CN115062547A - 风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 - Google Patents
风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 Download PDFInfo
- Publication number
- CN115062547A CN115062547A CN202210727503.3A CN202210727503A CN115062547A CN 115062547 A CN115062547 A CN 115062547A CN 202210727503 A CN202210727503 A CN 202210727503A CN 115062547 A CN115062547 A CN 115062547A
- Authority
- CN
- China
- Prior art keywords
- wind
- height data
- sea surface
- wave height
- wake
- 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
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 87
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 230000003068 static effect Effects 0.000 claims abstract description 150
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 53
- 238000005457 optimization Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 17
- 239000002245 particle Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000013535 sea water Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种风驱海面和舰船尾迹流体微元轨道速度计算方法，获取风驱海面波高数据和舰船静态尾迹波高数据；波高数据由SAR雷达生成；采用正弦函数分解网络模型和快速傅里叶变换将波高数据进行预测，得到若干平面前进波线性叠加生成的波高数据，平面前进波为频率不同、传播方向不同的单频波，根据平面前进波的速度势确定平面前进波轨道速度；将各所述风驱海面平面前进波轨道速度进行线性叠加得到所述风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到所述舰船尾迹流体微元轨道速度，流体微元轨道速度用于对SAR成像进行校正，其计算过程耗时短、准确、简单。
Description
技术领域
本发明涉及海洋遥感监测技术领域，特别是涉及一种风驱海面和舰船尾迹流体微元轨道速度计算方法及系统。
背景技术
海面合成孔径雷达(synthetic aperture radar，SAR)成像受速度聚束的影响，而海水粒子的轨道运动产生速度聚束现象，即方位向的偏移与海面上单个布拉格散射体的局部距离速度分量成正比。在海水粒子的轨道速度场的重建后，可对SAR成像过程进行校正，因此，海水粒子的轨道速度确定对于SAR图像的理解、解释和仿真至关重要。目前的轨道速度场计算通常采用计算流体动力学(Computational Fluid Dynamics，CFD)，基于数值方法求解海洋动力学的控制方程；此外，还有基于最小二乘法分解海面波高场，从而根据线性波理论和海洋动力学重建轨道速度场。但是CFD数值求解方法过程复杂，耗时长；最小二乘法的求解本质是矩阵的计算，而实际海域范围大，为保证计算精度需划分足够的网格节点数，从而导致矩阵阶数高、计算耗时长，不能满足实际应用的需求。
发明内容
本发明的目的是提供一种风驱海面和舰船尾迹流体微元轨道速度计算方法及系统。
为实现上述目的，本发明提供了如下方案：
一种风驱海面和舰船尾迹流体微元轨道速度计算方法，包括：
获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；
根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；
将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
可选的，所述正弦函数分解神经网络模型包括输入层、隐藏层和输出层；所述输入层用于输入波高数据；所述隐藏层用于对所述波高数据进行特征提取；所述输出层用于输出由若干平面前进波线性叠加得到的预测波高数据。
可选的，在将所述风驱海面波高数据输入到正弦函数分解神经网络模型中或将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中之前，还包括对所述正弦函数分解神经网络模型进行训练，训练方法如下：
获取样本波高数据；所述样本波高数据包括若干风驱海面样本波高数据和若干舰船静态尾迹样本波高数据；所述风驱海面样本波高数据基于风驱海面的几何模型由若干风驱海面样本平面前进波线性叠加生成；所述舰船静态尾迹样本波高数据基于舰船静态尾迹的几何模型由若干舰船静态尾迹样本平面前进波线性叠加生成；所述若干风驱海面样本平面前进波为频率不同、传播方向不同的单频波。所述若干舰船静态尾迹样本平面前进波为频率不同、传播方向不同的单频波；
