CN115906667A - 一种海洋环境参数反演模型构建方法及装置 - Google Patents
一种海洋环境参数反演模型构建方法及装置 Download PDFInfo
- Publication number
- CN115906667A CN115906667A CN202211706942.2A CN202211706942A CN115906667A CN 115906667 A CN115906667 A CN 115906667A CN 202211706942 A CN202211706942 A CN 202211706942A CN 115906667 A CN115906667 A CN 115906667A
- Authority
- CN
- China
- Prior art keywords
- sample set
- particle
- marine environment
- inversion model
- sea surface
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 144
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 36
- 238000012706 support-vector machine Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000013535 sea water Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000010287 polarization Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种海洋环境参数反演模型构建方法及装置,所述方法包括步骤:构建海面后向散射系数样本集;归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;使用所述测试样本集对所述海洋环境参数反演模型进行测试。本申请提供的一种海洋环境参数反演模型构建方法及装置构建得到的海洋环境参数反演模型具有很好的反演结果。
Description
技术领域
本申请涉及海洋遥感领域,尤其涉及一种海洋环境参数反演模型构建方法及装置。
背景技术
在海洋遥感领域,雷达发出的电磁波经过海面散射后,接收端接收到的散射回波蕴含着大量的海洋环境信息,研究海面电磁逆散射问题对海洋环境参数的准确反演具有重要意义。然而由于海洋环境复杂多变,雷达接收到的回波数据也具有很强的随机性和不确定性,从复杂的海面散射回波中提取出有用信息,并充分理解它们与实际海洋环境参数的对应关系,以建立有效的海洋环境参数反演模型,已成为海洋遥感技术研究的难点之一。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种海洋环境参数反演模型构建方法及装置。
第一方面,本申请提供了一种海洋环境参数反演模型构建方法,所述方法包括步骤:
构建海面后向散射系数样本集;
归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
使用所述测试样本集对所述海洋环境参数反演模型进行测试。
优选地,所述构建海面后向散射系数样本集包括步骤:
将海面后向散射系数作为特征值;
将海面上方风速作为第一目标值;
将海水相对介电常数作为第二目标值;
采用电磁散射计算方式并利用所述特征值和所述第一目标值构建第一海面后向散射系数样本集;
采用电磁散射计算方式并利用所述特征值和所述第二目标值构建第二海面后向散射系数样本集;
汇总所述第一海面后向散射系数样本集和所述第二海面后向散射系数样本集并得到所述海面后向散射系数样本集。
优选地,所述使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化包括步骤:
采用Logistic混沌序列对粒子群进行初始化;
采用均方根误差计算所述粒子群中每个粒子的适应度;
计算所述粒子群的聚合度;
根据所述聚合度对所述粒子群进行更新迭代;
获取更新迭代后的支持向量机。
优选地,所述适应度的表达式为:
优选地,所述聚合度的表达式为:
其中,δ表示聚合度,fi表示粒子群中粒子i的适应度,favg表示粒子群中全部N个粒子的适应度均值,fmax表示最大的适应度,fmin表示最小的适应度。
优选地,所述根据所述聚合度对所述粒子群进行更新迭代包括步骤:
判断所述聚合度是否大于预设阈值;
若是,使用第一粒子速度更新公式对所述粒子群中粒子的速度进行更新;
若否,使用第二粒子速度更新公式对所述粒子群中粒子的速度进行更新,将更新后的粒子速度带入至粒子位置更新公式对粒子群中粒子的位置进行更新。
优选地,所述第一粒子速度更新公式的表达式为:
其中,表示粒子群中第i个粒子在第(t+1)步迭代时第j维速度分量,c1、c2表示加速常数,γ1、γ2表示从0到1的随机数字,表示粒子群中第i个粒子在第t步迭代为止所处的自身最优位置,表示整个粒子群在第t步迭代为止搜索到的全局最优位置,表示粒子群中第i个粒子在第t步迭代时第j维位置分量,表示粒子群中第i个粒子在第t步迭代时第j维速度分量,w表示惯性因子,i表示粒子编号,j表示第j维分量。
