CN114636981B - 基于雷达回波的在线深度学习台风中心定位系统 - Google Patents

基于雷达回波的在线深度学习台风中心定位系统 Download PDF

Info

Publication number
CN114636981B
CN114636981B CN202210187643.6A CN202210187643A CN114636981B CN 114636981 B CN114636981 B CN 114636981B CN 202210187643 A CN202210187643 A CN 202210187643A CN 114636981 B CN114636981 B CN 114636981B
Authority
CN
China
Prior art keywords
data
typhoon
speed
predicted
value
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
Application number
CN202210187643.6A
Other languages
English (en)
Other versions
CN114636981A (zh
Inventor
陈超
胡东明
伍志方
刘段灵
张阿思
程兴国
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.)
Guangdong Meteorological Station South China Sea Marine Meteorological Forecasting Center
Original Assignee
Guangdong Meteorological Station South China Sea Marine Meteorological Forecasting Center
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 Guangdong Meteorological Station South China Sea Marine Meteorological Forecasting Center filed Critical Guangdong Meteorological Station South China Sea Marine Meteorological Forecasting Center
Priority to CN202210187643.6A priority Critical patent/CN114636981B/zh
Publication of CN114636981A publication Critical patent/CN114636981A/zh
Application granted granted Critical
Publication of CN114636981B publication Critical patent/CN114636981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • 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
    • 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
    • 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

Abstract

本发明公开了基于雷达回波的在线深度学习台风中心定位系统，通过雷达回波收集到的速度数据和反射率数据，根据数据的仰角与高度信息构建出一个矩阵，将矩阵的极坐标投影到直角坐标系中，对直角坐标系中的数据进行预处理，使得数据的真实性增加，将预测台风走向的误差降低到最低，通过真实矩阵数据构建出预测矩阵，可以预测出台风的走向，并且将预测出的台风数据输入到卷积神经网络进行深度学习，可以让防灾、减灾工作得到更加便利的解决方法。

