CN115204058B - 基于bp神经网络的地波雷达流场计算方法及装置 - Google Patents

基于bp神经网络的地波雷达流场计算方法及装置 Download PDF

Info

Publication number
CN115204058B
CN115204058B CN202210919572.4A CN202210919572A CN115204058B CN 115204058 B CN115204058 B CN 115204058B CN 202210919572 A CN202210919572 A CN 202210919572A CN 115204058 B CN115204058 B CN 115204058B
Authority
CN
China
Prior art keywords
data
neural network
area
flow field
offshore
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
CN202210919572.4A
Other languages
English (en)
Other versions
CN115204058A (zh
Inventor
韦骏
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.)
Sun Yat Sen University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
Original Assignee
Sun Yat Sen University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
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 Sun Yat Sen University, Southern Marine Science and Engineering Guangdong Laboratory Zhuhai filed Critical Sun Yat Sen University
Priority to CN202210919572.4A priority Critical patent/CN115204058B/zh
Publication of CN115204058A publication Critical patent/CN115204058A/zh
Application granted granted Critical
Publication of CN115204058B publication Critical patent/CN115204058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于BP神经网络的地波雷达流场计算方法及装置，方法包括：根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；通过第二神经网络对所述外海区域的雷达回波数据进行第二训练；生成外海海流反演模型；确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果。本发明提高了地波雷达流场计算的准确率，可广泛应用于人工智能技术领域。

