CN115293190B - 基于微波信号盲源分离和sca的沙尘暴动态反演方法 - Google Patents
基于微波信号盲源分离和sca的沙尘暴动态反演方法 Download PDFInfo
- Publication number
- CN115293190B CN115293190B CN202210592454.7A CN202210592454A CN115293190B CN 115293190 B CN115293190 B CN 115293190B CN 202210592454 A CN202210592454 A CN 202210592454A CN 115293190 B CN115293190 B CN 115293190B
- Authority
- CN
- China
- Prior art keywords
- sand storm
- visibility
- attenuation
- microwave
- data
- 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
Links
- 239000004576 sand Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000926 separation method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 14
- 239000000428 dust Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 101100390768 Neisseria gonorrhoeae (strain ATCC 700825 / FA 1090) fitA gene Proteins 0.000 claims 1
- 230000000295 complement effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- 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
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法,包括如下步骤:选取大量沙尘暴天气下的无线微波链路数据,获取微波信号衰减值并进行预处理;根据能见度仪监测的数据,与沙尘暴特征衰减建立相应关系,采用岭回归模型进行拟合回归;对拟合优度做出检验,判断欠拟合现象,对不利结果做出修正后,则可依据回归模型,得到相应特征微波衰减下的沙尘暴天气能见度。本发明采用盲源分离算法和稀疏成分分析,提取出沙尘暴导致的微波衰减,结合岭回归正则化方法,建立微波信号衰减与能见度之间的关系,提供了利用微波通信网络监测沙尘暴能见度的方法,弥补了沙尘暴浓度的监测手段。
Description
技术领域
本发明涉及新一代通信技术应用领域,具体涉及一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法。
背景技术
沙尘暴是指强风将地面尘土、沙粒卷入空中,使空气水平能见度小于1km 的天气现象,通常使用水平能见度Vb来表征沙尘天气的浓度。长时间、高强度、大范围的沙尘暴易导致严重的经济损失,造成交通不便、农作物受损、生态环境恶化,甚至危害人类生命健康。
沙尘暴的监测可通过地基观测和空基观测两种手段,其中地基观测包括:瞭望塔观测、视频监控观测、雷达观测、激光雷达观测以及无线传感器网络观测。空基观测主要包括卫星云图和无人机测量。现有的沙尘暴监测体系存在巨大的挑战:沙尘气象观测站站网密度低、数据可靠性较差、管理维护较为困难,且大多建立于我国西北沙尘暴易发地区;卫星监测系统仅能识别白天沙尘,对于夜间沙尘天气存在识别盲区,自动化程度有待提高,静止气象卫星沙尘识别的精度及定量化程度不够,无法达到实时精准监测。
无线微波链路具有投资小、密度大、时效性强等突出优势,其信号传播受到气象条件等因素的影响,存在多径干扰现象,沙尘暴天气中沙尘粒子的吸收和散射效应能够引起无线微波信号的衰减,研究表明,沙粒浓度越大,微波衰减越明显,对于能见度低、大范围、持续时间长的沙尘暴天气必须考虑对微波信号的影响。无线微波可以穿透沙尘层,利用沙尘粒子的散射、发射与其他物体的差异,基于无线微波链路衰减进行沙尘暴天气的时空识别,故可以利用微波衰减数据在一定会程度上对沙尘暴做出浓度监测。目前,通过微波衰减对沙尘暴的特性进行监测研究屈指可数,沙尘的特性数据相对不太丰富,因此,准确实时地对沙尘粒子空间分布和能见度进行监测,发布沙尘影响范围及强度空间分布图存在一定困难。