Description

基于雷达回波的在线深度学习台风中心定位系统
技术领域
本发明属于计算机领域中的图像目标检测技术，具体涉及一种基于雷达回波的在线深度学习台风中心定位系统。
背景技术
现有的台风中心定位方法主要基于卫星云图或微波散射计来实现。基于卫星云图的台风中心定位方法通过遥感卫星获取卫星云图，并利用台风边缘轮廓特征或者图像灰度阈值来识别定位；基于微波散射计的台风中心定位方法通过获取海面风场数据，并基于风场中获得风速、风向特征进行台风定位。
基于卫星云图的方法拥有时空分辨率高、覆盖范围广的优点，但因为通过云移动推导出的风是云顶风，不是海面风，因此该方法定位只能近似的获得海面风，定位容易产生误差。
基于微波散射计的方法可同时获得全球海面风向和风速，但受限于轨道因素，微波散射计每天只能获取两轨数据，在时间分辨率上不能满足准确、及时预报台风轨迹的需求。
此外，上述两个方法都主要关注台风在海上形成并移动的过程，对台风登陆后的移动轨迹的预测的精度较低。而防灾、减灾工作主要依赖于对台风登陆以及登陆后的移动的准确预测。
发明内容
本发明的目的在于提出基于雷达回波的在线深度学习台风中心定位系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供基于雷达回波的在线深度学习台风中心定位系统，所述方法包括以下步骤：
S100，通过雷达回波收集速度数据和反射率数据进行准备；
S200，将以极坐标的形式表示的速度数据和反射率数据投影在直角坐标系中；
S300，对直角坐标系上的数据进行数据预处理；
S400，将经过数据预处理后的数据输入到卷积神经网络模型中进行深度学习。
进一步地，在步骤S100中，将通过同一时间下雷达回波获取的台风各点的速度数据v和反射率数据f，并且对不同的仰角a，和高度信息h，对速度数据v根据不同的仰角层投影到直角坐标系上，以及对反射率数据f根据不同高度层投影到直角坐标系上，构建数组包括：速度仰角层和反射率高度层，将速度仰角层和反射率高度层从上至下堆叠。
进一步地，在步骤S200中，将以极坐标的形式表示的速度数据v和反射率数据f投影在直角坐标系中，在直角坐标系内叠加一雷达回波数据资料构建的网格，每个网格点的值由周围雷达距离库的值确定，其中雷达回波数据资料包括：各个网格点在笛卡尔坐标系下的经度、纬度和高度，将矩阵中的极坐标点用邻居算法给相近的网格点进行赋值，并让网格点获得分析值analysis，通过分析值analysis的方向一个距离库的距离构建新的网格点，命名为预测点，将所有通过网格点分析值analysis构建的预测点构建矩阵，命名为预测矩阵，并将预测矩阵的速度数据vt和反射率数据ft构建仰角速度层和高度反射率层进行投影，得到PPI和CAPPI，其中PPI为平面位置显示器，指的是雷达在某个仰角上扫描一圈得到的数组，CAPPI为等高平面位置显示器，指的是在某一相等高度上的雷达数组。
进一步地，在步骤S300中，数据预处理包括：将上述获取的数组进行数据清洗以及归一化处理。删除数据集中的无关数据，重复数据，平滑噪声数据，并且筛选掉与预测无关的数据，处理缺失值，异常值。
进一步地，在所述的平滑噪声数据的方法包括以下步骤：
S201，通过对雷达回波中的速度数据v和反射率数据f进行统计，并对监测台风通过面积平均划分，对各个台风分区的速度数据v求取平均值vp，并对各个台风分区的平均值vp进行对比，最小平均值的台风分区命名为最小速度风区；
S202，在最小速度风区中，取风区中心点的速度数据v，并带公式
Figure DEST_PATH_IMAGE001
，得出径向速度Vj，其中a为该速度数据的仰角，将径向速度Vj速度方向翻转180°，得到-Vj， 以Vj和-Vj为初始参考速度，将其他台风分区速度与参考速度进行比较，
Figure 998649DEST_PATH_IMAGE002
其中令n初始值为1，Vmax为雷达最大不模糊速度；
S203，得出 Vi与参考速度 Vj的差值小于设定的阈值，参考速度Vj取当前库周围的 3个距离库经过计算的径向速度的速度平均值Vp。然后把初始参考速度Vj及其左右 2根径向作为相反方向的径向解模糊的参考径向，其左右两根的径向速度都为速度平均值Vp，从初始参考径向左右相邻的2根径向的方向扩散开始进行多次顺时针和逆时针 180°方位的逐根径向解模糊，对于每根径向，先切向、后径向进行处理。最后通过仰角a和反射率f对径向速度进行径向和方位方向的强风切变检查，如果还有强风切变存在，那么通过搜索弱风切变区中有效速度距离库最多的径向再次确定一组解模糊的参考速度Vj，重复前面的解模糊过程。在多次解模糊过程中，判断速度是否模糊的标准由紧到松，切变阈值由小到大自动调整，以确保用于后面解模糊处理的参考速度的可靠性。
