CN115184939A - 一种新的体扫描数据文件生成方法 - Google Patents
一种新的体扫描数据文件生成方法 Download PDFInfo
- Publication number
- CN115184939A CN115184939A CN202210820776.2A CN202210820776A CN115184939A CN 115184939 A CN115184939 A CN 115184939A CN 202210820776 A CN202210820776 A CN 202210820776A CN 115184939 A CN115184939 A CN 115184939A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- scanning
- file
- layers
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种新的体扫描数据文件生成方法,包括:获取初始周期时,天气雷达对N层体积的完整扫描结果得到第一体扫文件;获取第一周期时天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件;获取第二周期时天气雷达对N层体积的第二扫描结果,并获取第二扫描结果中的1至2层数据与第二体扫文件中的3至N层数据,生成第三体扫文件;持续到第N‑1周期获取第N‑1周期时,天气雷达对N层体积的第N‑1扫描结果,并获取第N‑1扫描结果中1至N‑1层数据以及第N‑1体扫文件中的N层数据,生成第N体扫文件。对不同周期的层数据进行结合,保证数据时效性。
Description
技术领域
本发明涉及气象观测技术领域,特别涉及一种新的体扫描数据文件生成方法。
背景技术
多普勒天气雷达体扫数据是应用于各类气象预报的重要数据之一,特别是在监测和预警强对流天气中有着重要应用。在许多强对流、雷暴天气的预测方法中,往往使用不同体扫时间节点的体扫数据作为输入数据,通过识别所输入数据中的强回波区域,对其进行外推。
现行的天气雷达扫描方式需要扫描多圈多个仰角获取数据后生成一个体扫数据文件,一般要求是6分钟完成,在精细化实时性要求更高的时候,数据时效性就不太够了。在不改变雷达设备硬件条件的前提下,也很难再有所提高。
因此,本发明提出一种新的体扫描数据文件生成方法。
发明内容
本发明提供一种新的体扫描数据文件生成方法,用以通过在不改变雷达设备硬件条件的前提下,对不同周期的层数据进行结合,生成体扫文件,大大节省了生成时间,保证数据时效性。
本发明提供一种新的体扫描数据文件生成方法,包括:
步骤1:获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件;
步骤2:获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件;
步骤3:获取第二周期时,天气雷达对N层体积的第二扫描结果,并获取第二扫描结果中的1至2层数据与第二体扫文件中的3至N层数据,生成第三体扫文件;
步骤4:持续到第N-1周期,获取第N-1周期时,天气雷达对N层体积的第N-1扫描结果,并获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件。
优选的,获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件,包括:
获取初始周期时,天气雷达对N层体积的完整扫描结果;
确定初始周期对应的初始数组,且所述初始数组与雷达扫描持续时间、雷达脉冲信号有关;
确定所述雷达脉冲信号对所述N层体积进行扫描过程中基于雷达扫描持续时间的信号变化曲线;
计算所述信号变化曲线的平稳度;
其中,n1表示所述信号变化曲线中的n1个时间点;yi1+1表示第i1+1个时间点的曲线值;yi1表示第i1个时间点的曲线值;ti1+1表示第i1+1个时间点;ti1表示第i1个时间点;ri1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点存在的可能干扰信号值对yi1+1的干扰因子;pi1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点的干扰存在概率;ri1表示基于信号噪声干扰规律,确定的第i1个时间点存在的可能干扰信号值对yi1的干扰因子;pi1表示基于信号噪声干扰规律,确定的第i1个时间点的干扰存在概率;Y1表示信号变化曲线的平稳度;
当所述平稳度大于预设平稳度时,筛选代表时间点,并根据所述代表时间点对应的实际脉冲信号值构建影响阵列,得到所述影响阵列基于常规基准线的差异阵列;
确定每个代表时间点在所述完整扫描结果中的代表线以及所述代表线基于N层体积的当下位置,获取所述代表线的线信息;