优选地,所述第二粒子速度更新公式的表达式为:
其中,rand是0到1之间的随机数。
优选地,所述粒子位置更新公式的表达式为:
优选地,所述获取更新迭代后的支持向量机包括步骤:
判断所述粒子群的更新迭代次数是否达到最大迭代次数;
若是,停止更新迭代,并输出所述支持向量机;
若否,判断所述粒子群的目前最优位置是否满足最小容许误差;
若是,停止更新迭代,并输出所述支持向量机;
若否,返回所述根据所述聚合度对所述粒子群进行更新迭代步骤。
第二方面,本申请还提供了一种海洋环境参数反演模型构建装置,包括:
样本集构建模块,用于构建海面后向散射系数样本集;
样本集划分模块,用于归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
参数优化模块,用于使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
反演模型建立模块,用于使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
反演模型测试模块,用于使用所述测试样本集对所述海洋环境参数反演模型进行测试。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请提供的一种海洋环境参数反演模型构建方法及装置构建得到的海洋环境参数反演模型具有很好的反演结果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的一种海洋环境参数反演模型构建方法的流程示意图;
图2为本申请实施例提供的一种海洋环境参数反演模型构建装置的结构示意图;
图3为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的反演结果示意图;
图4为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的反演误差示意图;
图5为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的实部反演结果示意图;
图6为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的实部反演误差示意图;
图7为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的虚部反演结果示意图;
图8为本申请实施例提供的一种海洋环境参数反演模型构建方法中实施例1的虚部反演误差示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种海洋环境参数反演模型构建方法的流程示意图。
本申请提供了一种海洋环境参数反演模型构建方法,所述方法包括步骤:
S1:构建海面后向散射系数样本集;
在本申请实施例中,所述构建海面后向散射系数样本集包括步骤:
将海面后向散射系数作为特征值;
将海面上方风速作为第一目标值;
将海水相对介电常数作为第二目标值;
采用电磁散射计算方式并利用所述特征值和所述第一目标值构建第一海面后向散射系数样本集;
采用电磁散射计算方式并利用所述特征值和所述第二目标值构建第二海面后向散射系数样本集;
汇总所述第一海面后向散射系数样本集和所述第二海面后向散射系数样本集并得到所述海面后向散射系数样本集。
具体地,本申请将海面后向散射系数作为特征值,以海面上方风速、海水相对介电常数作为目标值,采用电磁散射计算的方式构建海面后向散射系数样本集。本申请中的海面后向散射系数样本集包含两类样本集:第一类为海面上方风速反演对应的第一海面后向散射系数样本集,第二类为海水相对介电常数反演对应的第二海面后向散射系数样本集。
进一步地,选取海面上方风速[U]作为输入,采样间隔为0.5m/s,分别输出HH、VV、HV和VH极化下的海面后向散射系数[σHH]、[σVV]、[σHV]、[σVH]随海面上方风速的变化,构建第一海面后向散射系数样本集;选取海水相对介电常数实部[εre]作为输入,采样间隔为0.1,分别输出HH、VV、HV和VH极化下的海面后向散射系数[σHH]、[σVV]、[σHV]、[σVH]随海水相对介电常数实部的变化,同时选取海水相对介电常数虚部[εim]作为输入,采样间隔为0.5,分别输出HH、VV、HV和VH极化下的海面后向散射系数[σHH]、[σVV]、[σHV]、[σVH]随海水相对介电常数虚部的变化,构建第二海面后向散射系数样本集。
S2:归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
具体地,对海面后向散射系数样本集进行数据预处理,将海面后向散射系数样本集中的样本数据进行归一化,使得所有数据都处于[0,1]之间,避免由于每个数据的取值范围不同,量级相差太大,而造成的不必要误差,影响到反演性能,并将样本数据集划分为训练样本集和测试样本集。样本数据归一化公式如下:
S3:使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
在本申请实施例中,所述使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化包括步骤:
