CN114814993A - 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法 - Google Patents

一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法 Download PDF

Info

Publication number
CN114814993A
CN114814993A CN202210307262.7A CN202210307262A CN114814993A CN 114814993 A CN114814993 A CN 114814993A CN 202210307262 A CN202210307262 A CN 202210307262A CN 114814993 A CN114814993 A CN 114814993A
Authority
CN
China
Prior art keywords
snowfall
dcgan
cnn
snowfall intensity
training
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
Application number
CN202210307262.7A
Other languages
English (en)
Other versions
CN114814993B (zh
Inventor
杨涛
朱文苹
李振亚
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210307262.7A priority Critical patent/CN114814993B/zh
Publication of CN114814993A publication Critical patent/CN114814993A/zh
Application granted granted Critical
Publication of CN114814993B publication Critical patent/CN114814993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

本发明公开了一种基于DCGAN和2D‑CNN的微波衰减降雪强度监测方法，属于气象因子监测技术领域。该方法包括步骤：S1.将降雪前和降雪中的微波信号分别经过SWT分解为不同IMF；S2.比较两组IMF分量，剔除相似分量，将降雪组中的差异分量通过Hilbert变换计算得到其瞬时频率曲线图；S3.利用DCGAN以S2中得到瞬时频率曲线作为初始数据集，提取内在特征，对抗生成适用性更好的新样本数据集；S4.构建2D‑CNN，对S3中生成的大样本深度学习训练，按照特征将其根据对应降雪强度分类；S5利用微波衰减反演降雪强度。本发明期望通过微波衰减特征反演出相应的降雪强度，实现实时降雪强度监测，弥补降雪强度监测空白。