对所述正弦函数分解神经网络模型的权重和偏置项进行初始化，所述权重用于表示所述单频波的频率、幅度，所述偏置项用于表示所述单频波的相位和常数项；
将所述样本波高数据输入至所述正弦函数分解神经网络模型中，预测得到样本预测波高数据，所述样本预测波高数据由若干预测平面前进波线性叠加而成；所述若干预测平面前进波为频率不同、传播方向不同的单频波；
根据所述样本预测波高数据和所述样本波高数据计算出输出误差；
根据所述输出误差对所述单频波的频率、幅度和相位进行迭代优化，直至达到迭代优化预设要求，停止迭代。
可选的，在将所述风驱海面波高数据输入到正弦函数分解神经网络模型中或将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中之前，还包括：对所述风驱海面波高数据或所述舰船静态尾迹波高数据进行归一化处理操作。
可选的，所述对所述正弦函数分解神经网络模型的权重和偏置项进行初始化具体包括：
基于所述样本波高数据的频谱初始化频率，初始相位采用π/2的整数倍，幅度在设定范围内随机赋值，所述设定范围用于使各单频波的参数得到平等的训练。
可选的，所述根据所述输出误差对所述单频波的频率、幅度和相位进行迭代优化具体包括：根据所述输出误差采用梯度下降方式对所述单频波的频率、幅度和相位进行迭代优化。
可选的，所述输出误差为所述样本预测波高数据和所述样本波高数据之间的均方误差。
本发明还提供另外一种风驱海面和舰船尾迹流体微元轨道速度计算方法，包括：
获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
使用快速傅里叶变换对所述风驱海面波高数据进行分解得到第三波高数据；所述第三波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
使用快速傅里叶变换对所述舰船静态尾迹波高数据进行分解得到第四波高数据；所述第四波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；
根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；
将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
本发明还提供一种风驱海面和舰船尾迹流体微元轨道速度计算系统，该系统包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
预测模块，用于将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
本发明还提供另外一种风驱海面和舰船尾迹流体微元轨道速度计算系统，该系统包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
分解模块，用于使用快速傅里叶变换对所述风驱海面波高数据进行分解得到第三波高数据；所述第三波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
使用快速傅里叶变换对所述舰船静态尾迹波高数据进行分解得到第四波高数据；所述第四波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
根据本发明提供的具体实施例，公开了以下技术效果：
本发明提供的一种风驱海面和舰船尾迹流体微元轨道速度计算方法及系统，获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；将所述风驱海面波高数据通过正弦函数分解神经网络模型或快速傅里叶变换分解得到由若干风驱海面平面前进波线性叠加生成的波高数据；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；将所述舰船静态尾迹波高数据通过正弦函数分解神经网络模型或快速傅里叶变换分解得到由若干舰船静态尾迹平面前进波线性叠加生成的波高数据；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或舰船尾迹流体微元轨道速度用于对SAR成像进行校正。本发明提供的一种风驱海面和舰船尾迹流体微元轨道速度计算方法及系统，采用正弦函数分解网络模型和快速傅里叶变换将波高数据进行预测，得到单频波的参数，从而得到风驱海面和舰船尾迹流体微元轨道速度，其计算过程耗时短、准确、简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的一种利用正弦函数分解神经网络模型计算风驱海面和舰船尾迹流体微元轨道速度方法的流程示意图；
图2为本发明实施例1所提供的正弦函数分解神经网络模型结构图；其中，图2(a)为二维正弦分解神经网络结构图，图2(b)为三维正弦分解神经网络结构图；
图3为本发明实施例1所提供的单频平面前进波上水粒子的轨道运动示意图；
图4为本发明实施例1所提供的针对风驱海面样本波高数据的风驱海面波高场和轨道速度矢量图；其中，图4(a)为线性波理论得到的风驱海面波高场和轨道速度矢量图，图4(b)为三维正弦分解神经网络重建结果图，图4(c)为FFT重建结果图；
图5为本发明实施例1所提供的针对舰船静态尾迹样本数据的舰船尾迹的波高场和轨道速度矢量图；其中，图5(a)为线性波理论得到的舰船尾迹的波高场图，图5(b)为三维正弦分解神经网络重建结果俯视图，图5(c)为三维正弦分解神经网络重建结果斜视图；