Description

基于BP神经网络的地波雷达流场计算方法及装置
技术领域
本发明涉及人工智能技术领域，尤其是基于BP神经网络的地波雷达流场计算方法及装置。
背景技术
目前海流数据的获取主要来自数值模拟和实际观测。数值模拟虽然可以实时模拟出整个海区的海流状况，但是其精度较低。实际定点观测数据虽然准确，但是往往只能得到一个点或者一个垂直剖面的数据，难以获得大范围海区的观测数据，并且易受环境影响。高频地波雷达具有超视距、大范围、全天候以及低成本的优点，并且其受天气影响小。在使用地波雷达反演计算海流这一领域，现在正在不断改进，逐渐趋于成熟。虽然现有技术可以在地波雷达观测高精区获得准确度较高的海流信息，但是由于传统的计算方法都是基于雷达回波信息，没有考虑实际海洋环境的影响，这个高精度区的范围相较于雷达实际获取的海域数据范围要小很多。
现有的大部分反演算法都是基于电子信息理论，这种方法存在一定的局限性。在沿岸地区，海底地形比较复杂，并且受到潮汐、径流、风等多方面因素的影响，雷达电子回波并不能有效解析这几个海洋动力因子之间的相互作用，因此利用电子信息理论得到的海流信息准确度比较低。在远海区，虽然也可以获得回波信号，但是2部雷达的夹角较小，信噪比起伏较大，信号反演准确性降低，得到的流场信息准确度也会降低。
目前存在利用神经网络来训练雷达回波数据得到海况的技术，包括对波浪场以及风场的反演，但是尚且缺少对流场的反演。同时，这些技术在神经网络的输入层中只用到了雷达高精度区的回波参数，没有加入影响海流的物理过程的海洋环境信息，例如地形、潮汐、径流、风场等。
发明内容
有鉴于此，本发明实施例提供一种准确率高的，基于BP神经网络的地波雷达流场计算方法及装置。
本发明的一方面提供了基于BP神经网络的地波雷达流场计算方法，包括：
根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；
通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；
确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
可选地，所述根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域，包括：
收集雷达回波数据；
根据所述雷达回波数据的准确度差异值，将两部雷达覆盖区域发射角度范围大于150°的海区划分为近岸区域，将雷达覆盖区域发射角度范围小于20°的海区划分外海区域，将其他区域划分为雷达覆盖区域的高精区。
可选地，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型这一步骤中，
所述雷达回波数据包括潮汐数据、径流数据、风场数据和地形数据；
所述第一神经网络包括输入层、隐藏层和输出层；
其中，根据物理海洋学原理，所述第一训练的训练结果表征对流场影响的相对贡献大小，所述潮汐数据、径流数据、风场数据和地形数据的相对贡献大小的排序为：地形数据、径流数据、潮汐数据、风场数据。
可选地，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型，包括：
根据影响海区的物理因素，在近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为所述第一神经网络的输入项；
对所述输入项进行归一化处理得到训练数据，并根据所述训练数据确定所述第一神经网络的神经元个数；
选取Tansig函数作为输入层到隐藏层的传递函数，Purelin函数作为隐藏层到输出层的传递函数；
根据输入的训练数据，分别使用Trainlm函数、Trainbr函数和Trainscg函数训练10次，选取训练结果和测试结果都满足预设要求的目标训练函数；
计算隐藏层的最大神经元数；
根据所述目标训练函数，在所述第一神经网络中通过前向传播或误差反向传播，修正所述第一神经网络各层间的权值和阈值，直到达到目标最小误差；
根据所述最大神经元数，对所述隐藏层进行优化，动态调整所述隐藏层的神经元数，进而确定所述第一神经网络的网络结构。
可选地，所述归一化处理的表达式为：
Figure BDA0003777094540000031
其中，Xi代表归一化结果；Xoriginal代表输入项中的原始数据；Xmax代表原始数据的最大值；Xmin代表原始数据的最小值；
所述隐藏层的最大神经元数的计算公式为：
Figure BDA0003777094540000032
其中，p代表隐藏层的神经元个数；m代表输入层的神经元个数；n代表输出层的神经元个数。
本发明实施例的另一方面还提供了一种基于BP神经网络的地波雷达流场计算装置，包括：
第一模块，用于根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
第二模块，用于通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；
第三模块，用于通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；
第四模块，用于确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
本发明的实施例根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；通过第二神经网络对所述外海区域的雷达回波数据进行第二训练；生成外海海流反演模型；确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果。本发明提高了地波雷达流场计算的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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。