Description

一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法
技术领域
本发明属于气象因子监测技术领域，具体的是一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法。
背景技术
实现高精度的降雪强度监测，为雪害防护、雪灾防治以及针对冰雪的道路安全等决策提供支持。降雪数据主要包括降雪面积、降雪量、积雪深度等，目前较为常见的降雪数据监测方式主要有人工监测、雨雪量计、天气雷达、卫星探测等；由于恶劣天气影响，导致人工监测难度大，效率低；雨雪量计现有观测点有限，无法真实反映降雪空间分布，且对于高寒高海拔以及城市密集地区建站难度大；雷达探测存在监测盲区、监测时空分辨率难以提高等问题；卫星遥感则存在严重滞时性且时空分辨率低；此外，以上手段都需要极大的维护管理成本，且只能观测降水相态，或标准不一的雪水当量，难以获取统一标准的降雪强度数据，或获得数据资料少，需要多源数据分析使用。
利用微波衰减特征信号进行降雪强度监测是一种新型降雪监测方法，微波通信采用的电磁波穿过降雪区域时，由于雪粒对微波的米氏散射等原因而对其传播发生干扰，造成微波明显的衰减，而不同降雪强度会出现不同的衰减效果，通过对不同降雪强度对应的微波衰减进行特征提取，对微波衰减进行分类，制定降雪强度标签，从而利用微波衰减反演降雪强度。
降雪强度监测是降水数据监测中重要的一部分，降雪天气使得监测环境恶劣，且目前缺少有关降雪强度间接监测的有效方法，我国无线通信网络覆盖广，信号质量高，利用商业微波，充分整合现有社会资源，维护管理成本低，监测盲点小精度高，时空分辨率高，因此，无线通信网络降雪监测分析技术有很高的推广应用价值。
然而，引起微波衰减的原因复杂，仅靠人力难以高效捕捉由降雪引起微波衰减的潜在特征，以及区分不同强度降雪对应的微波衰减特征；同时，若利用深度学习网络进行特征提取并分类，又由于降雪天气多发生于低温季节，高纬度高海拔地区，降雪资料缺乏，对于深度学习需要大样本训练的需求，原始数据难以满足。
发明内容
本发明的目的在于提供一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，能够提取由降雪因素引起的微波衰减特征，并将其根据降雪强度进行分类，训练出能根据微波衰减瞬时频率曲线得到降雪强度等级的网络模型。
本发明解决上述技术问题采用的技术方案为：
一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，包括如下几个步骤：
S1.将降雪前和降雪中的微波信号分别经过SWT(压缩小波变换)分解为不同IMF(内蕴模态函数类)；
S2.比较两组IMF分量，剔除相似分量，将降雪中的差异分量通过Hilbert 变换计算得到其瞬时频率曲线图；
S3.利用DCGAN(深度卷积对抗生成网络)以S2中得到瞬时频率曲线作为初始数据集，提取内在特征，对抗生成适用性更好的新样本数据集；
S4.构建2D-CNN(二维卷积神经网络)，对S3中生成的大样本深度学习训练，按照特征将其根据对应降雪强度分类；
S5.利用微波衰减反演降雪强度。
进一步地，所述S2包括以下步骤：
S2-1.将S1中分离出的IMF进行对照，剔除共同的衰减成因，提取出与降雪有关的微波信号特征；
S2-2.利用Hilbert变换分离出的差异内蕴模态函数类进行频率识别，计算出瞬时频率曲线。
进一步地，所述S3包括以下步骤：
S3-1.训练使用优化方法Mini-batch SGD，batch size选择32；
S3-2.所有的参数都采用0均值，标准差为0.02的初始化方式；
S3-3.DCGAN中卷积网络的激活函数选择LeakyReLU，α取值0.2；
S3-4.优化器使用Adam，学习率调整为0.0002，β1设置为0.5；
S3-5.判别器D训练2次，生成器G训练1次，迭代次数设置为800，设置SSIM阈值0.9，每迭代10次输出一次SSIM的平均值，作为选取扩充样本的标准。
进一步地，所述S3-5中，判别器D的生成方式为：5个卷积层，4个LReLU 层，1个sigmoid输出激活层；生成器G的创建方式为：5个转置卷积层，4个 LReLU层，1个Tanh输出激活层。
进一步地，所述S4包括以下步骤：
S4-1.按照降雪强度大小将与之相对应的瞬时频率曲线样本进行等级分类，制定降雪标签，以12小时降水量为划分标准，数据集统一采用4类标签进行标记：Ⅰ代表小雪、Ⅱ代表中雪、Ⅲ代表大雪、Ⅳ代表暴雪；
S4-2.根据样本的大小，建立2D-CNN模型，设置网络卷积层、池化层以及全连接层参数，池化方式选择最大池化；