按照预设分析模型,对所述差异阵列中每个元素的差异值以及与所述元素对应的代表时间点的线信息进行分析,得到修正机制;
按照所述修正机制对所述完整扫描结果中对应的线信息进行修正,得到第一体扫文件。
优选的,当所述平稳度大于预设平稳度时,筛选代表时间点,包括:
构建yi1、yi1+1的第一数组,并分别获取每个第一数组的数组差值;
根据{|yi1+1-yi1|,i1=1,2,3,...,n1}筛选前N1组最大差值对应的第二数组,并分别从N个第二数据中筛选具备重叠性质的第一点,并将所述第一点的曲线值按照从大到小顺序依次排列,并按照权重设置标准,分别向每个第一点设置第一权重;
确定不具备重叠性质的每个第二点与两个相邻点的曲线变化程度,向对应第二点设置第二权重;
对所述第一权重以及第二权重进行从大到小排序,并从所述第一点以及第二点中筛选第三点;
其中,所述第三点即为对应的代表时间点。
优选的,获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取第一扫描结果,并进行N-1层分割,获取每层结果的当前精确度;
从所有当前精确度中提取不满足预设精确条件的第一精确度;
基于每个第一精确度与预设精确条件对应的预设精确度的精度差,确定对对应层结果的待优化结果;
确定每个精度差对应的层符号,进而构建N层体积的符号分布;
基于所有待优化结果,构建基于所述符号分布的待优化函数;
从所有精度差中筛选最大差作为约束条件,并结合所述待优化函数,对所述第一扫描结果进行精度优化,并基于精度优化结果,筛选1层数据;
基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件。
优选的,基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取所述1层数据中的第一关键点,同时,获取所述一体体扫文件中的2至N层数据中的第二关键点;
根据获取的每层数据中的关键点数,向所述1层数据以及2层数据设置生成权重,同时,根据所述1层数据与2层数据的数据内容,匹配对应层的生成条件;
基于生成权重以及生成条件,获取所述1层数据与2层数据的数据互斥度,并基于所述数据互斥度,在1层与2层中间设置允许融合窗口;
基于所述允许融合窗口建立与外部数据库的调用关系,从所述外部数据库调用与数据互斥度以及内容并指标所匹配的融合机制,来基于所述允许融合窗口实现对应1层与2层的数据内容的内容融合;
基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件。
优选的,基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件,包括:
构建所述内容融合结果的第一体,同时,构建2至N层数据的第二体以及3至N层数据的第三体;
基于所述第一体与第二体构建得到第四体,同时基于第一体与第三体构建得到第五体;
确定所述第四体与第五体是否一致,若一致,基于所述第五体生成第二体扫文件;
否则,确定所述第四体与第五体的差异集合,并按照所述差异集合中的每个差异参数,基于模式推论模型推论出所述天气雷达的雷达有效扫描范围;
基于所述雷达有效扫描范围,从所述差异集合中筛选有效横向范围以及有效纵向范围,并对所述第四体以及第五体分别进行修剪得到对应的第六体和第七体;
基于所述第六体与第七体的融合边界,得到第八体,并按照所述第八体,生成第二体扫文件。
优选的,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件的过程中,还包括:
根据所述第N-1扫描结果对应的扫描周期的工作信息,获取第一工作粗糙参数,同时,根据所述第N-1体扫文件对应的扫描周期的工作信息,获取第二工作粗糙参数;
基于所述第一工作粗糙参数以及第二工作粗糙参数,建立同参数的比较数组以及不同参数的参考数组;
根据所述比较数组以及参考数组,确定粗糙程度;
其中,C表示粗糙程度;m1表示比较数组的个数;m2表示参考数组的个数;G1j1表示第j1个比较数组中的第一比较参数;G2j1表示第j1个比较数组中的第二比较参数;G0j1表示第j1个比较数组的参考参数;R1j2表示第j2个参考数组的待比较参数;R0j2表示第j2个参考数组的参考参数;∝1表示与比较数组相关的第一匹配系数;∝2表示与参考数组相关的第二匹配系数;其中,∝1+∝2小于1;
当所述粗糙程度大于预设程度时,获取文件优化条件,对生成过程进行优化。
优选的,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件,包括:
根据所述第N-1扫描结果中1至N-1层数据的层属性,获取1至N-1层数据的第一生成条件;
根据所述第N-1体扫文件中的N层数据的层属性,获取N层数据的第二生成条件;
基于所述第一生成条件以及第二生成条件,构建得到生成机制;