图1为本发明实施例提供的整体步骤流程图；
图2为本发明实施例提供的神经网络的模型框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明的一方面提供了一种基于BP神经网络的地波雷达流场计算方法，如图1所示，方法包括以下步骤：
根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；
通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；
确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
需要说明的是，近岸区域和外海区域这两个区域所受到的海洋环境影响因子不同：近岸区受到河流径流量、地形的影响为主，潮汐和风的影响为辅，外海区域受到大尺度风场和潮汐的影响为主，径流和地形影响很小。
流场是矢量，由东西方向的流场分量和南北方向的流场分量进行矢量合成，近岸和外海的反演模型也将分别针对两个分量进行，最后合成海流矢量场。
可选地，所述根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域，包括：
收集雷达回波数据；
根据所述雷达回波数据的准确度差异值，将两部雷达覆盖区域发射角度范围大于150°的海区划分为近岸区域，将雷达覆盖区域发射角度范围小于20°的海区划分外海区域，将其他区域划分为雷达覆盖区域的高精区。
需要说明的是，本实施例将其他区域划分为雷达覆盖区域的高精区，由于高精区内雷达数据准确度较高，可用于对神经网络反演模型的校验。
可选地，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型这一步骤中，
所述雷达回波数据包括潮汐数据、径流数据、风场数据和地形数据；
所述第一神经网络包括输入层、隐藏层和输出层；
其中，根据物理海洋学原理，所述第一训练的训练结果表征对流场影响的相对贡献大小，所述潮汐数据、径流数据、风场数据和地形数据的相对贡献大小的排序为：地形数据、径流数据、潮汐数据、风场数据。
可选地，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型，包括：
根据影响海区的物理因素，在近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为所述第一神经网络的输入项；
对所述输入项进行归一化处理得到训练数据，并根据所述训练数据确定所述第一神经网络的神经元个数；
选取Tansig函数作为输入层到隐藏层的传递函数，Purelin函数作为隐藏层到输出层的传递函数；
根据输入的训练数据，分别使用Trainlm函数、Trainbr函数和Trainscg函数训练10次，选取训练结果和测试结果都满足预设要求的目标训练函数；
计算隐藏层的最大神经元数；
根据所述目标训练函数，在所述第一神经网络中通过前向传播或误差反向传播，修正所述第一神经网络各层间的权值和阈值，直到达到目标最小误差；
根据所述最大神经元数，对所述隐藏层进行优化，动态调整所述隐藏层的神经元数，进而确定所述第一神经网络的网络结构。
可选地，所述归一化处理的表达式为：
Figure BDA0003777094540000061
其中，Xi代表归一化结果；Xoriginal代表输入项中的原始数据；Xmax代表原始数据的最大值；Xmin代表原始数据的最小值；
所述隐藏层的最大神经元数的计算公式为：
Figure BDA0003777094540000062
其中，p代表隐藏层的神经元个数；m代表输入层的神经元个数；n代表输出层的神经元个数。
本发明实施例的另一方面还提供了一种基于BP神经网络的地波雷达流场计算装置，包括：
第一模块，用于根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
第二模块，用于通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；
第三模块，用于通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；
第四模块，用于确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
下面详细描述本发明的地波雷达流场计算方法的实现原理：
针对现有技术存在的问题，本发明专利拟解决的问题是，基于机器学习的方法获得海洋流场与雷达回波以及海洋环境信息的非线性相关关系，提升传统基于电子信息理论反演方法在非高精区的计算准确率。
本发明的目的在于提供一种可以利用雷达回波数据，结合实际海洋环境信息，计算流场的方法，提高地波雷达观测非高精区的观测精度。本发明具备以下特点：
1、为提高海流的反演计算方法，本发明同时使用了地波雷达回波数据和实际海洋环境数据。
2、与传统方法通过地波雷达一阶峰信息反演海流，本发明采用机器学习和深度学习的方法。
3、本发明通过BP神经网络的深度学习方法，获取海流与雷达数据、海洋环境数据的最优相关系数。
具体地，本发明包括以下步骤：
步骤一：根据雷达回波数据的准确度差异，将雷达覆盖区域角度范围大于150°的海区划分为近岸低精度区域，角度范围小于20°的海区划分外海低精度区域。
步骤二：根据不同的海区，选择合适的BP神经网络进行训练，具体细化步骤如下：
