习算法。在训练完毕后，向所述SVR模型中输入特征变量即可得到修正后的真实风向。进一步将每一类型的特征变量对应的最佳机器学习模型对应的输出值组合生成修正后的风参数数据。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (10)

1.一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述方法包括如下步骤：
获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；
将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；
将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；
根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；
使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数；
将特征变量和目标变量预处理后组成的数据集及最佳超参数输入选取的最优机器学习模型中进行训练，得到训练好的最优机器学习模型；
将待运动补偿的测风数据及运动数据输入训练好的最优机器学习模型，得到补偿后的实际测风数据。
2.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述特征变量和目标变量获取方法包括：
获取浮标上激光雷达检测的高度、风向、水平风速和垂直风速，其中风向为正北的偏离角度；
获取同一浮标上运动传感器的俯仰角、航向角和横滚角；
获取靠近相同浮标固定安装的满足相同测风标准的标准测风设备检测的高度、风向、水平风速和垂直风速。
3.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理的方法包括：检测并剔除特征变量和目标变量异常值，将所述特征变量和目标变量进行标准化并划分为训练集和测试集。
4.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理方法包括：获取所述特征变量和目标变量的角度数据，将所述角度数据转化为余弦变量或正弦变量，并建立余弦变量或正弦变量和角度的映射关系，并在完成模型训练后转化为角度值：
θ→(sin(θ)，cos(θ))；
arctan2(sin(θ)，cos(θ))→θ。
5.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理方法包括：采用四分位数范围对特征变量和目标变量的数据集进行缩放，将所述数据集进行标准化，所述数据集标准化的计算方法包括：
Figure FDA0003409712010000021
vi为同一类型数据集中的某个值，且median是同一类型数据集的中位数，IQR是样本的四分位距。
6.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述评价模型的计算方法包括：
Figure FDA0003409712010000022
其中MAE为平均绝对误差，R2为拟合优度，yi是观测值，
Figure FDA0003409712010000023
是预测值，
Figure FDA0003409712010000024
是平均值。
7.根据权利要求5所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，将预处理后的数据集划分为训练集和测试集，将训练集输入到多个机器学习模型中，其中所述机器学习模型包括：Lasso模型，ElasticNet模型，GradientBoost模型，XGB模型，LGB模型和SVR模型，获取每个机器学习模型输出预测值，并根据所属评价模型的评价标准，使用测试集判断最优机器学习模型。
8.根据权利要求7所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，采用KFold方法将所述数据集划分为N个互斥的子集，每次将其中一个不同于前次的子集做为测试集，剩下的N-1个子集作为训练集输入到所述最优机器学习模型中得到N个结果进行交叉验证，根据验证结果得到最佳超参数。
9.一种基于机器学习的激光雷达测风运动补偿系统，其特征在于，所述系统执行所述权利要求1-8中任意一项所述的一种基于机器学习的激光雷达测风运动补偿方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行所述权利要求1-8中任意一项所述的一种基于机器学习的激光雷达测风运动补偿方法。
CN202111524679.0A 2021-12-14 2021-12-14 一种基于机器学习的激光雷达测风运动补偿方法和系统 Pending CN114218860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524679.0A CN114218860A (zh) 2021-12-14 2021-12-14 一种基于机器学习的激光雷达测风运动补偿方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524679.0A CN114218860A (zh) 2021-12-14 2021-12-14 一种基于机器学习的激光雷达测风运动补偿方法和系统

Publications (1)

Publication Number Publication Date
CN114218860A true CN114218860A (zh) 2022-03-22

Family

ID=80701889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524679.0A Pending CN114218860A (zh) 2021-12-14 2021-12-14 一种基于机器学习的激光雷达测风运动补偿方法和系统

Country Status (1)

Country Link
CN (1) CN114218860A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118091705A (zh) * 2024-04-17 2024-05-28 南京信息工程大学 一种基于监督学习的相干测风激光雷达风速反演方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118091705A (zh) * 2024-04-17 2024-05-28 南京信息工程大学 一种基于监督学习的相干测风激光雷达风速反演方法

Similar Documents

Publication Publication Date Title
AU2013388670B2 (en) Determining a health condition of a structure
Yu et al. Fast bridge deflection monitoring through an improved feature tracing algorithm
Yang et al. Three-dimensional measurement of precise shaft parts based on line structured light and deep learning
Huang et al. Wave height estimation from X-band nautical radar images using temporal convolutional network
CN113343541B (zh) 长大跨桥梁的涡激振动预警方法、装置及终端
CN116399820B (zh) 植被遥感产品真实性校验方法、装置、设备及介质
CN114445404A (zh) 基于亚像素边缘检测的结构振动响应自动识别方法及系统
CN117076928A (zh) 一种桥梁健康状态监测方法、装置、系统及电子设备
CN114218860A (zh) 一种基于机器学习的激光雷达测风运动补偿方法和系统
Hou et al. A pointer meter reading recognition method based on YOLOX and semantic segmentation technology
Marques et al. Crater delineation by dynamic programming
Prasad et al. A real-time feature-based clustering approach for vibration-based SHM of large structures
CN116202492A (zh) 一种基于高低频分离的随船波浪测量方法
CN116819561A (zh) 一种点云数据匹配方法、系统、电子设备及存储介质
Gu et al. Improved SURF method in digital image correlation for estimation of large rotation angle
CN113253232B (zh) 结合机器学习与三维变分同化的二维风场反演方法和装置
CN115617010A (zh) 一种基于视觉增强的燃气轮机传感器故障诊断方法及系统
CN113029103A (zh) 一种风机塔筒基础环的倾斜测量方法、系统和存储介质
CN113419502A (zh) 基于人工智能的制壳生产过程的工序监测方法与系统
Qiao et al. A novel object detector based on high-quality rotation proposal generation and adaptive angle optimization
CN116008970B (zh) 基于视频图像验证雷达净空值反演精度的方法
CN117216954B (zh) 一种海面散射系数快速预测方法、系统、设备及介质
CN116910489B (zh) 基于人工智能的墙体防渗检测方法及相关装置
CN116402814B (zh) 植被指数获取、植被遥感产品真实性校验方法及装置
CN113450308B (zh) 一种雷达降雨检测方法、装置、计算机设备和存储介质

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