基于所述生成机制,将1至N-1层数据以及N层数据生成第N体扫文件。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种新的体扫描数据文件生成方法的流程图;
图2为本发明实施例中信息线的结构图;
图3为本发明实施例中有效扫描范围的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种新的体扫描数据文件生成方法,如图1所示,包括:
步骤1:获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件;
步骤2:获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件;
步骤3:获取第二周期时,天气雷达对N层体积的第二扫描结果,并获取第二扫描结果中的1至2层数据与第二体扫文件中的3至N层数据,生成第三体扫文件;
步骤4:持续到第N-1周期,获取第N-1周期时,天气雷达对N层体积的第N-1扫描结果,并获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件。
该实施例中,以14层体积扫描为例,第一次完整扫描完14层(分别记为第1~14层)后生成第一个体扫文件,然后雷达回到起始仰角开始新一轮体积扫描起,用新扫描的第1层数据与前一周期的第2~14层数据一起生成第二个体扫文件,第一层扫描完开始第二层扫描,然后用新的第1、2层数据与前一周期的第3~14层数据一起生成第三个体扫文件,依次循环类推。这样,可以再不改变硬件性能情况下,达到比之前的方式高14倍的体扫数据生成效率的效果。
上述技术方案的有益效果是:通过在不改变雷达设备硬件条件的前提下,对不同周期的层数据进行结合,生成体扫文件,大大节省了生成时间,保证数据时效性。
本发明提供一种新的体扫描数据文件生成方法,获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件,包括:
获取初始周期时,天气雷达对N层体积的完整扫描结果;
确定初始周期对应的初始数组,且所述初始数组与雷达扫描持续时间、雷达脉冲信号有关;
确定所述雷达脉冲信号对所述N层体积进行扫描过程中基于雷达扫描持续时间的信号变化曲线;
计算所述信号变化曲线的平稳度;
其中,n1表示所述信号变化曲线中的n1个时间点;yi1+1表示第i1+1个时间点的曲线值;yi1表示第i1个时间点的曲线值;ti1+1表示第i1+1个时间点;ti1表示第i1个时间点;ri1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点存在的可能干扰信号值对yi1+1的干扰因子;pi1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点的干扰存在概率;ri1表示基于信号噪声干扰规律,确定的第i1个时间点存在的可能干扰信号值对yi1的干扰因子;pi1表示基于信号噪声干扰规律,确定的第i1个时间点的干扰存在概率;Y1表示信号变化曲线的平稳度;
当所述平稳度大于预设平稳度时,筛选代表时间点,并根据所述代表时间点对应的实际脉冲信号值构建影响阵列,得到所述影响阵列基于常规基准线的差异阵列;
确定每个代表时间点在所述完整扫描结果中的代表线以及所述代表线基于N层体积的当下位置,获取所述代表线的线信息;
按照预设分析模型,对所述差异阵列中每个元素的差异值以及与所述元素对应的代表时间点的线信息进行分析,得到修正机制;
按照所述修正机制对所述完整扫描结果中对应的线信息进行修正,得到第一体扫文件。
该实施例中,每个周期的时间段都可以是相同的,且在该初始周期,获取的是N层体积的完整扫描结果,剩余周期时,通过不同扫描结果的不同层的结合,得到对应文件。
该实施例中,在扫描过程中,由于雷达信号在实际工作中是不完全一致的,因此,通过对该雷达信号的信号变化进行分析,来计算平稳度,可以初步确定基于该雷达信号进行扫描后的基本情况。
该实施例中,预设平稳度是预先设定好的,且干扰存在概率的取值范围为0-1。
该实施例中,噪声干扰规律值得是该雷达信号在历史工作过程中确定的一个标准的产生噪声的情况。
该实施例中,代表时间点是根据曲线值的差的大小来确定的。
该实施例中,影响阵列是基于代表时间点构建的,且常规基准线是该雷达信号处于一个标准情况的一条线,且数值是一样的。
该实施例中,差异阵列是影响阵列与常规基准线对应的基准值的差得到的。
该实施例中,代表线指的是每个代表时间所扫描得到的数据所构建的对应体中的构建区域,该构建区域所对应的构建线,如图2所示,1表示构建的第一体,2表示对应的构建区域,3表示对应构建的线。
该实施例中,线信息指的是对应的构建信息。
该实施例中,预设分析模型是预先训练好的,且是以不同元素的差异值、对应的线信息以及对应的修正机制为样本训练得到的。
该实施例中,线信息修正是为了能够进一步保证结果的可靠性。