进一步地，将所述的预测矩阵，在经过误差分析后，将预测矩阵输入到卷积神经网络模型中，并对模型进行深度学习，在运行系统进行台风中心定位过程中，每当获取到新的台风数据，系统将进行增量学习，基于预训练的基础模型，获取到新的台风数据后，进行基础模型的读取，并将新的台风数据添加到读取的基础模型中进行增量学习训练，后续若再次获取到新的台风数据，则通过读取增强模型，再次将新的数据添加到模型中进行训练，在系统运行的过程中，进行不断地在线学习，增强模型的普适性。
本发明的有益效果为：本发明采用时间间隔更小的雷达回波数据进行定位，克服了前述的现有技术中对时间分辨率较大，无法及时预测台风登陆后的移动轨迹的缺陷，并且加入误差分析，将预测台风走向的误差降低到最低。此外，该算法加入了在线学习技术，可将最新雷达回波收集的数据输入模型中学习，可以及时根据最新数据进行模型的更新。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为基于雷达回波的在线深度学习台风中心定位系统流程图；
图2所示为基于雷达回波的在线深度学习台风中心定位解速度模糊流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1和图2所示为基于雷达回波的在线深度学习台风中心定位系统流程图和基于雷达回波的在线深度学习台风中心定位解速度模糊流程图，下面结合图1和图2来阐述根据本发明的实施方式的基于雷达回波的在线深度学习台风中心定位系统，所述方法包括以下步骤：
S100，通过雷达回波收集速度数据和反射率数据进行准备；
S200，将速度数据和反射率数据以极坐标的形式投影在直角坐标系中；
S300，对直角坐标系上的数据进行数据预处理；
S400，将经过数据预处理后的数据输入到卷积神经网络模型中进行深度学习。
进一步地，在步骤S100中，在回波采集时时间分辨率上一般是逐6分钟获得一次数据，包括速度数据v和高度数据h，可以及时根据最新数据更新预测位置，此外雷达回波可以获取不同高度的数据h，可以充分利用空间上的信息，增强定位准确性，将通过同一时间下雷达回波获取的台风各点的速度数据v和反射率数据f，并且对不同的仰角a，和高度信息h，对速度数据v和反射率数据f构建数组包括：速度仰角层和反射率高度层，将速度仰角层和反射率高度层从上至下堆叠，进过堆叠后，数据组转化为三维向量模型，并对三维向量模型进行初步训练，其中算法基于二进制存储的雷达文件，不同雷达对应的数据文件的格式不同。应用该算法时需要根据不同雷达采取不同的数据读取方法。
进一步地，将以极坐标的形式表示的速度数据v和反射率数据f投影在直角坐标系中，在直角坐标系内叠加一雷达回波数据资料构建的网格，每个网格点的值由周围雷达距离库的值确定，其中雷达回波数据资料包括：各个网格点在笛卡尔坐标系下的经度、纬度和高度，将矩阵中的极坐标点用邻居算法给相近的网格点进行赋值，并让网格点获得分析值analysis，通过分析值analysis的方向一个距离库的距离构建新的网格点，命名为预测点，将所有通过网格点分析值analysis构建的预测点构建矩阵，命名为预测矩阵，并将预测矩阵的速度数据vt和反射率数据ft构建仰角速度层和高度反射率层进行投影，得到PPI和CAPPI，其中PPI为平面位置显示器，指的是雷达在某个仰角上扫描一圈得到的数组，CAPPI为等高平面位置显示器，指的是在某一相等高度上的雷达数组。
进一步地，在步骤S300中，数据预处理包括：将上述获取的数组进行数据清洗以及归一化处理。删除数据集中的无关数据，重复数据，平滑噪声数据，并且筛选掉与预测无关的数据，处理缺失值，异常值。
进一步地，在所述的平滑噪声数据的方法包括以下步骤：
S201，通过对雷达回波中的速度数据v和反射率数据f进行统计，并对监测台风通过面积平均划分，对各个台风分区的速度数据v求取平均值vp，并对各个台风分区的平均值vp进行对比，最小平均值的台风分区命名为最小速度风区；
S202，在最小速度风区中，取风区中心点的速度数据v，并带公式
Figure 725040DEST_PATH_IMAGE001