发明内容
针对以上问题,本发明提出一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法。
为实现上述目的,本发明提供一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法,包括如下步骤:
S1:选取大量沙尘暴天气下的无线微波链路数据,获取微波信号衰减值并进行预处理,分析多因素微波衰减影响因子,进而得到归一化后沙尘暴导致的特征衰减信号;
S2:根据能见度仪监测的数据,将其与沙尘暴特征衰减建立一一对应的关系,采用岭回归模型对数据进行拟合回归,实现对沙尘暴浓度的监测;
S3:对拟合优度做出检验,判断欠拟合现象,对不利结果做出修正后,则可依据回归模型,得到相应特征微波衰减下的沙尘暴天气能见度。
进一步的,所述步骤S1中信号衰减值预处理具体步骤如下:
S1-1:奇异值的修正:采用局部离群因子(LOF)算法,对所得到的微波信号衰减值的异常点进行修正,设定LOF算法中邻域点个数k和离群阈值K,计算所有样本点o的局部离群因子LOFk(o)得分并与离群阈值K进行比较,将离群因子大于设定阈值的样本点归为异常点,对该样本点进行剔除,否则o为正常点,保留该样本点。
局部离群因子LOFk(o)计算公式为:
式中,lrdk(o)、lrdk(o′)分别为样本点o和o′的局部可达密度,Nk(o)为距样本点o的距离不超过dk(o)的所有样本点,||Nk(o)||为点o的第k距离邻域内包含的样本点个数。
S1-2:缺失数据的补充:利用牛顿插值法对缺失数据进行补齐,依次求出不同阶差商值,按照牛顿插值公式得到完备的微波信号衰减序列x(t)。牛顿插值公式为:
x(t)=x(t0)+g[0,1](t-t0)+g[0,1,2](t-t0)(t-t1)+… +g[0,1,…,n](t-t0)(t-t1)…(t-tn-1)+Rn(t)=Nn(t)+Rn(t)
式中,g[0,1]、g[0,1,2]、…、g[0,1,…,n]分别为微波衰减信号时间序列的一阶差商、二阶差商、…、n阶差商;x(ti)为ti时刻的微波衰减信号,i∈[0,m];Nn(t) 为牛顿插值多项式;Rn(t)为牛顿插值余项。
S1-3:分离沙尘暴特征衰减:根据盲源分离算法(BSS)和稀疏成分分析(SCA) 分离出由沙尘粒子引起的信号衰减,观测信号x(t)与源信号S(t)的关系为:
式中,A为混合矩阵,L表示冲击响应的最大长度。
应用稀疏成分分析(SCA)的两阶段法,第一步,估算混合矩阵A;第二步,根据混合矩阵A,恢复源信号Si(t),从而分离出沙尘颗粒导致的特征衰减部分。
S1-4:归一化处理:
进一步的,采用模糊C均值聚类方法,通过构造代价函数,实现对混合矩阵A的估计。代价函数Jc的公式为:
式中,μij表示样本集中第j个数据关联到第i个簇的隶属度;dij=||xj-vi|| 为样本集中各个数据和聚类中心之间的欧氏距离;p∈[1,∞)代表加权指数。
进一步的,建立所述设定时段内沙尘暴能见度与微波特征衰减的映射关系,采用岭回归分析进行数据拟合。其中,能见度仪监测的沙尘暴能见度数据为 (V1,V2,V3,…,VP),通过预处理归一化的特征衰减数据为将两者建立一一对应的关系,即将特征衰减数据作为预测器(自变量),能见度设为目标(因变量)。建立具体的模型形式:
V=Xβ+ε
式中,V是因变量,即沙尘暴能见度,为Q×1维的列向量;X为P×Q阶的矩阵,由沙尘暴特征衰减数据组成;β为Q×1维岭回归系数;ε为随机扰动项。
通过在损失函数后添加L2正则化项,得到岭回归系数的估计表达式:
式中,γ为岭参数。
进一步的,采用拟合优度R2作为回归效果的检验标准。
其中,R2∈(0,1),其值越大,说明拟合效果越好,权重参数更加准确。当R2<0.85时,模型为欠拟合。调整回归模型的高次项及正则化参数λ,重复步骤S2、 S3。式中,表示回归平方和,/>表示残差平方和,表示总离差平方和,Vi表示沙尘暴能见度的实测值,/>表示沙尘暴能见度的回归值,/>表示实测沙尘暴能见度的平均值。
上述基于微波信号盲源分离和SCA的沙尘暴动态反演方法,通过选取大量沙尘暴天气下的无线微波链路数据,获取微波信号衰减值并进行预处理,分析多因素微波衰减影响因子,进而得到归一化后沙尘暴导致的特征信号衰减,根据能见度仪监测的数据,将其与沙尘暴特征衰减建立一一对应的关系,采用岭回归模型对数据进行拟合回归,实现对沙尘暴浓度的监测,对拟合优度做出检验,判断欠拟合现象,对不利结果做出修正后,则可依据回归模型,得到相应特征微波衰减下的沙尘暴天气能见度。本发明采用盲源分离算法和稀疏成分分析,提取出沙尘暴导致的微波衰减,结合岭回归正则化方法,建立微波信号衰减与能见度之间的关系,提供了利用微波通信网络监测沙尘暴能见度的方法,弥补了沙尘暴浓度的监测手段。