上述技术方案的有益效果是:通过获取信号变化曲线,来计算平稳度,可以通过筛选时间点构建差异阵列,并通过模型对差异值以及线信息进行分析,获取修正机制,可以保证结果的可靠性,对文件的生成提供有效数据基础,保证生成效率,进而节省生成时间,保证数据时效性。
本发明提供一种新的体扫描数据文件生成方法,当所述平稳度大于预设平稳度时,筛选代表时间点,包括:
构建yi1、yi1+1的第一数组,并分别获取每个第一数组的数组差值;
根据{|yi1+1-yi1|,i1=1,2,3,...,n1}筛选前N1组最大差值对应的第二数组,并分别从N个第二数据中筛选具备重叠性质的第一点,并将所述第一点的曲线值按照从大到小顺序依次排列,并按照权重设置标准,分别向每个第一点设置第一权重;
确定不具备重叠性质的每个第二点与两个相邻点的曲线变化程度,向对应第二点设置第二权重;
对所述第一权重以及第二权重进行从大到小排序,并从所述第一点以及第二点中筛选第三点;
其中,所述第三点即为对应的代表时间点。
该实施例中,数组差值指的是数组中两个数值的差值。
该实施例中,比如:y2与y1,y3与y2,此时,y2表示具备重叠性质的第一点,y1与y3表示不具备重叠性质的第二点。
该实施例中,通过对曲线值进行大小排序,可以设置权重,且权重设置标准指的是曲线值越大对应的权重越大。
该实施例中,比如:存在点1、2、3、4、5、6,第二点为4,对应的曲线变化程度是包括点2、3、4、5、6在内的。
比如,第二点为2,对应的曲线变化程度是包括点1、2、3、4在内的。
该实施例中,曲线变化程度越大,对应的第二权重越大。
该实施例中,通过对第一权重以及第二权重排序,来筛选第三点。
上述技术方案的有益效果是:通过构建数组,并按照重叠性质,对第一点按照曲线值进行权重设置,且还对第二点按照曲线变化程度进行权重设置,便于有效获取第三点,为后续获取修正机制进行结构修正提供基础,间接提高生成效率。
本发明提供一种新的体扫描数据文件生成方法,获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取第一扫描结果,并进行N-1层分割,获取每层结果的当前精确度;
从所有当前精确度中提取不满足预设精确条件的第一精确度;
基于每个第一精确度与预设精确条件对应的预设精确度的精度差,确定对对应层结果的待优化结果;
确定每个精度差对应的层符号,进而构建N层体积的符号分布;
基于所有待优化结果,构建基于所述符号分布的待优化函数;
从所有精度差中筛选最大差作为约束条件,并结合所述待优化函数,对所述第一扫描结果进行精度优化,并基于精度优化结果,筛选1层数据;
基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件。
该实施例中,N-1层分割也是为了获取N层分割结果。
该实施例中,每层分割结果对应的精确度可能是不一样的。
该实施例中,比如存在5层,层符号1、3、5是不满足预设精确条件的,因此,可以确定层符号1、3、5的符号分布,且还可以根据精度差,来有效的确定待优化结果,也就是针对精度优化的结果,进一步保证数据的精细度。
该实施例中,待优化函数也是针对所有待优化结果构建的,且约束条件指的是精度约束。
该实施例中,精度优化指的是提高结果的精度,保证生成文件的精准性。
上述技术方案的有益效果是:通过获取每层精确度,并进行比较提取,来确定符号分布对应的待优化函数,进而根据约束条件两者的组合,对扫描结果进行整体优化,进而实现对1层数据的优化,保证获取的1层数据的精确性,为后续生成体扫文件提供精准基础,保证数据处理的高效性,进而提高生成效率。
本发明提供一种新的体扫描数据文件生成方法,基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取所述1层数据中的第一关键点,同时,获取所述一体体扫文件中的2至N层数据中的第二关键点;
根据获取的每层数据中的关键点数,向所述1层数据以及2层数据设置生成权重,同时,根据所述1层数据与2层数据的数据内容,匹配对应层的生成条件;
基于生成权重以及生成条件,获取所述1层数据与2层数据的数据互斥度,并基于所述数据互斥度,在1层与2层中间设置允许融合窗口;
基于所述允许融合窗口建立与外部数据库的调用关系,从所述外部数据库调用与数据互斥度以及内容并指标所匹配的融合机制,来基于所述允许融合窗口实现对应1层与2层的数据内容的内容融合;
基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件。
该实施例中,关键点指的是数据中存在的关键信息所处的位置。
该实施例中,通过所有层的关键点数,有效获取1层数据与2层数据的生成权重,且所有层的权重叠加和为1。
该实施例中,生成权重越小对数据互斥度的参考价值越小。
该实施例中,通过确定数据中各种指标的互斥情况,并基于生成权重以及生成条件对应的标准生成参数,可以实现对数据互斥度的获取。
该实施例中,外部数据库是各种调用关系以及互斥度、指标、机制在内的。