S4-3.训练网络，参数初始化方式同S3-2，将训练样本输入网络，优化器同S3-4，训练次数400次；
S4-4.测试网络，将测试样本输入网络，测试目标分类能力，以OA值作为训练网络时参数调整的依据。
进一步地，所述S5包括以下步骤：
S5-1.将待测微波衰减数据经过S1、S2得到与降雪相关的信号分量瞬时频率曲线，利用S3中DCGAN对抗生成适用性更好的数据集，将其输入S4中训练好的2D-CNN网络中，得到降雪强度等级。
与现有技术相比，本发明的有益效果为：
1、利用压缩小波变换方法得到的IMF具有高精度、高分辨率，窄带以及抗混叠等特点。
2、利用DCGAN对抗生成高度相似的大样本用于训练，且其适用性更高。
3、利用2D-CNN深度识别样本特征，并将其分类，效率高，精度高。
4、利用商业微波来监测降雪强度，以低成本的途径弥补了降雪强度监测的空白。
附图说明
图1是一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法的流程图。
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确，以下实施例进一步说明本发明的内容，但不应理解为对本发明的限制。在不背离本发明精神和实质的情况下，对本发明方法、步骤或条件所做的修改和替换，拘束于本发明的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
如图1所示，本发明提出了一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，包括如下几个步骤：
S1.将降雪前和降雪中的微波信号分别经过SWT(压缩小波变换)分解为不同IMF(内蕴模态函数类)；SWT算法步骤如下：
多个谐波信号叠加的信号f(t)可表示为：
Figure BDA0003566032200000041
式中：Ak(t)为第k各谐波分量的瞬时振幅，θk(t)为k各谐波分量的瞬时相位， e(t)为噪声或误差，K为可分解分量的个数。
对降雪前和降雪中的微波信号f(t)进行连续小波变换(CWT)，得到小波系数 Wf(a,b)：
Figure BDA0003566032200000042
式中：a为尺度因子，b为平移因子；ψ*为共轭小波函数；频率域等价变换为：
Figure BDA0003566032200000043
式中：ξ代表频率；
Figure BDA0003566032200000044
分别表示f(t)、ψ(t)的傅里叶变换。
若f(t)＝Acos(wt)，其傅里叶变换为：
Figure BDA0003566032200000045
代入Wf(a,b)式中得：
Figure BDA0003566032200000046
对小波系数求导估算瞬时频率：
Figure BDA0003566032200000047
将尺度离散化处理得到时间—尺度离散化平面：
Figure BDA0003566032200000048
式中：nv为决定尺度系数个数的自定义变量；tm为采样时间间隔点，Δt为采样时间间隔；L为最大尺度，其中f(t)的长度为n＝2L+1。
令nv＝64，取na＝Lnv，
Figure BDA0003566032200000051
令中心频率wl＝2lΔww0，l＝0,1,…,na-1，将原始信号所处的范围划分为不同的频率区间，
Figure BDA0003566032200000052
对小波变换的系数做压缩变换。其中阈值定义为：
Figure BDA0003566032200000053
其中median为中值函数，则在wl上压缩小波变换值Tf(wl,b)为：
Figure BDA0003566032200000054
其中(Δa)i＝ai-ai-1。
计算各个小波脊线所含的主频率
Figure BDA0003566032200000055
设区间：
Figure BDA0003566032200000056
则原始信号各个谐波分量(IMF)信号fk(t)：
Figure BDA0003566032200000057
式中：
Figure BDA0003566032200000058
ψ*(ξ)为共轭小波函数的傅里叶变换；Re表示取实部。
S2.比较两组IMF分量，剔除相似分量，将降雪组中的差异分量通过Hilbert 变换计算得到其瞬时频率曲线图。
S2-1.将S1中分离出的IMF进行对照，剔除共同的衰减成因，提取出与降雪有关的微波信号特征。
S2-2.利用Hilbert变换分离出的差异内蕴模态函数类进行频率识别，计算出瞬时频率曲线。
Hilbert变换算法步骤如下：
对fk(t)进行Hilbert变换：
Figure BDA0003566032200000061
令