有益效果:本发明与现有技术相比,具备如下优点:
(1)采用局部离群因子算法和牛顿插值法对微波衰减信号进行处理,使之得到更加有效准确的数据;
(2)结合盲源分离算法和稀疏成分分析对无线微波数据进行特征信号选择与提取,分离出可以利用的沙尘颗粒导致的微波信号衰减;
(3)通过岭回归分析方法,建立能见度与特征衰减之间的关系,避免过拟合现象的发生,充分利用现有微波通信网络数据,提供沙尘暴能见度的监测方法,解决了沙尘暴监测方式不足的问题。
附图说明
图1为本发明方法的流程图。
图2为一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法技术过程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
如图1所示,本发明提供一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法,包括如下步骤:
S1:选取大量沙尘暴天气下的无线微波链路数据,获取微波信号衰减值并进行预处理,分析多因素微波衰减影响因子,进而得到归一化后沙尘暴导致的特征信号衰减;
S2:根据能见度仪监测的数据,将其与沙尘暴特征衰减建立一一对应的关系,采用岭回归模型对数据进行拟合回归,实现对沙尘暴浓度的监测;
S3:对拟合优度做出检验,判断欠拟合现象,对不利结果做出修正后,则可依据回归模型,得到相应特征微波衰减下的沙尘暴天气能见度。
在一个实施例中,所述步骤S1中衰减值预处理具体步骤如下:
S1-1:奇异值的修正:采用局部离群因子(LOF)算法,对所得到的微波信号衰减值的异常点进行修正,设定LOF算法中邻域点个数k和离群阈值K。
在微波衰减信号样本集D中,计算样本点o与离其第k远的近邻点离群阈值间的距离dk(o)、距样本点o的距离不超过dk(o)的所有样本点Nk(o)、点o到点o′的可达距离dreach(o,o′)以及点o的局部可达密度lrdk(o)。
Nk(o)={o′|o′∈D,d(o,o′)≤dk(o)}
dreach(o,o′)=max{d(o,o′),dk(o)}
式中,d(o,o′)为样本点o和o′间的距离,||Nk(o)||为样本点o的第k距离邻域内包含的样本点个数。
计算局部离群因子LOFk(o):
将局部离群因子LOFk(o)与局部离群因子K进行比较,若LOFk(o)>K,将样本点o归为异常点,进行剔除;若LOFk(o)≤K,则样本点o为正常点。
上述LOF算法是通过数据点附近的平均局部可达密度与数据点的局部可达密度的比值量化数据点的异常程度,样本点o的局部可达密度相比其k近邻的局部可达密度越低,则LOFk(o)值越大,点o是离群点的可能性越大。近邻数k需要根据实际样本规模和样本分布情况进行选取。
S1-2:缺失数据的补充:依据牛顿插值法对微波衰减信号中的缺失数据进行补齐,得到完备的信号衰减序列。
已知在微波衰减信号时间序列样本集D中存在m(m>n+1)个样本点,计算衰减信号序列x(t)的不同阶差商,高阶差商与低阶差商存在迭代关系,n阶差商是n-1阶差商的差商。一阶差商g[i,j]、二阶差商g[i,j,l]、…、n阶差商g[0,1,…,n] 分别为:
……
因此,可以通过牛顿插值法求得待插补时刻的缺失信号数据,牛顿插值法的具体表达形式为:
x(t)=x(t0)+g[0,1](t-t0)+g[0,1,2](t-t0)(t-t1)+… +g[0,1,…,n](t-t0)(t-t1)…(t-tn-1)+Rn(x)
可记为:x(t)=Nn(t)+Rn(t)
其中,Nn(t)=x(t0)+g[0,1](t-t0)+g[0,1,2](t-t0)(t-t1)+…+ g[0,1,…,n](t-t0)(t-t1)…(t-tn-1)是牛顿插值多项式, 为牛顿插值余项或截断误差,当n趋于无穷大时为零。
S1-3:分离沙尘暴特征衰减:对于沙尘暴天气下的微波信号衰减是一种多因子综合作用下的结果,主要考虑沙尘粒子、大气中的气体、水蒸气、自由路径损耗、湿天线等因素,表达式可写为:
ΔA=εS+εA+εF+εW+εf
式中,ΔA是经过处理后的微波信号总衰减,εS是由于沙尘粒子对微波的吸收和散射而造成的衰减,εA是大气中的氧气、水蒸气等气体造成的衰减,εF是微波信号的自由路径损耗,εW是指天线罩表面水层所致的湿天线衰减,εf是指大风引起的微波信号衰减。已有文献表明,自由路径损耗εF=92.4+20lgf+20lgd,其中f表示频率,单位为GHz;d表示信号发射站与接收站之间的距离,单位为 km;εF单位为dB。