Step1：根据影响海区的物理因素，在外海选取风速、潮汐和高频地波雷达的一阶峰、二阶峰数据作为输入项，在近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为输入项。为加快运行速度，对数据进行归一化处理：
Figure BDA0003777094540000071
将归一化处理后的输入训练数据，随机分成80％和20％两部分，分别作为训练集和测试集，用于训练网络参数和测试网络性能。
需要说明的是，本发明实施例的神经网络框架如图2所示，本发明的神经网络的网络结构包括输入层、隐藏层和输出层。其中，输入层的输入内容包括潮汐数据、径流数据、风场数据和地形数据等。
Step2：由step1确定输入层的神经元个数，该数等于输入向量的维数。
Step3：选取Tansig函数作为输入层到隐藏层的传递函数，Purelin函数作为隐藏层到输出层的传递函数。
Step4：网络的训练函数的选择，分别使用Trainlm函数、Trainbr函数和Trainscg函数训练10次，选取训练和测试结果都较为理想的函数。
Step5：确定隐藏层的神经元数，可使用的经验公式如下：
Figure BDA0003777094540000081
其中，p，m和n分别为隐藏层、输入层和输出层神经元个数，q为1-10的常数。
Step6：确定训练函数后，神经网络通过信号在网络中前向传播、误差反向传播的方式，不断修正网络各层间的权值和阈值，直到达到目标最小误差。
Step7：对模型的训练中，依据Step5的公式，优先选取最大数量的神经元。由于隐藏层神经元数量如果过大，会出现过拟合现象；数量过少，测试集性能也会呈现下降趋势，因此需要逐一减少隐藏层神经元数量，找到训练集和测试集性能表现接近的最佳状态。
Step8：经过上述步骤后，确定了最终的网络结构，将所有输入训练数据作为训练集，训练神经网络，当达到目标最小误差并保持相对稳定时结束训练，生成海流反演模型。
Step9：评估指标：选取平均绝对误差(Mean Absolute Error，MAE)，均方根误差(Root Mean Squared Error，RMSE)，Index of Agreement(IA)，解释方差得分(ExplainedVariance Score，Var)。其中n代表样本数，xi代表观测值，
Figure BDA0003777094540000082
代表预测值。
Figure BDA0003777094540000083
Figure BDA0003777094540000084
Figure BDA0003777094540000085
Figure BDA0003777094540000086
Step10：保存模型。
步骤三：在步骤二训练得到的模型所适用的海区，根据现实需要使用模型，获得目标流场分布。
进一步，如图2所示，在本发明实施例的神经网络框架下，神经网络的建模过程如下：
Step0：BP神经网络的建模。BP算法包括前向传播和误差的反向传播两个过程：本实施例约定用
Figure BDA0003777094540000091
表示网络第(L-1)层中第k个神经元指向第L层中第j个神经元的连接权重，用b表示偏差，用x[l]表示神经元的激活函数输出，用f表示激活函数，因此，第L层第j个神经元的计算方式可以表示为：
Figure BDA0003777094540000092
一般的，前向传播过程的计算方式为：
x[l]＝f(w[l]x[l-1]+b[l])
损失函数为：
Figure BDA0003777094540000093
若前向传播的实际输出与期望输出不符，则进行误差反向传播，反向传播可由以下4组公式完成。
等式1:输出层误差：
Figure BDA0003777094540000094
其中，
Figure BDA0003777094540000095
表示第L层第j个神经元的误差。并为第L层第j个神经元添加扰动,使损失函数减小，寻找最好的扰动使损失函数值达到最小。
等式2:隐含层误差
δ[l]＝[w[l+1]Tδ[l+1]]⊙f(z[l])
等式3:参数变化率
Figure BDA0003777094540000096
Figure BDA0003777094540000097
等式4:参数更新规则
Figure BDA0003777094540000098
Figure BDA0003777094540000101
其中，α是学习率，学习率指定了反向传播过程中梯度下降的步长。误差的反向传播采用梯度下降法，梯度表示函数增加最快的方向，因此，沿着反方向可以更快找到函数的最小值。反向传播过程将输出误差通过隐含层向输入层逐层反传，将误差分摊给各个单元，调整网络中的权重w和偏差b来改变损失函数值，求得函数L(y)的最小值。以上过程完成BP基础框架的建模。
综上所述，相较于现有技术，本发明具有以下突出的优点：
1、高准确率：影响海洋流场最直接的物理过程是海洋动力因素，如潮汐、风场、径流、地形分布等。传统海流反演方法是基于地波雷达回波信号的间接计算方法，本发明通过BP神经网络将雷达回波信号和海洋环境信息相结合，利用深度学习方法确定海流与影响因子之间的最优相关系数，从而提高海流的计算准确率。
2、高覆盖率：在地波雷达观测的非高精区，传统的反演方法准确率较低，因此在输出数据的质量控制过程中常常被剔除，其本质原因在于地波雷达的回波信号无法准确反演非高精区海流变化的海洋环境因子。因此，本发明在加入了不同海区的物理海洋影响因素后，提升了地波雷达观测非高精区的数据质量，增加了雷达数据的可利用率，扩大了海域的可反演面积。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.基于BP神经网络的地波雷达流场计算方法，其特征在于，包括：