该实施例中,内容并指标指的是1层数据与2层数据涉及到的所有不同的指标集合。
该实施例中,允许融合窗口是为了建立外部与层中间的交互关系,方便进行数据调整。
该实施例中,融合机制指的是不同层之间数据的融合,保证构建第二体扫文件的可靠性。
上述技术方案的有益效果是:通过确定每层数据的关键点,来设置1层数据与2层数据的权重,进而根据数据内容匹配生成条件,为后续生成体扫文件提供基本基础,且通过确定数据互斥度,并建立窗口与外部的联系,便于对数据进行融合调整,保证体扫文件生成的可靠性以及高效性,避免因为从不同的结果中获取的不同层的数据,导致按照该数据生成失败的可能性,间接提高生成效率。
本发明提供一种新的体扫描数据文件生成方法,基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件,包括:
构建所述内容融合结果的第一体,同时,构建2至N层数据的第二体以及3至N层数据的第三体;
基于所述第一体与第二体构建得到第四体,同时基于第一体与第三体构建得到第五体;
确定所述第四体与第五体是否一致,若一致,基于所述第五体生成第二体扫文件;
否则,确定所述第四体与第五体的差异集合,并按照所述差异集合中的每个差异参数,基于模式推论模型推论出所述天气雷达的雷达有效扫描范围;
基于所述雷达有效扫描范围,从所述差异集合中筛选有效横向范围以及有效纵向范围,并对所述第四体以及第五体分别进行修剪得到对应的第六体和第七体;
基于所述第六体与第七体的融合边界,得到第八体,并按照所述第八体,生成第二体扫文件。
该实施例中,1-2对应第一体,2-N对应第二体,3-N对应第三体;
因此,采用1-2与2-N进行构建以及1-2与3-N进行构建,来确定最后构建体的差异,通过确定差异参数,来反向推论出天气雷达的雷达有效扫描范围。
该实施例中,模式推论模型是预先训练好的,主要是通过按照已有的差异参数进行反向推论得到有效扫描范围。
该实施例中,如图3所示,第四体为A1,第五体为A2,对应的有效横向范围为01,有效纵向范围为02,此时,虚线内的两个内容进行并处理,结汇得到融合边界,进而得到第八体。
上述技术方案的有益效果是:通过不同的层进行构建,得到包含1-N层数据的两个体,通过比较确定差异,进而反向推论存在的有效扫描范围,并通过横向与纵向范围对不同的体进行修剪,最后得到融合边界,得到第八体,保证第二体扫文件的合理获取,为生成提供有效基础,进一步保证生成效率。
本发明提供一种新的体扫描数据文件生成方法,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件的过程中,还包括:
根据所述第N-1扫描结果对应的扫描周期的工作信息,获取第一工作粗糙参数,同时,根据所述第N-1体扫文件对应的扫描周期的工作信息,获取第二工作粗糙参数;
基于所述第一工作粗糙参数以及第二工作粗糙参数,建立同参数的比较数组以及不同参数的参考数组;
根据所述比较数组以及参考数组,确定粗糙程度;
其中,C表示粗糙程度;m1表示比较数组的个数;m2表示参考数组的个数;G1j1表示第j1个比较数组中的第一比较参数;G2j1表示第j1个比较数组中的第二比较参数;G0j1表示第j1个比较数组的参考参数;R1j2表示第j2个参考数组的待比较参数;R0j2表示第j2个参考数组的参考参数;∝1表示与比较数组相关的第一匹配系数;∝2表示与参考数组相关的第二匹配系数;其中,∝1+∝2小于1;
当所述粗糙程度大于预设程度时,获取文件优化条件,对生成过程进行优化。
该实施例中,参考参数都是预先设置好的。
该实施例中,不同的结果对一个的扫描周期是一样的,但是在该周期中所对应的信号按照实际情况是不停的变动的。
上述技术方案的有益效果是:通过确定工作粗糙参数,可以构建比较数组以及参考数组,进而获取文件优化条件,实现对生成过程的优化,保证生成效率。
本发明提供一种新的体扫描数据文件生成方法,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件,包括:
根据所述第N-1扫描结果中1至N-1层数据的层属性,获取1至N-1层数据的第一生成条件;
根据所述第N-1体扫文件中的N层数据的层属性,获取N层数据的第二生成条件;
基于所述第一生成条件以及第二生成条件,构建得到生成机制;
基于所述生成机制,将1至N-1层数据以及N层数据生成第N体扫文件。
该实施例中,层属于与生成体扫文件的生成相关指标有关。
该实施例中,生成机制就是为了对不同层数据进行处理,生成文件。
上述技术方案的有益效果是:通过按照不同情况下所获取的层属性,来得到对应的生成条件,进而得到生成机制,保证有效生成文件,保证生成时效性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种新的体扫描数据文件生成方法,其特征在于,包括:
步骤1:获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件;