图6为本发明实施例1所提供的风驱海面与尾迹叠加后的波高场和轨道速度场FFT重建结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风驱海面和舰船尾迹流体微元轨道速度计算方法，采用正弦函数分解网络模型和快速傅里叶变换将波高数据进行预测，得到单频波的参数，从而计算得到风驱海面和舰船尾迹流体微元轨道速度，其计算过程耗时短、准确、简单。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种风驱海面和舰船尾迹流体微元轨道速度计算方法，参见图1，该方法包括：
步骤101：获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成。
在本实施例中，根据风驱海面SAR雷达回波信号获取风驱海面波高数据，根据舰船静态尾迹SAR雷达回波信号获取舰船静态尾迹波高数据。
步骤102：将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波。
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波。
步骤103：根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度。
步骤104：将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
上述步骤102中对波高数据的分解，也可以使用快速傅里叶变换进行，即将快速傅里叶变换替换步骤102中的正弦函数分解神经网络模型。
本发明实施例在进行风驱海面和舰船尾迹轨道速度场重建时，采用正弦函数分解网络模型或快速傅里叶变换对波高数据进行分解，得到单频波的参数，从而得到风驱海面和舰船尾迹流体微元轨道速度，其计算过程耗时短、准确、简单。
在本实施例中，所述正弦函数分解神经网络模型包括输入层、隐藏层和输出层；所述输入层用于输入波高数据；所述隐藏层用于对所述波高数据进行特征提取；所述输出层用于输出由若干平面前进波线性叠加得到的预测波高数据。在将所述风驱海面波高数据输入到正弦函数分解神经网络模型中或将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中之前，还包括对所述正弦函数分解神经网络模型进行训练，训练方法如下：
步骤S1：获取样本波高数据；所述样本波高数据包括若干风驱海面样本波高数据和若干舰船静态尾迹样本波高数据；所述风驱海面样本波高数据基于风驱海面的几何模型由若干风驱海面样本平面前进波线性叠加生成；所述舰船静态尾迹样本波高数据基于舰船静态尾迹的几何模型由若干舰船静态尾迹样本平面前进波线性叠加生成；所述若干风驱海面样本平面前进波为频率不同、传播方向不同的单频波。所述若干舰船静态尾迹样本平面前进波为频率不同、传播方向不同的单频波，具体方法如下：
在本实施例中，采用海谱模型建立所述风驱海面的几何模型；采用海洋动力学软件建立所述舰船尾迹的几何模型，从而获得风驱海面样本波高数据和舰船尾迹样本波高数据，具体过程如下：
假设海洋无限深并忽略非线性效应，观测海域大小为Lx×Ly，数值离散为Nx×Ny个网格节点，在t时刻某网格节点(x,y)处的海洋表面波高z(x,y,t)，波高通过一系列不同频率、不同传播方向的平面前进波线性叠加得到：
其中，znm为单位振幅单频波的波高，Anm为单频波的幅度，单位振幅的单频波如下：
znm(x,y,t)＝cos(knx+kmy-ωnmt+ψnm) (2)
式中：
kn、km分别是海浪在x方向上第n个波数、在y方向上第m个波数；knm是单频海浪的第n×m个波数；ωnm是单频海浪的第n×m个角频率；ψnm是初始相位。波数knm和角频率ωnm满足深水条件下的弥散关系：
其中g为重力加速度。
通过PM(Pierson-Moskowitz)谱和方向函数建立海谱模型S(ω,θ)，从而得到单频波的幅度为：
其中，Δω为频率采样间隔，Δθ为传播方向角间隔。由此可以得到风驱海面样本波高数据。采用流体动力学软件仿真得到舰船静态尾迹样本波高数据。
步骤S2：对所述正弦函数分解神经网络模型的权重和偏置项进行初始化，所述权重用于表示所述单频波的频率、幅度，所述偏置项用于表示所述单频波的相位和常数项。
正弦函数分解神经网络是仅有一个隐藏层的前馈神经网络。整个网络可看作加权重的有向图，其中神经元为节点，带权重的有向边连接了神经元之间的输入和输出。其中，隐藏层和输出层的权重分别为单频波的频率、幅度，隐藏层和输出层的偏置项分别是单频波的初始相位和常数项。隐藏层有M个带正弦激活函数的神经元，即单频波数量为M个，采用线性输出层实现单频波的线性叠加。
在对正弦函数分解神经网络模型进行训练时，权重和偏置项的初始化非常重要，在本实施例中，基于波高数据的频谱初始化频率权重；初始相位采用π/2的整数倍，以模拟逆傅里叶变换中同时存在的正弦和余弦函数；幅度随机设为为0附近的数，以使各单频波的参数得到平等的训练。
步骤S3：将所述样本波高数据输入至所述正弦函数分解神经网络模型中，预测得到样本预测波高数据，所述样本预测波高数据由若干预测平面前进波线性叠加而成；所述若干预测平面前进波为频率不同、传播方向不同的单频波。
在将所述样本波高数据输入到正弦函数分解神经网络模型中之前，还包括对样本波高数据进行归一化处理，使得在网络训练过程中得到更优的梯度，其归一化公式如下：