上述微波信号衰减ΔA为多因子混叠信号,根据盲源分离算法(BSS)和稀疏成分分析(SCA)分离出由沙尘粒子引起的信号衰减,由于基站所接收到的信号往往是源信号经过不同时延的线性叠加,即观测信号是源信号的卷积和。设有N 个统计独立的源信号Si(t),i=1,2,…,N,经过卷积混合后观测到的混合信号为 xj(t),即:
式中,j=1,2,…,m,*表示卷积运算,aji(τ)表示第i个源信号到第j个混合信号的冲击响应,L表示冲击响应的最大长度。可将上式写成向量形式:
式中,S(t)=[s1(t),s2(t),…,sN(t)]T,x(t)=[x1(t),x2(t),…,xm(t)]T,A为混合矩阵。
应用稀疏成分分析(SCA)的两阶段法先估算出混合矩阵A,在此基础上恢复源信号Si(t),从而分离出沙尘颗粒导致的特征衰减部分。对于SCA算法,应满足以下约束条件:
(1)混合矩阵A所有的m×m大小的子矩阵均是非奇异矩阵,即可逆方阵;
(2)源信号矩阵S的稀疏度大于或等于n-m+1,其中矩阵的稀疏度就是该矩阵中每个列向量的稀疏度的最小值。
采用模糊C均值聚类的方法实现对混合矩阵A的估计,具体步骤如下
(1)构造代价函数:
式中,μij表示样本集中第j个数据关联到第i个簇的隶属度;dij=||xj-vi|| 为样本集中各个数据和聚类中心之间的欧氏距离;p∈[1,∞)代表加权指数,把同一数据公平的分配到不同簇中,提高聚类效果。
(2)为了计算上述所构造的代价函数,构造一个新的代价函数:
式中,λj是隶属度和为1的n个约束式的拉格朗日乘子。
(3)对于所有的输入变量求导可得到隶属度μij与聚类中心vi:
(4)将所求得的μij和vi代入到最初的代价函数中,计算代价函数的值。
(5)重复执行(2)、(3)、(4)步骤,直至代价函数最小并达到稳定,此时所得到的聚类中心矩阵M即为所要估计的混合矩阵A。
S1-4:对特征衰减信号进行归一化处理:将衰减信号数据映射到[0,1]的区间之中。归一化公式为:
在一个实施例中,能见度仪监测的沙尘暴能见度数据为(V1,V2,V3,…,VP),通过预处理归一化的特征衰减数据为将两者建立一一对应的关系,即将特征衰减数据作为(自变量),能见度设为目标(因变量)。建立具体的模型形式:
V=Xβ+ε
式中,V是因变量,即沙尘暴能见度,为Q×1维的列向量;X为P×Q阶的矩阵,由沙尘暴特征衰减数据组成;β为Q×1维岭回归系数;ε为随机扰动项。
进一步的,定义损失函数为残差的平方,最小化损失函数:min||V-Xβ||2
假设给XTX加上一个正常数矩阵γI(γ>0),则XTX+γI接近奇异的程度小于 XTX接近奇异的程度
得到岭回归估计表达式:
在一个实施例中,利用Matlab软件求解岭回归系数的具体步骤为:
(2)将样本数据X、V进行标准化,标准化后的平均值为0,标准差为1。矩阵X、V分别变换为Z、V。
(4)添加伪样本将变换后的Z、V矩阵变为Zplus(P+Q)×P、Vplus(P+Q)×1。
(5)利用Regress函数进行回归分析,得到岭回归系数β1(γ),β2(γ),…,βP(γ),绘制岭迹图,观察β(γ)随γ的变化趋势,选择稳定的岭回归系数。
在一个实施例中,采用拟合优度R2作为回归效果的检验标准。
其中,R2∈(0,1),其值越大,说明拟合效果越好,权重参数更加准确。当R2<0.85时,模型为欠拟合。式中,表示回归平方和,/> 表示残差平方和,/>表示总离差平方和,Vi表示沙尘暴能见度的实测值,/>表示沙尘暴能见度的回归值,/>表示实测沙尘暴能见度的平均值。
进一步的,计算拟合优度R2,当R2<0.85时,模型为欠拟合,调整回归模型的高次项及正则化参数γ,重新计算拟合优度R2,直至R2>0.85。
根据调整后拟合良好的回归模型,输入处理好后的沙尘暴微波衰减值,可以反演得到沙尘暴能见度。
Claims (2)
1.一种基于微波信号盲源分离和SCA的沙尘暴动态反演方法,其特征在于,包括如下步骤:
S1:选取大量沙尘暴天气下的无线微波链路数据,获取微波信号衰减值并进行预处理,分析多因素微波衰减的影响因子,进而得到归一化后沙尘暴导致的特征衰减信号;
S2:根据能见度仪监测的数据,将其与沙尘暴特征衰减建立一一对应的关系,采用岭回归模型对数据进行拟合回归,实现对沙尘暴浓度的监测;
S3:对拟合优度做出检验,判断欠拟合现象,对不利结果做出修正后,则可依据回归模型,得到相应特征微波衰减下的沙尘暴天气能见度;
步骤S1中信号衰减值预处理具体步骤如下:
S1-1:奇异值的修正:采用局部离群因子算法,对所得到的微波信号衰减值的异常点进行修正,设定LOF算法中邻域点个数 和离群阈值K,计算所有样本点/>的局部离群因子得分并与离群阈值K进行比较,将离群因子大于设定阈值K的样本点归为异常点,对该样本点进行剔除,否则/>为正常点,保留该样本点;