步骤2:获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件;
步骤3:获取第二周期时,天气雷达对N层体积的第二扫描结果,并获取第二扫描结果中的1至2层数据与第二体扫文件中的3至N层数据,生成第三体扫文件;
步骤4:持续到第N-1周期,获取第N-1周期时,天气雷达对N层体积的第N-1扫描结果,并获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件。
2.如权利要求1所述的新的体扫描数据文件生成方法,其特征在于,获取初始周期时,天气雷达对N层体积的完整扫描结果,得到第一体扫文件,包括:
获取初始周期时,天气雷达对N层体积的完整扫描结果;
确定初始周期对应的初始数组,且所述初始数组与雷达扫描持续时间、雷达脉冲信号有关;
确定所述雷达脉冲信号对所述N层体积进行扫描过程中基于雷达扫描持续时间的信号变化曲线;
计算所述信号变化曲线的平稳度;
其中,n1表示所述信号变化曲线中的n1个时间点;yi1+1表示第i1+1个时间点的曲线值;yi1表示第i1个时间点的曲线值;ti1+1表示第i1+1个时间点;ti1表示第i1个时间点;ri1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点存在的可能干扰信号值对yi1+1的干扰因子;pi1+1表示基于信号噪声干扰规律,确定的第i1+1个时间点的干扰存在概率;ri1表示基于信号噪声干扰规律,确定的第i1个时间点存在的可能干扰信号值对yi1的干扰因子;pi1表示基于信号噪声干扰规律,确定的第i1个时间点的干扰存在概率;Y1表示信号变化曲线的平稳度;
当所述平稳度大于预设平稳度时,筛选代表时间点,并根据所述代表时间点对应的实际脉冲信号值构建影响阵列,得到所述影响阵列基于常规基准线的差异阵列;
确定每个代表时间点在所述完整扫描结果中的代表线以及所述代表线基于N层体积的当下位置,获取所述代表线的线信息;
按照预设分析模型,对所述差异阵列中每个元素的差异值以及与所述元素对应的代表时间点的线信息进行分析,得到修正机制;
按照所述修正机制对所述完整扫描结果中对应的线信息进行修正,得到第一体扫文件。
3.如权利要求2所述的新的体扫描数据文件生成方法,其特征在于,当所述平稳度大于预设平稳度时,筛选代表时间点,包括:
构建yi1、yi1+1的第一数组,并分别获取每个第一数组的数组差值;
根据{|yi1+1-yi1|,i1=1,2,3,...,n1}筛选前N1组最大差值对应的第二数组,并分别从N个第二数据中筛选具备重叠性质的第一点,并将所述第一点的曲线值按照从大到小顺序依次排列,并按照权重设置标准,分别向每个第一点设置第一权重;
确定不具备重叠性质的每个第二点与两个相邻点的曲线变化程度,向对应第二点设置第二权重;
对所述第一权重以及第二权重进行从大到小排序,并从所述第一点以及第二点中筛选第三点;
其中,所述第三点即为对应的代表时间点。
4.如权利要求1所述的新的体扫描数据文件生成方法,其特征在于,获取第一周期时,天气雷达对N层体积的第一扫描结果,并获取第一扫描结果中的1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取第一扫描结果,并进行N-1层分割,获取每层结果的当前精确度;
从所有当前精确度中提取不满足预设精确条件的第一精确度;
基于每个第一精确度与预设精确条件对应的预设精确度的精度差,确定对对应层结果的待优化结果;
确定每个精度差对应的层符号,进而构建N层体积的符号分布;
基于所有待优化结果,构建基于所述符号分布的待优化函数;
从所有精度差中筛选最大差作为约束条件,并结合所述待优化函数,对所述第一扫描结果进行精度优化,并基于精度优化结果,筛选1层数据;
基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件。
5.如权利要求4所述的新的体扫描数据文件生成方法,其特征在于,基于所述1层数据与第一体扫文件中的2至N层数据,生成第二体扫文件,包括:
获取所述1层数据中的第一关键点,同时,获取所述一体体扫文件中的2至N层数据中的第二关键点;
根据获取的每层数据中的关键点数,向所述1层数据以及2层数据设置生成权重,同时,根据所述1层数据与2层数据的数据内容,匹配对应层的生成条件;
基于生成权重以及生成条件,获取所述1层数据与2层数据的数据互斥度,并基于所述数据互斥度,在1层与2层中间设置允许融合窗口;
基于所述允许融合窗口建立与外部数据库的调用关系,从所述外部数据库调用与数据互斥度以及内容并指标所匹配的融合机制,来基于所述允许融合窗口实现对应1层与2层的数据内容的内容融合;
基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件。