其中，z为样本波高数据。
基于正弦分解神经网络模型将波高场分解为不同频率、不同传播方向的平面前进波的线性叠加，将波高场的分解简化为回归问题。所述正弦函数分解神经网络模型结构如图2所示，所述正弦函数分解神经网络模型包括二维正弦分解神经网络和三维正弦分解神经网络，图2(a)为二维正弦分解神经网络结构图，图2(b)为三维正弦分解神经网络结构图。其中，二维正弦分解神经网络结构表达式为：
其中，h为一维海面的波高，ωi、φi、ai分别是二维正弦分解神经网络中单频波的频率、初始相位和幅度，Ni为单频波的个数。
三维正弦分解神经网络结构的表达式如下：
znm(x,y,t)＝cos(knx+kmy-ωnmt+ψnm)
其中，z(x,y,t)为在t时刻某网格节点(x,y)处的海洋表面波高，znm为单位振幅单频波的波高，Anm为单频波的幅度，kn、km分别是海浪在x方向上第n个波数、在y方向上第m个波数；ωnm是单频海浪的第n×m个角频率；ψnm是三维正弦分解神经网络中单频波的初始相位。
步骤S4：根据所述样本预测波高数据和所述样本波高数据计算出输出误差。
步骤S5：根据所述输出误差对单频波的频率、幅度和相位进行迭代优化，直至达到迭代优化预设要求，停止迭代。
在本实施例中，步骤S4和S5为根据所述输出误差对单频波的频率、幅度和相位进行迭代优化的过程，过程具体如下：
通过网络正向预测和反向优化的训练过程，最终得到最优的单频波参数，即频率、幅度和相位。优化器采用均方根优化器(Root Mean Square prop，RMSprop)，RMSprop通过均方根计算消除梯度下降中的摆动，即减小过大波动；损失函数采用所述样本预测波高数据和所述样本波高数据之间的均方误差，计算如下：
其中，z为样本波高数据，z'为预测波高数据，znm、znm'分别为样本波高数据上、预测波高数据中某一节点位置处的波高。
当迭代优化次数为500次时，停止迭代，至此得到最优的单频波参数以及训练好的正弦函数分解神经网络模型。
采用上述得到的训练好的正弦函数分解神经网络模型实现舰船尾迹流体微元轨道速度和风驱海面流体微元轨道速度的计算的过程如下：
将得到的舰船静态尾迹波高数据输入到训练好的正弦函数分解神经网络模型中，预测得到由若干舰船静态尾迹平面前进波线性叠加生成的第二波高数据，其中，所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波。如图3所示，其为单频平面前进波上水粒子的轨道运动示意图。其中，正弦波曲线为当前波高位置，虚线为下一时刻的波高位置。水粒子并未跟随长波向前传播而前进，而是围绕其静态平衡位置作圆形(浅海为椭圆形)的轨道运动，并且轨道半径以指数形式随水深迅速减小。水质点沿轨道运动一周，海水就发生一次升降，并使波形向前传播。
根据所述舰船静态尾迹平面前进波的速度势确定所述舰船静态尾迹平面前进波轨道速度。所述舰船静态尾迹平面前进波对应的速度势可以如下表示：
对上述得到的速度势进行梯度运算，得到舰船静态尾迹平面前进波轨道速度为：
其中，
为梯度运算符，各个方向上的轨道速度分量为：
其中，θnm为第n×m个传播方向角。
同理，在给定时刻，风驱海面流体微元的轨道速度也由不同频率、不同传播方向的平面前进波的轨道速度线性叠加确定，其表达式为：
本实施例还提供了采用快速傅里叶变换计算风驱海面和舰船尾迹流体微元轨道速度的方法，具体包括：
获取的风驱海面波高数据和舰船静态尾迹波高数据可以表示为：
其中，anm＝Anmcosψnm，bnm＝Anmsinψnm。
根据线性波理论以及海洋动力学，将波高场分解为一系列正弦波的叠加后即可求解出其对应的轨道速度；而傅里叶级数理论中阐述的是用一系列正弦函数能够拟合周期函数，因此采用FFT求解分解后一系列正弦函数的参数。二维离散傅里叶变换的公式如下：
其中，
为z(x,y)经二维傅里叶变换得到的结果，x和y为离散海面上的节点坐标，m和n分别为x方向上和y方向上的频率数；Nx、Ny分别为x方向上和y方向上的节点总数。此外，根据实数的FFT系数具有共轭对称性，可将虚部转为实数，因此二维离散傅里叶变换与波高的计算公式具有很大相似性。根据FFT系数的共轭对称性，得到系数表达式：
对于n＝0、m＝0处，
由此得到基于FFT的波高场重建计算公式：
式中：
分别为x方向上、y方向上中间位置处的节点数，
分别为x方向上、y方向上的波数。
则单位幅度的平面前进波的轨道速度分量求解公式为：
下面对本发明的风驱海面和舰船尾迹流体微元轨道速度计算方法的效果进行验证，验证方法如下：
采用上述得到的风驱海面样本波高数据和舰船静态尾迹样本波高数据，对本发明得到的训练好的正弦函数分解神经网络模型以及快速傅里叶变换算法的效果进行验证。图4为风驱海面波高场和轨道速度矢量图，其中，图4(a)为针对上述风驱海面样本波高数据，采用线性波理论得到的风驱海面波高场和轨道速度矢量图，图4(b)为针对上述风驱海面样本波高数据，采用三维正弦分解神经网络重建的结果图，图4(c)为针对上述风驱海面样本波高数据，采用FFT重建的结果图。
图5为舰船尾迹的波高场和轨道速度矢量图，其中，图5(a)为针对上述舰船静态尾迹样本波高数据，采用线性波理论得到的舰船尾迹的波高场图，图5(b)为针对上述舰船静态尾迹样本波高数据，采用三维正弦函数分解神经网络模型重建的结果俯视图，图5(c)为针对上述舰船静态尾迹样本波高数据，采用三维正弦分解神经网络模型重建的结果斜视图。图6为针对上述风驱海面样本波高数据与舰船静态尾迹样本波高数据叠加后的波高场和轨道速度场，采用FFT重建的结果图。
