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 PDFInfo
- 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
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
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:
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):
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:
若f(t)=Acos(wt),其傅里叶变换为:
代入Wf(a,b)式中得:
对小波系数求导估算瞬时频率:
将尺度离散化处理得到时间—尺度离散化平面:
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。
其中median为中值函数,则在wl上压缩小波变换值Tf(wl,b)为:
其中(Δa)i=ai-ai-1。
则原始信号各个谐波分量(IMF)信号fk(t):
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:
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:
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:
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:
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。
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。
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)
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 |
-
2022
- 2022-03-25 CN CN202210307262.7A patent/CN114814993B/zh active Active
Patent Citations (10)
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)
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 |