6.如权利要求5所述的新的体扫描数据文件生成方法,其特征在于,基于所述1层数据与2层数据的内容融合结果与3至N层数据,生成第二体扫文件,包括:
构建所述内容融合结果的第一体,同时,构建2至N层数据的第二体以及3至N层数据的第三体;
基于所述第一体与第二体构建得到第四体,同时基于第一体与第三体构建得到第五体;
确定所述第四体与第五体是否一致,若一致,基于所述第五体生成第二体扫文件;
否则,确定所述第四体与第五体的差异集合,并按照所述差异集合中的每个差异参数,基于模式推论模型推论出所述天气雷达的雷达有效扫描范围;
基于所述雷达有效扫描范围,从所述差异集合中筛选有效横向范围以及有效纵向范围,并对所述第四体以及第五体分别进行修剪得到对应的第六体和第七体;
基于所述第六体与第七体的融合边界,得到第八体,并按照所述第八体,生成第二体扫文件。
7.如权利要求1所述的新的体扫描数据文件生成方法,其特征在于,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件的过程中,还包括:
根据所述第N-1扫描结果对应的扫描周期的工作信息,获取第一工作粗糙参数,同时,根据所述第N-1体扫文件对应的扫描周期的工作信息,获取第二工作粗糙参数;
基于所述第一工作粗糙参数以及第二工作粗糙参数,建立同参数的比较数组以及不同参数的参考数组;
根据所述比较数组以及参考数组,确定粗糙程度;
其中,C表示粗糙程度;m1表示比较数组的个数;m2表示参考数组的个数;G1j1表示第j1个比较数组中的第一比较参数;G2j1表示第j1个比较数组中的第二比较参数;G0j1表示第j1个比较数组的参考参数;R1j2表示第j2个参考数组的待比较参数;R0j2表示第j2个参考数组的参考参数;∝1表示与比较数组相关的第一匹配系数;∝2表示与参考数组相关的第二匹配系数;其中,∝1+∝2小于1;
当所述粗糙程度大于预设程度时,获取文件优化条件,对生成过程进行优化。
8.如权利要求1所述的新的体扫描数据文件生成方法,其特征在于,获取第N-1扫描结果中1至N-1层数据以及第N-1体扫文件中的N层数据,生成第N体扫文件,包括:
根据所述第N-1扫描结果中1至N-1层数据的层属性,获取1至N-1层数据的第一生成条件;
根据所述第N-1体扫文件中的N层数据的层属性,获取N层数据的第二生成条件;
基于所述第一生成条件以及第二生成条件,构建得到生成机制;
基于所述生成机制,将1至N-1层数据以及N层数据生成第N体扫文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820776.2A CN115184939B (zh) | 2022-07-13 | 2022-07-13 | 一种新的体扫描数据文件生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820776.2A CN115184939B (zh) | 2022-07-13 | 2022-07-13 | 一种新的体扫描数据文件生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115184939A true CN115184939A (zh) | 2022-10-14 |
CN115184939B CN115184939B (zh) | 2023-08-08 |
Family
ID=83519362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820776.2A Active CN115184939B (zh) | 2022-07-13 | 2022-07-13 | 一种新的体扫描数据文件生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115184939B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0509842A2 (en) * | 1991-04-16 | 1992-10-21 | General Electric Company | Radar processor with range sidelobe reduction following doppler filtering |
CN104597449A (zh) * | 2015-02-11 | 2015-05-06 | 南京航空航天大学 | 一种机载多扫描气象雷达目标垂直轮廓重建方法 |
JP2018124212A (ja) * | 2017-02-02 | 2018-08-09 | 日本無線株式会社 | レーダ受信信号処理装置、プログラム及び方法 |
CN109343062A (zh) * | 2018-12-13 | 2019-02-15 | 中国气象局气象探测中心 | 一种径向干扰回波和降水回波的识别方法及系统 |