本发明中采用正弦分解神经网络或FFT分解海面波高场，进而结合线性波理论和海洋动力学实现波高场和轨道速度场的重建，该方法弥补了现有技术耗时长的缺点，实现了准确、快速、过程简单的轨道速度场重建。
实施例2
本发明提供了一种利用正弦函数分解神经网络模型计算风驱海面和舰船尾迹流体微元轨道速度系统，该系统包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
预测模块，用于将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
本发明还提供了一种采用快速傅里叶变换计算风驱海面和舰船尾迹流体微元轨道速度系统，该系统包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
分解模块，用于使用快速傅里叶变换对所述风驱海面波高数据进行分解得到第三波高数据；所述第三波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
使用快速傅里叶变换对所述舰船静态尾迹波高数据进行分解得到第四波高数据；所述第四波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风驱海面和舰船尾迹流体微元轨道速度计算方法，其特征在于，包括：
获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；
根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；
将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
2.根据权利要求1所述的方法，其特征在于，所述正弦函数分解神经网络模型包括输入层、隐藏层和输出层；所述输入层用于输入波高数据；所述隐藏层用于对所述波高数据进行特征提取；所述输出层用于输出由若干平面前进波线性叠加得到的预测波高数据。
3.根据权利要求1或2所述的方法，其特征在于，在将所述风驱海面波高数据输入到正弦函数分解神经网络模型中或将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中之前，还包括对所述正弦函数分解神经网络模型进行训练，训练方法如下：
获取样本波高数据；所述样本波高数据包括若干风驱海面样本波高数据和若干舰船静态尾迹样本波高数据；所述风驱海面样本波高数据基于风驱海面的几何模型由若干风驱海面样本平面前进波线性叠加生成；所述舰船静态尾迹样本波高数据基于舰船静态尾迹的几何模型由若干舰船静态尾迹样本平面前进波线性叠加生成；所述若干风驱海面样本平面前进波为频率不同、传播方向不同的单频波。所述若干舰船静态尾迹样本平面前进波为频率不同、传播方向不同的单频波；
对所述正弦函数分解神经网络模型的权重和偏置项进行初始化，所述权重用于表示所述单频波的频率、幅度，所述偏置项用于表示所述单频波的相位和常数项；
将所述样本波高数据输入至所述正弦函数分解神经网络模型中，预测得到样本预测波高数据，所述样本预测波高数据由若干预测平面前进波线性叠加而成；所述若干预测平面前进波为频率不同、传播方向不同的单频波；
根据所述样本预测波高数据和所述样本波高数据计算出输出误差；
根据所述输出误差对所述单频波的频率、幅度和相位进行迭代优化，直至达到迭代优化预设要求，停止迭代。
4.根据权利要求1所述的方法，其特征在于，在将所述风驱海面波高数据输入到正弦函数分解神经网络模型中或将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中之前，还包括：对所述风驱海面波高数据或所述舰船静态尾迹波高数据进行归一化处理操作。
5.根据权利要求3所述的方法，其特征在于，所述对所述正弦函数分解神经网络模型的权重和偏置项进行初始化具体包括：基于所述样本波高数据的频谱初始化频率，初始相位采用π/2的整数倍，幅度在设定范围内随机赋值，所述设定范围用于使各单频波的参数得到平等的训练。
6.根据权利要求3所述的方法，其特征在于，所述根据所述输出误差对所述单频波的频率、幅度和相位进行迭代优化具体包括：根据所述输出误差采用梯度下降方式对所述单频波的频率、幅度和相位进行迭代优化。
7.根据权利要求3所述的方法，其特征在于，所述输出误差为所述样本预测波高数据和所述样本波高数据之间的均方误差。
8.一种风驱海面和舰船尾迹流体微元轨道速度计算方法，其特征在于，包括：
获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
使用快速傅里叶变换对所述风驱海面波高数据进行分解得到第三波高数据；所述第三波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
使用快速傅里叶变换对所述舰船静态尾迹波高数据进行分解得到第四波高数据；所述第四波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；
根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；
将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
9.一种风驱海面和舰船尾迹流体微元轨道速度计算系统，其特征在于，包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