根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；从近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为所述第一神经网络的输入项；
通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；在外海选取风速、潮汐和高频地波雷达的一阶峰、二阶峰数据作为第二神经网络的输入项；
确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
2.根据权利要求1所述的基于BP神经网络的地波雷达流场计算方法，其特征在于，所述根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域，包括：
收集雷达回波数据；
根据所述雷达回波数据的准确度差异值，将两部雷达覆盖区域发射角度范围大于150°的海区划分为近岸区域，将雷达覆盖区域发射角度范围小于20°的海区划分外海区域，将其他区域划分为雷达覆盖区域的高精区。
3.根据权利要求1所述的基于BP神经网络的地波雷达流场计算方法，其特征在于，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型这一步骤中，
所述雷达回波数据包括潮汐数据、径流数据、风场数据和地形数据；
所述第一神经网络包括输入层、隐藏层和输出层；
其中，根据物理海洋学原理，所述第一训练的训练结果表征对流场影响的相对贡献大小，所述潮汐数据、径流数据、风场数据和地形数据的相对贡献大小的排序为：地形数据、径流数据、潮汐数据、风场数据。
4.根据权利要求3所述的基于BP神经网络的地波雷达流场计算方法，其特征在于，所述通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型，包括：
根据影响海区的物理因素，在近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为所述第一神经网络的输入项；
对所述输入项进行归一化处理得到训练数据，并根据所述训练数据确定所述第一神经网络的神经元个数；
选取Tansig函数作为输入层到隐藏层的传递函数，Purelin函数作为隐藏层到输出层的传递函数；
根据输入的训练数据，分别使用Trainlm函数、Trainbr函数和Trainscg函数训练10次，选取训练结果和测试结果都满足预设要求的目标训练函数；
计算隐藏层的最大神经元数；
根据所述目标训练函数，在所述第一神经网络中通过前向传播或误差反向传播，修正所述第一神经网络各层间的权值和阈值，直到达到目标最小误差；
根据所述最大神经元数，对所述隐藏层进行优化，动态调整所述隐藏层的神经元数，进而确定所述第一神经网络的网络结构。
5.根据权利要求4所述的基于BP神经网络的地波雷达流场计算方法，其特征在于，
所述归一化处理的表达式为：
Figure FDA0004138949330000021
其中，Xi代表归一化结果；Xoriginal代表输入项中的原始数据；Xmax代表原始数据的最大值；Xmin代表原始数据的最小值；
所述隐藏层的最大神经元数的计算公式为：
Figure FDA0004138949330000022
其中，p代表隐藏层的神经元个数；m代表输入层的神经元个数；n代表输出层的神经元个数；q代表1-10的常数。
6.基于BP神经网络的地波雷达流场计算装置，其特征在于，包括：
第一模块，用于根据雷达回波数据，将雷达覆盖区域划分为近岸区域和外海区域；其中，所述近岸区域和外海区域受到的海洋环境影响因子不同：所述近岸区域受到河流径流量、地形的影响为主，潮汐和风的影响为辅；所述外海区域受到大尺度风场和潮汐的影响为主；
第二模块，用于通过第一神经网络对所述近岸区域的雷达回波数据进行第一训练，生成近岸海流反演模型；其中，所述近岸海流反演模型用于表征径流和地形的影响；从近岸海区选取水下地形高程值、风速、潮汐、径流和雷达的一阶峰以及二阶峰数据作为所述第一神经网络的输入项；
第三模块，用于通过第二神经网络对所述外海区域的雷达回波数据进行第二训练，生成外海海流反演模型；其中，所述外海海流反演模型用于表征风场和潮汐的影响；在外海选取风速、潮汐和高频地波雷达的一阶峰、二阶峰数据作为第二神经网络的输入项；
第四模块，用于确定待检测目标所处的目标海区，根据所述目标海区选取相应的近岸海流反演模型或者外海海流反演模型进行流场计算，得到所述待检测目标的流场结果；
其中，所述流场是矢量，所述流场由东西方向的流场分量和南北方向的流场分量进行矢量合成。
7.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任意一项所述的方法。
CN202210919572.4A 2022-08-02 2022-08-02 基于bp神经网络的地波雷达流场计算方法及装置 Active CN115204058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210919572.4A CN115204058B (zh) 2022-08-02 2022-08-02 基于bp神经网络的地波雷达流场计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210919572.4A CN115204058B (zh) 2022-08-02 2022-08-02 基于bp神经网络的地波雷达流场计算方法及装置