Figure BDA0003566032200000062
其中
Figure DEST_PATH_GDA0003700153730000063
则求出 fk(t)的瞬时频率：
Figure BDA0003566032200000064
S3、S4中的网络可由python编写，后台使用Tensorflow框架。
S3.利用DCGAN(深度卷积对抗生成网络)以S2中得到瞬时频率曲线作为初始数据集，提取内在特征，对抗生成适用性更好的新样本数据集。
S3-1.训练使用优化方法Mini-batch SGD，batch size选择32。
S3-2.所有的参数都采用0均值,标准差为0.02的初始化方式。
S3-3.DCGAN中卷积网络的激活函数选择LeakyReLU，α取值0.2。
S3-4.优化器使用Adam，学习率调整为0.0002，β1设置为0.5。
网络学习率过大会使训练时间过长，这里设置为0.0002；β1设置为0.5时可以稳定训练。
S3-5.G训练1次，D训练2次，迭代次数设置为800，设置SSIM阈值0.9，每迭代10次输出一次SSIM的平均值，作为选取扩充样本的标准。
a.创建生成器G：5个转置卷积层，4个LReLU层，1个Tanh输出激活层。
nc＝1，图片通道数选择1，生成频率曲线利用灰度描述像素点就足够；nz＝100，噪音z的维度；ngf＝32，生成器特征图通道数量单位。
b.创建判别器D：5个卷积层，4个LReLU层，1个sigmoid输出激活层。
nc＝1；ngf＝32。
c.G训练1次，D训练2次，迭代次数设置为800，设置SSIM阈值0.9，每迭代10次输出一次SSIM的平均值，作为选取扩充样本的标准。
SSIM为结构相似度，该指标能够很好地判断样本间的相似性，引入该指标用于进行对生成瞬时频率曲线的评判，其表达式为：
Figure BDA0003566032200000065
式中μs、μg和
Figure BDA0003566032200000066
为s和g的均值和方差，σsg为s和g的协方差。C1和C2为常数，用以维持函数稳定性。
C1＝(k1L)2，C2＝(k2L)2，L＝255是像素值的动态范围，k1＝0.01,k1＝0.03。
SSIM∈[0,1]，SSIM越大则图像失真最小，设置SSIM阈值为0.9，将高相似度的生成图用于样本扩充。
S4.构建2D-CNN(二维卷积神经网络)，对S3中生成的大样本深度学习训练，按照特征将其根据对应降雪强度分类。
S4-1.按照降雪强度大小将与之相对应的瞬时频率曲线样本进行等级分类，制定降雪标签，以12小时降雪量(mm)为划分标准，数据集统一采用4类标签进行标记：Ⅰ代表小雪、Ⅱ代表中雪、Ⅲ代表大雪、Ⅳ代表暴雪。其中，小雪： 0.1-0.9mm；中雪：1.0-2.9mm，大雪：3.0-5.9mm；暴雪：>6.0mm。
S4-2.根据样本的大小，建立2D-CNN模型，设置网络卷积层、池化层以及全连接层参数，池化方式选择最大池化。
5个卷积层，5个池化层，3个全连接层，7个LReLU层。
卷积核个数64，batch size＝32。
最大池化擅长保留图像的纹理信息，对目标的分类更加有利。
初步设置dropout＝0.6；引入Dropout以缓解网络的过拟合，也可在一定程度上可以减少网络参数，降低网络的训练难度。
使用softmax函数作为分类器。
损失函数选择交叉熵函数。多分类问题多采用交叉熵函数；若当前样本数为 N，其表达式如下：
Figure BDA0003566032200000071
式中，log(x)表示按位取对数函数，
Figure BDA0003566032200000073
为softmax的输出。通常采用 One-HotCode编码样本标签集，即
Figure BDA0003566032200000074
中只有标签维是1，其余为0，可将上式简化为：
Figure BDA0003566032200000075
S4-3.训练网络，参数初始化方式同S3-2，将训练样本输入网络，优化器同S3-4，训练次数400次。
S4-4.测试网络，将测试样本输入网络，测试目标分类能力，以OA(总体分类精度)值作为训练网络时参数调整的依据，当OA值>0.9时认为网络分类精度合格。
OA的表达式如下：
Figure BDA0003566032200000081
式中：Nc为待分类的的类别总数，mii表示属于第i(i＝1，2，…，Nc)类的样本被正确分类到第i(i＝1，2，…，Nc)类的样本数。
S5.利用微波衰减反演降雪强度。
S5-1.将待测微波衰减数据经过S1、S2得到与降雪相关的信号分量瞬时频率曲线，利用S3中DCGAN对抗生成适用性更好的数据集，将其输入S4中训练好的2D-CNN网络中，得到降雪强度等级。