式中,、/>分别为样本点/>和/>的局部可达密度,/>为距样本点/>的距离不超过/>的所有样本点,/>为样本点/>与离其第/>远的近邻点离群阈值间的距离,为样本点/>的第/>距离邻域内包含的样本点个数;
S1-4:归一化处理:
步骤S2中,建立设定时段内沙尘暴能见度与微波特征衰减的映射关系,采用岭回归分析进行数据拟合;其中,能见度仪监测的沙尘暴能见度数据为,/>为沙尘暴能见度数据的数量,通过预处理归一化的特征衰减数据为/>,将两者建立一一对应的关系,即/>、/>、/>、/>,将特征衰减数据作为预测器,即自变量,能见度设为目标,即因变量,建立具体的模型形式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592454.7A CN115293190B (zh) | 2022-05-27 | 2022-05-27 | 基于微波信号盲源分离和sca的沙尘暴动态反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592454.7A CN115293190B (zh) | 2022-05-27 | 2022-05-27 | 基于微波信号盲源分离和sca的沙尘暴动态反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293190A CN115293190A (zh) | 2022-11-04 |
CN115293190B true CN115293190B (zh) | 2023-06-27 |
Family
ID=83819924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592454.7A Active CN115293190B (zh) | 2022-05-27 | 2022-05-27 | 基于微波信号盲源分离和sca的沙尘暴动态反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293190B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2014151644A (ru) * | 2014-12-19 | 2016-07-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Томский государственный университет систем управления и радиоэлектроники" (ТУСУР) | Стробируемая телевизионная система с импульсным источником подсвета |
CN111726828A (zh) * | 2020-06-30 | 2020-09-29 | 中国信息通信研究院 | 一种测试微波传输设备xpic性能的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2592437Y (zh) * | 2003-01-05 | 2003-12-17 | 崔志春 | 汽车防撞报警器 |
CN109709577A (zh) * | 2018-12-28 | 2019-05-03 | 南京雨后地软环境技术有限公司 | 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法 |
-
2022
- 2022-05-27 CN CN202210592454.7A patent/CN115293190B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2014151644A (ru) * | 2014-12-19 | 2016-07-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Томский государственный университет систем управления и радиоэлектроники" (ТУСУР) | Стробируемая телевизионная система с импульсным источником подсвета |