，得出径向速度Vj，其中a为该速度数据的仰角，将径向速度Vj速度方向翻转180°，得到-Vj， 以Vj和-Vj为初始参考速度，将其他台风分区速度与参考速度进行比较，
Figure 778386DEST_PATH_IMAGE002
其中令n初始值为1，Vmax为雷达最大不模糊速度；
S203，如图2所示，得出 Vi与参考速度 Vj的差值小于设定的阈值，参考速度Vj取当前库周围的 3个距离库经过计算的径向速度的速度平均值Vp。然后把初始参考速度Vj及其左右 2根径向作为相反方向的径向解模糊的参考径向，其左右两根的径向速度都为速度平均值Vp，从初始参考径向左右相邻的2根径向的方向扩散开始进行多次顺时针和逆时针180°方位的逐根径向解模糊，对于每根径向，先切向、后径向进行处理。最后通过仰角a和反射率f对径向速度进行径向和方位方向的强风切变检查，如果还有强风切变存在，那么通过搜索弱风切变区中有效速度距离库最多的径向再次确定一组解模糊的参考速度Vj，重复前面的解模糊过程。在多次解模糊过程中，判断速度是否模糊的标准由紧到松，切变阈值由小到大自动调整，以确保用于后面解模糊处理的参考速度的可靠性。
进一步地，将所述的预测矩阵，在经过误差分析后，将预测矩阵输入到卷积神经网络模型中，并对模型进行深度学习，在运行系统进行台风中心定位过程中，每当获取到新的台风数据，系统将进行增量学习，基于预训练的基础模型，获取到新的台风数据后，进行基础模型的读取，并将新的台风数据添加到读取的基础模型中进行增量学习训练，后续若再次获取到新的台风数据，则通过读取增强模型，再次将新的数据添加到模型中进行训练，在系统运行的过程中，进行不断地在线学习，增强模型的普适性，其中在线学习需要保证实况数据接口更新的及时性和数据的准确性，否则将减弱在线学习的作用。
所述基于雷达回波的在线深度学习台风中心定位系统，本算法在数据准备阶段，分别以仰角为0.5，1.5，2.4对速度数组进行投影，以及以高度为2KM，3KM，4KM，5KM，6KM对反射率数组进行投影。通过堆叠的方式，将数组堆叠成三维向量，并传入模型进行训练，本算法可以将过去十年的台风数据输入到模型中进行训练，从而获得基础模型。但由于台风属于小概率事件，即使十年的数据在深度学习里也算不上多。出于增强模型的普适性考虑，本算法引入了在线增量学习方法，对实时采集的台风数据构建数据矩阵并且输入到卷积神经网络模块中进行深度学习。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.基于雷达回波的在线深度学习台风中心定位系统，其特征在于，包括以下步骤：
S100，通过雷达回波收集速度数据和反射率数据进行准备；
S200，将以极坐标的形式表示的速度数据和反射率数据投影在直角坐标系中；
S300，对直角坐标系上的数据进行数据预处理；
S400，将经过数据预处理后的数据输入到卷积神经网络模型中进行深度学习；
在步骤S200中，将以极坐标的形式表示的速度数据v和反射率数据f投影在直角坐标系中，在直角坐标系内叠加一雷达回波数据资料构建的网格，每个网格点的值由周围雷达距离库的值确定，其中雷达回波数据资料包括：各个网格点在笛卡尔坐标系下的经度、纬度和高度，将矩阵中的极坐标点用邻居算法给相近的网格点进行赋值，并让网格点获得分析值analysis，通过分析值analysis的方向一个距离库的距离构建新的网格点，命名为预测点，将所有通过网格点分析值analysis构建的预测点构建矩阵，命名为预测矩阵，并将预测矩阵的速度数据vt和反射率数据ft构建仰角速度层和高度反射率层进行投影，得到PPI和CAPPI，其中PPI为平面位置显示器，指的是雷达在某个仰角上扫描一圈得到的数组，CAPPI为等高平面位置显示器，指的是在某一相等高度上的雷达数组；
所述网格点的分析值analysis构建出预测点，并构建预测矩阵，对预测矩阵数据的误差分析方法步骤为：
S301，将预测点的速度数据vt和反射率数据ft，通过计算获得预测值为Y，
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
,MSE为预测值与真实值的误差程度，将MSE与设定误差最大阈值Z进行差值对比对比，当（MSE-Z）＜0时，则预测点的位置处于合理范围，可以采用该预测点，若（MSE-Z）≥0时，则将预测值输入S302中；
S302，当预测点的MSE系数过大，则计算预测点与真实网格点的位置相似度，通过对预测点的极坐标数据对预测点的位置进行判断，将真实网格点的极坐标数据与预测点的极坐标数据带入