Publications (2)

Publication Number Publication Date
CN115204058A CN115204058A (zh) 2022-10-18
CN115204058B true CN115204058B (zh) 2023-04-21

Family

ID=83585188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210919572.4A Active CN115204058B (zh) 2022-08-02 2022-08-02 基于bp神经网络的地波雷达流场计算方法及装置

Country Status (1)

Country Link
CN (1) CN115204058B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932838B (zh) * 2022-12-12 2023-11-21 中山大学 一种基于神经网络的地波雷达与走航观测的数据校正方法
CN115877377B (zh) * 2022-12-12 2023-10-03 中山大学 一种雷达组网矢量流场合成方法、系统、设备及存储介质
CN116597085B (zh) * 2023-05-18 2023-12-12 中山大学 一种三维流场重构方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609287A (zh) * 2018-06-14 2019-12-24 中国科学院国家空间科学中心 一种双频雷达散射计及同时测量海面风场和流场的方法
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
CN114140697A (zh) * 2021-09-02 2022-03-04 广东海启星海洋科技有限公司 海表流场遥感探测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484704A (zh) * 2014-12-22 2015-04-01 国家电网公司 一种基于bp神经网络的风电场理论功率确定方法
CN105445730B (zh) * 2015-11-27 2017-09-15 南京信息工程大学 一种基于角度分集的海洋流场反演星载sar系统及其方法
CN109143193B (zh) * 2018-08-30 2023-04-18 武汉大学 一种基于二阶峰的高频地波雷达浪场反演方法
FR3091358B1 (fr) * 2018-12-27 2020-12-11 Thales Sa Dispositif de génération d’un ensemble de données simulées du fouillis de mer, procédé et programme d’ordinateur associés
US11481916B2 (en) * 2019-12-12 2022-10-25 Motorola Solutions, Inc. Method, system and computer program product for emulating depth data of a three-dimensional camera device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609287A (zh) * 2018-06-14 2019-12-24 中国科学院国家空间科学中心 一种双频雷达散射计及同时测量海面风场和流场的方法
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
CN114140697A (zh) * 2021-09-02 2022-03-04 广东海启星海洋科技有限公司 海表流场遥感探测方法及装置

Also Published As

Publication number Publication date
CN115204058A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN115204058B (zh) 基于bp神经网络的地波雷达流场计算方法及装置
Li et al. Ship motion prediction using dynamic seasonal RvSVR with phase space reconstruction and the chaos adaptive efficient FOA
CN115438571B (zh) 一种基于机器学习的地波雷达波浪场计算方法及装置
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN106093849A (zh) 一种基于测距和神经网络算法的水下定位方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN107330164B (zh) 一种三体船纵向运动模型辨识方法
CN102109495A (zh) 基于多波束声纳技术的海底混合底质类型分类方法
CN109683479A (zh) 基于人工神经网络的动力定位推力分配装置及方法
CN109460874B (zh) 一种基于深度学习的有义波高预测方法
CN102279399B (zh) 一种基于动态规划的微弱目标频谱跟踪方法
Yang et al. Prediction of ship motion attitude based on BP network
CN106354979A (zh) 一种基于量子遗传算法的雷达海杂波反演蒸发波导的方法
CN110675278A (zh) 一种基于rbf神经网络的光伏功率短期预测方法
CN112069723A (zh) 一种用于评估电力系统暂态稳定的方法及系统
CN106896724B (zh) 用于太阳跟踪器的跟踪系统及跟踪方法
CN112180369A (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN117332510A (zh) 一种基于混合预测模型的远洋船舶航速损失预测方法
CN108983178A (zh) 一种敏捷自适应的智能雷达海上目标检测系统
CN104268565A (zh) 基于回归学习的景象匹配区选取方法
CN113869350B (zh) 基于空间特征差异的海流预测方法以及系统
CN113627074B (zh) 一种基于迁移学习的地波传播时延预测方法
CN108983183A (zh) 一种自适应的雷达海杂波预报系统
CN108460459A (zh) 基于小波神经网络的无人机遥感测温中温度拟合的方法
CN103839104B (zh) 一种海浪有效波高反演模型建模方法

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