预测模块，用于将所述风驱海面波高数据输入到正弦函数分解神经网络模型中，预测得到第一波高数据；所述第一波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
将所述舰船静态尾迹波高数据输入到正弦函数分解神经网络模型中，预测得到第二波高数据；所述第二波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
10.一种风驱海面和舰船尾迹流体微元轨道速度计算系统，其特征在于，包括：
数据获取模块，用于获取风驱海面波高数据和舰船静态尾迹波高数据；所述风驱海面波高数据由风驱海面SAR雷达生成；所述舰船静态尾迹波高数据由舰船静态尾迹SAR雷达生成；
预测模块，用于使用快速傅里叶变换对所述风驱海面波高数据进行预测得到第三波高数据；所述第三波高数据由若干风驱海面平面前进波线性叠加生成；所述若干风驱海面平面前进波为频率不同、传播方向不同的单频波；
使用快速傅里叶变换对所述舰船静态尾迹波高数据进行预测得到第四波高数据；所述第四波高数据由若干舰船静态尾迹平面前进波线性叠加生成；所述若干舰船静态尾迹平面前进波为频率不同、传播方向不同的单频波；
平面前进波轨道速度确定模块，用于根据所述风驱海面平面前进波的速度势确定风驱海面平面前进波轨道速度；根据所述舰船静态尾迹平面前进波的速度势确定舰船静态尾迹平面前进波轨道速度；
流体微元轨道速度确定模块，用于将各所述风驱海面平面前进波轨道速度进行线性叠加得到风驱海面流体微元轨道速度；将各所述舰船静态尾迹平面前进波轨道速度进行线性叠加得到舰船尾迹流体微元轨道速度；所述风驱海面流体微元轨道速度或所述舰船尾迹流体微元轨道速度用于对SAR成像进行校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210727503.3A CN115062547A (zh) | 2022-06-24 | 2022-06-24 | 风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210727503.3A CN115062547A (zh) | 2022-06-24 | 2022-06-24 | 风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115062547A true CN115062547A (zh) | 2022-09-16 |
Family
ID=83201932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210727503.3A Pending CN115062547A (zh) | 2022-06-24 | 2022-06-24 | 风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062547A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778754A (zh) * | 2015-03-10 | 2015-07-15 | 复旦大学 | 水下目标动态尾迹与流体微元轨道速度的数值仿真方法 |
| CN105279330A (zh) * | 2015-10-24 | 2016-01-27 | 复旦大学 | 海面运动舰船湍流尾迹的数值仿真方法 |
| CN107545096A (zh) * | 2017-07-14 | 2018-01-05 | 西安电子科技大学 | 海面舰船尾迹实时动态红外仿真方法 |
| WO2020180818A1 (en) * | 2019-03-01 | 2020-09-10 | Re Vision Consulting, Llc | System and method for wave prediction |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
-
2022
- 2022-06-24 CN CN202210727503.3A patent/CN115062547A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778754A (zh) * | 2015-03-10 | 2015-07-15 | 复旦大学 | 水下目标动态尾迹与流体微元轨道速度的数值仿真方法 |
| CN105279330A (zh) * | 2015-10-24 | 2016-01-27 | 复旦大学 | 海面运动舰船湍流尾迹的数值仿真方法 |
| CN107545096A (zh) * | 2017-07-14 | 2018-01-05 | 西安电子科技大学 | 海面舰船尾迹实时动态红外仿真方法 |
| WO2020180818A1 (en) * | 2019-03-01 | 2020-09-10 | Re Vision Consulting, Llc | System and method for wave prediction |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
Non-Patent Citations (1)
| Title |
|---|