采用Logistic混沌序列对粒子群进行初始化;
采用均方根误差计算所述粒子群中每个粒子的适应度;
计算所述粒子群的聚合度;
根据所述聚合度对所述粒子群进行更新迭代;
获取更新迭代后的支持向量机。
具体地,为了改善初始粒子群的微粒分布,增加群体多样性,采用Logistic混沌序列对粒子群的位置和速度进行初始化:设置惯性因子w,加速常数c1,c2,最大迭代次数,同时对粒子群的位置和速度进行初始化,粒子群中的第i个粒子的位置和速度分别用和表示。对于一个n维问题:f(x1,x2,...,xn),ai≤xi≤bi,在n维空间中,先任意生成一个0-1的向量:z1=(z11,z12,...,z1n),利用公式(2)得到N个向量z1,z2,...,zN,即:
zi+1j=μzij(1-zij), j=1,2,...n;i=1,2,...,N-1 (2)
其中,μ∈(2,4]为控制参量。
将zi的每个分量zij利用公式(3)带至优化变量的数值区间,即:
xij=aj+(bj-aj)zij, j=1,2,...,n;i=1,2,...,N (3)
然后计算目标函数,通过在N个初始群体中,选取最优的m个解为初值,得到初始群体。
具体地,本申请采用均方根误差作为适应度函数f(zi)计算粒子的适应度,所述适应度的表达式为:
为了避免在粒子群迭代时,由于采用每个微粒的最大值和整个种群的最大值来优化搜索最优解而导致的种群提前收敛问题,引入聚合度来判定粒子的多样性。所述聚合度的表达式为:
其中,δ表示聚合度,fi表示粒子群中粒子i的适应度,favg表示粒子群中全部N个粒子的适应度均值,fmax表示最大的适应度,fmin表示最小的适应度。
具体地,根据计算得到的聚合度确定粒子群更新方式,并更新粒子的速度和位置。所述根据所述聚合度对所述粒子群进行更新迭代包括步骤:
判断所述聚合度是否大于预设阈值;
若是,使用第一粒子速度更新公式对所述粒子群中粒子的速度进行更新;
若否,使用第二粒子速度更新公式对所述粒子群中粒子的速度进行更新,将更新后的粒子速度带入至粒子位置更新公式对粒子群中粒子的位置进行更新。
当聚合度值大于给定阈值时,按照粒子群常规方法进行粒子更新,当聚合度小于给定阈值时,则引入交叉变异策略对粒子进行修正更新,从而避免种群提前收敛,提高微粒的多样性。
在本申请实施例中,第一粒子速度更新公式的表达式为:
其中,表示粒子群中第i个粒子在第(t+1)步迭代时第j维速度分量,c1、c2表示加速常数,γ1、γ2表示从0到1的随机数字,表示粒子群中第i个粒子在第t步迭代为止所处的自身最优位置,表示整个粒子群在第t步迭代为止搜索到的全局最优位置,表示粒子群中第i个粒子在第t步迭代时第j维位置分量,表示粒子群中第i个粒子在第t步迭代时第j维速度分量,w表示惯性因子,i表示粒子编号,j表示第j维分量。
在本申请实施例中,第二粒子速度更新公式的表达式为:
其中,rand是0到1之间的随机数。
在本申请实施例中,所述粒子位置更新公式的表达式为:
在本申请实施例中,所述获取更新迭代后的支持向量机包括步骤:
判断所述粒子群的更新迭代次数是否达到最大迭代次数;
若是,停止更新迭代,并输出所述支持向量机;
若否,判断所述粒子群的目前最优位置是否满足最小容许误差;
若是,停止更新迭代,并输出所述支持向量机;
若否,返回所述根据所述聚合度对所述粒子群进行更新迭代步骤。
具体地,当迭代次数达到最大迭代次数或达到粒子群目前为止搜索到的最优位置满足目标函数的最小容许误差时,终止迭代,输出最优解,建立优化的支持向量机模型;否则返回根据所述聚合度对所述粒子群进行更新迭代步骤继续计算,直到达到最大迭代次数或达到粒子群目前为止搜索到的最优位置满足目标函数的最小容许误差。
S4:使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
具体地,采用训练样本集对支持向量机模型进行训练,建立海洋环境参数反演模型。
S5:使用所述测试样本集对所述海洋环境参数反演模型进行测试。
具体地,通过测试样本集中的输出作为真实值与反演结果对比,验证海洋环境参数反演模型的有效性。
如图2,本申请还提供了一种海洋环境参数反演模型构建装置,包括:
样本集构建模块10,用于构建海面后向散射系数样本集;
样本集划分模块20,用于归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
参数优化模块30,用于使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
反演模型建立模块40,用于使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
反演模型测试模块50,用于使用所述测试样本集对所述海洋环境参数反演模型进行测试。
本申请提供的一种海洋环境参数反演模型构建装置可以执行前述提供的一种海洋环境参数反演模型构建方法。
如图3-4,实施例1以HH极化为例给出了海面上方风速的反演结果,并将反演值与真实值进行了对比,给出了反演值与真实值相比的均方根误差RMSE和相关系数,以及不同风速的反演误差计算结果。由图3可以看出,海面上方风速的反演值与真实值相比均方根误差RMSE为0.0493,并且相关系数高达99%以上。另外,图4中不同风速的反演误差结果显示,最大误差为1.03%,而最小误差为0.28%。因此,本发明中海洋环境参数反演模型对于海面上方风速取得了很好的反演结果,从而证明了该反演模型在海面上方风速反演上的有效性。