CN110531360A (zh) * | 2019-08-28 | 2019-12-03 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种x波段天气雷达组网数据处理方法 |
CN114089295A (zh) * | 2021-11-16 | 2022-02-25 | 广东电网有限责任公司广州供电局 | 一种天气雷达体扫数据校正方法、系统和计算机存储介质 |
-
2022
- 2022-07-13 CN CN202210820776.2A patent/CN115184939B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0509842A2 (en) * | 1991-04-16 | 1992-10-21 | General Electric Company | Radar processor with range sidelobe reduction following doppler filtering |
CN104597449A (zh) * | 2015-02-11 | 2015-05-06 | 南京航空航天大学 | 一种机载多扫描气象雷达目标垂直轮廓重建方法 |
JP2018124212A (ja) * | 2017-02-02 | 2018-08-09 | 日本無線株式会社 | レーダ受信信号処理装置、プログラム及び方法 |
CN109343062A (zh) * | 2018-12-13 | 2019-02-15 | 中国气象局气象探测中心 | 一种径向干扰回波和降水回波的识别方法及系统 |
CN110531360A (zh) * | 2019-08-28 | 2019-12-03 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种x波段天气雷达组网数据处理方法 |
CN114089295A (zh) * | 2021-11-16 | 2022-02-25 | 广东电网有限责任公司广州供电局 | 一种天气雷达体扫数据校正方法、系统和计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
杨金红: "新一代天气雷达体扫模式研究" * |
高玉春: "相扫天气雷达扫描方式研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115184939B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
CN108846517A (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN108399428A (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN109067427B (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
CN110222387B (zh) | 基于混合漏积分crj网络的多元钻井时间序列预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
CN111353603A (zh) | 一种深度学习模型个体预测解释方法 | |
CN111275253B (zh) | 融合深度学习和误差校正的径流概率性预测方法及系统 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN110046756A (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
CN115184939A (zh) | 一种新的体扫描数据文件生成方法 | |
CN117332702A (zh) | 基于ilstm的内涝水深预测与多因子时序分析方法 | |
CN111042808B (zh) | 一种用于层状砂砾岩储层的电成像图像刻度方法及系统 | |
CN112363140A (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
CN116188834B (zh) | 基于自适应训练模型的全切片图像分类方法及装置 | |
CN117155806A (zh) | 一种通信基站流量预测方法与装置 | |
CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
CN116124460B (zh) | 一种基于健康指标构建的轴承寿命预测方法及系统 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 |
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 |