| 任维君;丁娟娟;刘鹏;: "舰船湍流尾迹的数值模拟及其单站RCS计算", 电波科学学报, no. 03, 16 March 2016 (2016-03-16) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Estimation of the hydrodynamic coefficients of the complex-shaped autonomous underwater vehicle TUNA-SAND | |
| Connell et al. | Development of an environmental and ship motion forecasting system | |
| Nouguier et al. | Nonlinear ocean wave reconstruction algorithms based on simulated spatiotemporal data acquired by a flash LIDAR camera | |
| Mittendorf et al. | Sea state identification using machine learning—A comparative study based on in-service data from a container vessel | |
| CN111950438B (zh) | 基于深度学习的天宫二号成像高度计有效波高反演方法 | |
| Cong et al. | Hydrodynamic interaction among multiple columns in front of a vertical wall | |
| Al-Ani et al. | Deterministic sea waves prediction using mixed space–time wave radar data | |
| Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
| Zhang et al. | Time domain simulations of the wave-induced motions of ships in maneuvering condition | |
| CN115062547A (zh) | 风驱海面和舰船尾迹流体微元轨道速度计算方法及系统 | |
| CN114510887B (zh) | 一种基于代理模型的海洋条件下大容器液位快速预测方法 | |
| CN104778754B (zh) | 水下目标动态尾迹与流体微元轨道速度的数值仿真方法 | |
| Zheleznyakova | Physically-based method for real-time modelling of ship motion in irregular waves | |
| Amini-Afshar et al. | Pseudo-impulsive solutions of the forward-speed diffraction problem using a high-order finite-difference method | |
| Selimović et al. | Improving the performance of dynamic ship positioning systems: A review of filtering and estimation techniques | |
| CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
| Baxevani et al. | Dynamically evolving Gaussian spatial fields | |
| Liong et al. | Data assimilation for deterministic prediction of vessel motion in real-time | |
| Fox | An inverse Fourier transform algorithm for generating random signals of a specified spectral form | |
| CN111199095A (zh) | 基于三维仿真的智能船舶靠离泊算法测试环境构建方法 | |
| CN116451465A (zh) | 一种星载sar中尺度涡成像仿真方法及系统 | |
| Collins III | Typhoon generated surface gravity waves measured by NOMAD-type buoys | |
| CN115544788A (zh) | 一种二维流场作用下的海面电磁散射系数计算方法及系统 | |
| Chen et al. | A nonlinear sate estimate for dynamic positioning based on improved particle filter | |
| Sun et al. | Physics-informed neural networks with two weighted loss function methods for interactions of two-dimensional oceanic internal solitary waves |
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 |