Figure DEST_PATH_IMAGE006
中，其中
Figure DEST_PATH_IMAGE008
指在网格点(i,j)处的预测概率，
Figure DEST_PATH_IMAGE010
指在格点(i,j)处的真实值；M、N分别为输入的行与列，通过FSS的数据绘制出示意图，若示意图中真实网格点与预测点的距离小于一个距离库，则预测点为合理预测，若示意图中真实网格点与预测点的距离大于一个距离库，则预测点为不合理预测，将要对预测点进行删除。
2.根据权利要求1所述的基于雷达回波的在线深度学习台风中心定位系统，其特征在于，在步骤S100中，将通过同一时间下雷达回波获取的台风各点的速度数据v和反射率数据f，并且对不同的仰角a，和高度信息h，对速度数据v根据不同的仰角层投影到直角坐标系上，以及对反射率数据f根据不同高度层投影到直角坐标系上，构建数组包括：速度仰角层和反射率高度层，将速度仰角层和反射率高度层从上至下堆叠。
3.根据权利要求2所述的基于雷达回波的在线深度学习台风中心定位系统，其特征在于，在步骤S300中，数据预处理包括：将上述获取的数组进行数据清洗以及归一化处理，删除数据集中的无关数据，重复数据，平滑噪声数据，并且筛选掉与预测无关的数据，处理缺失值，异常值。
4.根据权利要求3所述的基于雷达回波的在线深度学习台风中心定位系统其特征在于，在所述的平滑噪声数据的方法包括以下步骤：
S201，通过对雷达回波中的速度数据v和反射率数据f进行统计，并对监测台风通过面积平均划分，对各个台风分区的速度数据v求取平均值vp，并对各个台风分区的平均值vp进行对比，最小平均值的台风分区命名为最小速度风区；
S202，在最小速度风区中，取风区中心点的速度数据v，并带公式
Figure DEST_PATH_IMAGE012
，得出径向速度Vj，其中a为该速度数据的仰角，将径向速度Vj速度方向翻转180°，得到-Vj，以Vj和-Vj为初始参考速度，将其他台风分区速度与初始参考速度进行比较，
Figure 479855DEST_PATH_IMAGE002
其中令n初始值为1，Vmax为雷达最大不模糊速度，所述Vi为通过初始参考速度与最大不模糊速度Vmax，通过计算得到的过程变量；
S203，得出 Vi与初始参考速度 Vj的差值小于设定的阈值，初始参考速度Vj取当前库周围的 3个距离库经过计算的径向速度的速度平均值Vp；然后把初始参考速度Vj及其左右2根径向作为相反方向的径向解模糊的参考径向，其左右两根的径向速度都为速度平均值Vp，从初始参考径向左右相邻的2根径向的方向扩散开始进行多次顺时针和逆时针 180°方位的逐根径向解模糊，对于每根径向，先切向、后径向进行处理；最后通过仰角a和反射率f对径向速度进行径向和方位方向的强风切变检查，如果还有强风切变存在，那么通过搜索弱风切变区中有效速度距离库最多的径向再次确定一组解模糊的初始参考速度Vj，重复前面的解模糊过程；在多次解模糊过程中，判断速度是否模糊的标准由紧到松，切变阈值由小到大自动调整，以确保用于后面解模糊处理的参考速度的可靠性。
5.根据权利要求1所述的基于雷达回波的在线深度学习台风中心定位系统，其特征在于，将所述的预测矩阵，在经过误差分析后，将预测矩阵输入到卷积神经网络模型中，并对模型进行深度学习，在运行系统进行台风中心定位过程中，每当获取到新的台风数据，系统将进行增量学习，基于预训练的基础模型，获取到新的台风数据后，进行基础模型的读取，并将新的台风数据添加到读取的基础模型中进行增量学习训练，后续若再次获取到新的台风数据，则通过读取增强模型，再次将新的数据添加到模型中进行训练，在系统运行的过程中，进行不断地在线学习，增强模型的普适性。
CN202210187643.6A 2022-02-28 2022-02-28 基于雷达回波的在线深度学习台风中心定位系统 Active CN114636981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210187643.6A CN114636981B (zh) 2022-02-28 2022-02-28 基于雷达回波的在线深度学习台风中心定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210187643.6A CN114636981B (zh) 2022-02-28 2022-02-28 基于雷达回波的在线深度学习台风中心定位系统