如图5-8,实施例2以VV极化为例给出了海水相对介电常数实部和虚部的反演结果,并将反演值与真实值进行了对比,给出了反演值与真实值相比的均方根误差RMSE和相关系数,以及不同介电常数实部和虚部的反演误差计算结果。由图5和图6可以看出,海水相对介电常数实部和虚部的反演值与真实值相比均方根误差RMSE分别为0.0384和0.0377,并且相关系数均高达99%以上。另外,图6和图8中不同介电常数实部和虚部的反演误差结果显示,最大误差分别为0.35%和0.32%,而最小误差分别为0.02%和0.03%。因此,本发明中海洋环境参数反演模型对于海水相对介电常数实部和虚部均取得了很好的反演结果,从而证明了该反演模型在海水相对介电常数反演上的有效性。
本申请提供的一种海洋环境参数反演模型构建方法及装置构建得到的海洋环境参数反演模型具有很好的反演结果。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种海洋环境参数反演模型构建方法,其特征在于,所述方法包括步骤:
构建海面后向散射系数样本集;
归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
使用所述测试样本集对所述海洋环境参数反演模型进行测试。
2.根据权利要求1所述的海洋环境参数反演模型构建方法,其特征在于,所述构建海面后向散射系数样本集包括步骤:
将海面后向散射系数作为特征值;
将海面上方风速作为第一目标值;
将海水相对介电常数作为第二目标值;
采用电磁散射计算方式并利用所述特征值和所述第一目标值构建第一海面后向散射系数样本集;
采用电磁散射计算方式并利用所述特征值和所述第二目标值构建第二海面后向散射系数样本集;
汇总所述第一海面后向散射系数样本集和所述第二海面后向散射系数样本集并得到所述海面后向散射系数样本集。
3.根据权利要求1所述的海洋环境参数反演模型构建方法,其特征在于,所述使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化包括步骤:
采用Logistic混沌序列对粒子群进行初始化;
采用均方根误差计算所述粒子群中每个粒子的适应度;
计算所述粒子群的聚合度;
根据所述聚合度对所述粒子群进行更新迭代;
获取更新迭代后的支持向量机。
6.根据权利要求3所述的海洋环境参数反演模型构建方法,其特征在于,所述根据所述聚合度对所述粒子群进行更新迭代包括步骤:
判断所述聚合度是否大于预设阈值;
若是,使用第一粒子速度更新公式对所述粒子群中粒子的速度进行更新;
若否,使用第二粒子速度更新公式对所述粒子群中粒子的速度进行更新,将更新后的粒子速度带入至粒子位置更新公式对粒子群中粒子的位置进行更新。
10.根据权利要求3所述的海洋环境参数反演模型构建方法,其特征在于,所述获取更新迭代后的支持向量机包括步骤:
判断所述粒子群的更新迭代次数是否达到最大迭代次数;
若是,停止更新迭代,并输出所述支持向量机;
若否,判断所述粒子群的目前最优位置是否满足最小容许误差;
若是,停止更新迭代,并输出所述支持向量机;
若否,返回所述根据所述聚合度对所述粒子群进行更新迭代步骤。
11.一种海洋环境参数反演模型构建装置,其特征在于,包括:
样本集构建模块,用于构建海面后向散射系数样本集;
样本集划分模块,用于归一化处理所述海面后向散射系数样本集并将其划分为训练样本集和测试样本集;
参数优化模块,用于使用基于聚合度决策的改进粒子群算法对支持向量机进行参数优化;
反演模型建立模块,用于使用所述训练样本集对所述支持向量机进行训练以建立海洋环境参数反演模型;
反演模型测试模块,用于使用所述测试样本集对所述海洋环境参数反演模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211706942.2A CN115906667B (zh) | 2022-12-29 | 2022-12-29 | 一种海洋环境参数反演模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211706942.2A CN115906667B (zh) | 2022-12-29 | 2022-12-29 | 一种海洋环境参数反演模型构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906667A true CN115906667A (zh) | 2023-04-04 |
CN115906667B CN115906667B (zh) | 2023-12-22 |
Family
ID=86479873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211706942.2A Active CN115906667B (zh) | 2022-12-29 | 2022-12-29 | 一种海洋环境参数反演模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906667B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216954A (zh) * | 2023-08-23 | 2023-12-12 | 西安电子科技大学 | 一种海面散射系数快速预测方法、系统、设备及介质 |