Claims (6)

1.一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，包括如下几个步骤：
S1. 将降雪前和降雪中的微波信号分别经过SWT分解为不同IMF；
S2. 比较两组IMF分量，剔除相似分量，将降雪中的差异分量通过Hilbert变换计算得到其瞬时频率曲线图；
S3. 利用DCGAN以S2中得到瞬时频率曲线作为初始数据集，提取内在特征，对抗生成适用性更好的新样本数据集；
S4. 构建2D-CNN，对S3中生成的大样本深度学习训练，按照特征将其根据对应降雪强度分类；
S5. 利用微波衰减反演降雪强度。
2.根据权利要求1所述的一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，所述S2包括以下步骤：
S2-1. 将S1中分离出的IMF进行对照，剔除共同的衰减成因，提取出与降雪有关的微波信号特征；
S2-2. 利用Hilbert变换分离出的差异内蕴模态函数类进行频率识别，计算出瞬时频率曲线。
3.根据权利要求1所述的一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，所述S3包括以下步骤：
S3-1. 训练使用优化方法Mini-batch SGD，batch size 选择32；
S3-2. 所有的参数都采用0均值，标准差为0.02的初始化方式；
S3-3. DCGAN中卷积网络的激活函数选择LeakyReLU，
Figure DEST_PATH_IMAGE002
取值0.2；
S3-4. 优化器使用Adam，学习率调整为0.0002，
Figure DEST_PATH_IMAGE004
设置为0.5；
S3-5. 判别器D训练2次，生成器G训练1次，迭代次数设置为800，设置SSIM阈值0.9，每迭代10次输出一次SSIM的平均值，作为选取扩充样本的标准。
4.根据权利要求3所述的一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，所述S3-5中，判别器D的生成方式为：5个卷积层，4个LReLU层，1个sigmoid输出激活层；生成器G的创建方式为：5个转置卷积层，4个LReLU层，1个Tanh输出激活层。
5.根据权利要求4所述的一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，所述S4包括以下步骤：
S4-1. 按照降雪强度大小将与之相对应的瞬时频率曲线样本进行等级分类，制定降雪标签，以12小时降水量为划分标准，数据集统一采用4类标签进行标记：Ⅰ代表小雪、Ⅱ代表中雪、Ⅲ代表大雪、Ⅳ代表暴雪；
S4-2. 根据样本的大小，建立2D-CNN模型，设置网络卷积层、池化层以及全连接层参数，池化方式选择最大池化；
S4-3. 训练网络，参数初始化方式同S3-2，将训练样本输入网络，优化器同S3-4，训练次数400次；
S4-4. 测试网络，将测试样本输入网络，测试目标分类能力，以OA值作为训练网络时参数调整的依据。
6.根据权利要求1所述的一种基于DCGAN和2D-CNN的微波衰减降雪强度监测方法，其特征在于，所述S5包括以下步骤：
S5-1. 将待测微波衰减数据经过S1、S2得到与降雪相关的信号分量瞬时频率曲线，利用S3中DCGAN对抗生成适用性更好的数据集，将其输入S4中训练好的2D-CNN网络中，得到降雪强度等级。
CN202210307262.7A 2022-03-25 2022-03-25 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法 Active CN114814993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210307262.7A CN114814993B (zh) 2022-03-25 2022-03-25 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210307262.7A CN114814993B (zh) 2022-03-25 2022-03-25 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法

Publications (2)

Publication Number Publication Date
CN114814993A true CN114814993A (zh) 2022-07-29
CN114814993B CN114814993B (zh) 2023-04-18

Family

ID=82530378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210307262.7A Active CN114814993B (zh) 2022-03-25 2022-03-25 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法

Country Status (1)