Publications (2)

Publication Number Publication Date
CN114636981A CN114636981A (zh) 2022-06-17
CN114636981B true CN114636981B (zh) 2022-12-02

Family

ID=81947871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210187643.6A Active CN114636981B (zh) 2022-02-28 2022-02-28 基于雷达回波的在线深度学习台风中心定位系统

Country Status (1)

Country Link
CN (1) CN114636981B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115586529B (zh) * 2022-09-07 2023-10-03 广东省气象台(南海海洋气象预报中心、珠江流域气象台) 基于比衰减的x波段双偏振相控阵雷达定量降水估测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337928A (zh) * 2020-03-20 2020-06-26 厦门市气象台(厦门市海洋气象台、海峡气象开放实验室) 一种雷达回波移动信息计算方法和装置
CN111462230A (zh) * 2020-02-18 2020-07-28 天津大学 一种基于深度强化学习的台风中心定位方法
CN112069955A (zh) * 2020-08-26 2020-12-11 河海大学 基于深度学习的台风强度遥感反演方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526067A (zh) * 2017-03-07 2017-12-29 中国气象局武汉暴雨研究所 全自动多普勒天气雷达径向速度退模糊算法
CN112053375A (zh) * 2020-08-26 2020-12-08 上海眼控科技股份有限公司 基于改进的网络卷积模型预测临近预报的方法及设备
CN112396646B (zh) * 2020-11-18 2021-10-01 国家海洋环境预报中心 台风中心点定位方法和装置
CN113936142A (zh) * 2021-10-13 2022-01-14 成都信息工程大学 一种基于深度学习的降水临近预报方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462230A (zh) * 2020-02-18 2020-07-28 天津大学 一种基于深度强化学习的台风中心定位方法
CN111337928A (zh) * 2020-03-20 2020-06-26 厦门市气象台(厦门市海洋气象台、海峡气象开放实验室) 一种雷达回波移动信息计算方法和装置
CN112069955A (zh) * 2020-08-26 2020-12-11 河海大学 基于深度学习的台风强度遥感反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种雷达回波飑线智能识别的方法;王兴等;《热带气象学报》;20200615(第03期);全文 *
基于BP神经网络的台风降雨量预测研究;封毅等;《水土保持研究》;20120615(第03期);全文 *

Also Published As

Publication number Publication date
CN114636981A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN111239766B (zh) 基于激光雷达的水面多目标快速识别跟踪方法
CN112328718B (zh) 一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法
CN112230243B (zh) 一种移动机器人室内地图构建方法
CN113866742B (zh) 一种4d毫米波雷达点云处理和目标分类的方法
CN109145836B (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN1389710A (zh) 多传感器多目标信息融合方法
CN105137418A (zh) 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN113325422B (zh) 天基测雨雷达目标定位及降雨信息三维处理方法和系统
CN115840221B (zh) 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法
CN114636981B (zh) 基于雷达回波的在线深度学习台风中心定位系统
CN111929653B (zh) 一种基于无人船航海雷达的目标检测、跟踪方法及系统
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN114898206A (zh) 一种短时强降水预报方法及计算机设备和存储介质
CN112731564B (zh) 一种基于多普勒天气雷达数据的雷电智能预报方法
CN116052099A (zh) 一种面向非结构化道路的小目标检测方法
CN114488026A (zh) 基于4d毫米波雷达的地下停车库可通行空间检测方法
CN115563574A (zh) 一种基于综合判据的多传感器空中目标点迹数据融合方法
CN114137637A (zh) 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
CN114485607A (zh) 一种运动轨迹的确定方法、作业设备、装置、存储介质
CN113888589A (zh) 一种基于激光雷达的水面障碍物检测与多目标跟踪方法
CN111421548B (zh) 一种移动机器人定位方法及系统
CN116879863B (zh) 一种连续波4d毫米波雷达多目标测量方法及系统
Xie et al. Moving Object Detection Algorithm Based on Adaptive Clustering
CN116577734A (zh) 基于先验知识的机载雷达精细化杂波仿真方法与装置

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