CN118168602A (zh) * | 2024-03-11 | 2024-06-11 | 自然资源部第一海洋研究所 | 一种海洋环境数据采集方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
-
2022
- 2022-12-29 CN CN202211706942.2A patent/CN115906667B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
Non-Patent Citations (1)
Title |
---|
李杰等: "改进粒子群算法优化支持向量机的短期负荷预测", 《测控技术》, vol. 40, no. 4, pages 76 - 79 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216954A (zh) * | 2023-08-23 | 2023-12-12 | 西安电子科技大学 | 一种海面散射系数快速预测方法、系统、设备及介质 |
CN117216954B (zh) * | 2023-08-23 | 2024-03-26 | 西安电子科技大学 | 一种海面散射系数快速预测方法、系统、设备及介质 |
CN118168602A (zh) * | 2024-03-11 | 2024-06-11 | 自然资源部第一海洋研究所 | 一种海洋环境数据采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115906667B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115906667B (zh) | 一种海洋环境参数反演模型构建方法及装置 | |
CN104297748B (zh) | 一种基于轨迹增强的雷达目标检测前跟踪方法 | |
CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN107942308A (zh) | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 | |
CN111381216B (zh) | 混合分布的雷达海杂波分析方法及装置 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN115685096B (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
CN113504521B (zh) | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 | |
Prokopenko | Statistical synthesis of robust signal detection algorithms under conditions of aprioristic uncertainty | |
CN108983187A (zh) | 基于ewc的在线雷达目标识别方法 | |
Choi et al. | Information-maximizing adaptive design of experiments for wind tunnel testing | |
CN104268397A (zh) | 基于舰船辐射噪声优化特征的水声目标识别方法 | |
CN110287924A (zh) | 一种基于gru-rnn模型的土壤参数分类方法 | |
CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
CN104268394B (zh) | 基于舰船辐射噪声时域特征的水声目标识别方法 | |
CN113378985A (zh) | 一种基于逐层相关性传播的对抗样本检测方法和装置 | |
Wang et al. | Radar high resolution range profile target recognition based on T-mixture model | |
CN109840069A (zh) | 一种改进的自适应快速迭代收敛解方法及系统 | |
CN113673554B (zh) | 一种基于宽度学习的雷达高分辨距离像目标识别方法 | |
CN108983184A (zh) | 一种自适应高精度的智能雷达海上目标检测系统 | |
Havangi | A new modified particle filter with application in target tracking | |
CN116844059B (zh) | 基于双对角变化的极化sar图像目标检测方法 |
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 |