Country Link
CN (1) CN114814993B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154081A (zh) * 2016-11-30 2018-06-12 东北林业大学 基于瞬时频率稳定度swt物流设备振动信号降噪方法
CN109902638A (zh) * 2019-03-05 2019-06-18 上海理工大学 基于2d-cnn的食用油横向弛豫信号特征提取方法
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
US20200151222A1 (en) * 2018-11-09 2020-05-14 Accenture Global Solutions Limited Dark web content analysis and identification
CN111274911A (zh) * 2020-01-17 2020-06-12 河海大学 基于无线微波衰减特征迁移学习的浓雾监测方法
CN111308471A (zh) * 2020-02-12 2020-06-19 河海大学 基于半监督域适应的雨、雪、冰雹分类监测方法
CN111666656A (zh) * 2020-05-09 2020-09-15 江苏微之润智能技术有限公司 基于微波雨衰的降雨估算方法及降雨监测系统
CN112114386A (zh) * 2020-08-31 2020-12-22 邹明忠 高时空分辨率微波降雨监测网络部署方法及监测方法
CN112764125A (zh) * 2019-11-04 2021-05-07 苏州斯威高科信息技术有限公司 一种公路综合气象检测装置及其检测方法
CN114066816A (zh) * 2021-10-21 2022-02-18 西安理工大学 基于静态小波变换提取的sar图像无监督变化检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154081A (zh) * 2016-11-30 2018-06-12 东北林业大学 基于瞬时频率稳定度swt物流设备振动信号降噪方法
US20200151222A1 (en) * 2018-11-09 2020-05-14 Accenture Global Solutions Limited Dark web content analysis and identification
CN109902638A (zh) * 2019-03-05 2019-06-18 上海理工大学 基于2d-cnn的食用油横向弛豫信号特征提取方法
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
CN112764125A (zh) * 2019-11-04 2021-05-07 苏州斯威高科信息技术有限公司 一种公路综合气象检测装置及其检测方法
CN111274911A (zh) * 2020-01-17 2020-06-12 河海大学 基于无线微波衰减特征迁移学习的浓雾监测方法
CN111308471A (zh) * 2020-02-12 2020-06-19 河海大学 基于半监督域适应的雨、雪、冰雹分类监测方法
CN111666656A (zh) * 2020-05-09 2020-09-15 江苏微之润智能技术有限公司 基于微波雨衰的降雨估算方法及降雨监测系统
CN112114386A (zh) * 2020-08-31 2020-12-22 邹明忠 高时空分辨率微波降雨监测网络部署方法及监测方法
CN114066816A (zh) * 2021-10-21 2022-02-18 西安理工大学 基于静态小波变换提取的sar图像无监督变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张在峰: "毫米波段雪的电磁散射及对雷达性能的影响" *
车涛等: "被动微波遥感估算雪水当量研究进展与展望" *

Also Published As

Publication number Publication date
CN114814993B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110133599B (zh) 基于长短时记忆模型的智能雷达辐射源信号分类方法
CN105866775B (zh) 一种基于全极化合成孔径雷达图像的海面溢油检测方法
KR20120125900A (ko) 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN111666903B (zh) 一种卫星云图中雷暴云团的识别方法
CN108254750B (zh) 一种基于雷达资料的下击暴流智能识别预警方法
CN111610524B (zh) 一种基于一维变分算法的冰云廓线反演方法及系统
CN111366931A (zh) 一种基于云雷达的云降水精细化反演方法
CN113311416A (zh) 山地小流域雷达定量降水估计技术
Ruzanski et al. Scale filtering for improved nowcasting performance in a high-resolution X-band radar network
Sinha et al. Estimation of Doppler profile using multiparameter cost function method
CN111008644A (zh) 基于局部动态能量函数fcn-crf模型的生态变化监测方法
CN114814993B (zh) 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法
CN113238230A (zh) 一种针对电网生产的夏季强对流引起的大风预警方法
CN115902812B (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN116682026A (zh) 一种智能深度学习环境遥感系统
CN114895381B (zh) 一种基于双线偏振雷达的地闪分级预警方法
Thampy et al. MMA: A novel algorithm for efficient separation of the precipitation echoes from wind profiler radar's Doppler power spectrum
Lee et al. Applying machine learning methods to detect convection using GOES-16 ABI data
Wang et al. Using machine learning to analyze the changes in extreme precipitation in Southern China
CN117250620B (zh) 一种基于降水生命周期判别的x波段雷达临近预报方法
Wang et al. Vehicle width detection based on millimeter-wave LFMCW radar for autonomous driving
CN115293190B (zh) 基于微波信号盲源分离和sca的沙尘暴动态反演方法
Yang et al. Thunderstorm prediction method based on CNN-BiLSTM using BEADS
Cheng et al. Foggy Weather Monitoring Method Based on Improved Deep Residual Shrinkage Network and Radio Signal
CN111144316B (zh) 基于堆栈自编码器的海面目标检测方法

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