CN111726828A (zh) * | 2020-06-30 | 2020-09-29 | 中国信息通信研究院 | 一种测试微波传输设备xpic性能的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115293190A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213727B (zh) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 | |
CN113936142B (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN106547037B (zh) | 双频双偏振微波链路联合的雨滴谱反演及降水类型识别方法 | |
CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
CN111199280B (zh) | 短波信道模型误差存在下联合信号复包络和载波相位信息的多站目标源地理坐标估计方法 | |
US20170140077A1 (en) | Method for assessing efficiency of power generation systems | |
CN114966899B (zh) | 一种基于多源多元遥感技术协同的区域能见度预测方法 | |
Fore et al. | SMAP radiometer-only tropical cyclone intensity and size validation | |
CN116192251A (zh) | 一种基于天空红外遥感图像确定星地激光链路通信可用度的方法 | |
CN114004163A (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN111104639B (zh) | 一种点面融合的时序pm2.5空间分布估算方法 | |
CN110632032A (zh) | 一种基于地表反射率库的沙尘暴监测方法 | |
CN115062527A (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN115293190B (zh) | 基于微波信号盲源分离和sca的沙尘暴动态反演方法 | |
CN113271539A (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
Kida et al. | Improvement of rain/no-rain classification methods for microwave radiometer observations over the ocean using a 37 GHz emission signature | |
Singh et al. | Prediction of radio wave attenuation due to clouds using ANN and its business aspects | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
CN112698354A (zh) | 一种大气气溶胶与云的识别方法和系统 | |
CN114397276B (zh) | 一种基于等价降水估测法的区域土壤湿度监测方法 | |
CN115525637B (zh) | 一种风矢量观测数据质量控制与处理方法、系统及设备 | |
Barthes et al. | Neural network model for atmospheric attenuation retrieval between 20 and 50 GHz by means of dual-frequency microwave radiometers | |
CN115791866B (zh) | 基于热红外遥感数据的土壤含水率实时监测系统及方法 | |
CN107038507A (zh) | 一种测雨卫星雨量智能测量和预报方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Tao Inventor after: Sun Mengyao Inventor after: Zheng Xin Inventor after: Xu Lin Inventor after: Liu Yuzhi Inventor before: Yang Tao Inventor before: Sun Mengyao Inventor before: Xu Lin Inventor before: Liu Yuzhi |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |