CN115932838B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115932838B CN115932838B CN202211590509.7A CN202211590509A CN115932838B CN 115932838 B CN115932838 B CN 115932838B CN 202211590509 A CN202211590509 A CN 202211590509A CN 115932838 B CN115932838 B CN 115932838B
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- neural network
- navigation
- model
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 18
- 230000006855 networking Effects 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了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，方法包括：在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过海洋流场模型计算出雷达覆盖区域的四维流场信息；对雷达获取的数据和四维流场信息进行数据预处理，得到目标数据；根据目标数据，确定最优走航方案，最优走航方案包括最优走航路线、最优采样时间和最优采样频率；根据最优走航方案获取走航观测数据；将走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型。本发明提高了数据的准确性，且有利于降低数据校正的维护成本，可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域，尤其是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。
背景技术
名词解释：
LSTM神经网络：LSTM是一种循环神经网络，可以弥补传统神经网络的缺陷，将序列先前的信息传递到当前任务中，保证信息的存在，达到更好的预报效果。该算法核心思想为细胞的状态，细胞状态贯穿整个链式结构但是很少有分支，以保证细胞中的信息保持不变流过整个链式结构。LSTM通过一种“门”结构决定向细胞添加或删除信息。LSTM通过忘记门、输入门、输出门三个门结构来控制细胞状态。
高频地波雷达：地波雷达是一种主要的对海探测手段。其探测原理是利用导电海洋表面绕射传播衰减小的特点，发射高频电波，可以突破地平线探测到300公里外的目标，且探测精度较高。
海流是海水中最重要的动力学参数之一，精确的观测海表流场对人类的生产生活具有重要意义。与现有的定点海流计观测、走航观测以及卫星遥感观测相比，高频地波雷达具有全天候、大范围高时空分辨率等优点。随着国内地波雷达技术的发展，对同一片海域的观测的雷达，逐渐从单站观测径向流，发展到双基站合成矢量流，再到多基站组网观测。但影响地波雷达数据质量的因素有很多，如地形、风、浪等环境因素以及观测点的距离，会影响单站回波数据质量，从而影响径向流的观测；目标点到不同雷达之间的夹角，不同雷达的频率和功率导致的时空分辨率不同，会导致径向流在合成矢量流时出现误差。现有的地波雷达组网技术，大多通过回波数据质量对同一点不同雷达的观测进行筛选，进而合成矢量流场。但传统的合成矢量流场的技术都是基于电磁学反射回波的诊断结果，反演算法没有通过现场海洋物理过程的约束，因此经常导致反演的海流结果与海上实测结果相差较大。因此，在传统地波雷达反演矢量流场算法中加入现场观测数据参数的约束，可以大幅提高地波雷达数据的反演精度。传统的海上观测技术中，定点海流计观测、海底锚定的ADCP观测实施起来比较困难，且运行和维护价格高；而走航观测方式操作灵活，维护成本低，最适合用于对雷达反演算法的改进。
在地波雷达数据反演流场的这一问题上，现有技术主要存在以下问题：
现有的地波雷达反演流场方法仅基于电磁回波信号，该反演方法脱离基本的物理海洋学的理论约束，在电磁回波信噪比低或者环境干扰大的地方，反演结果误差大。
现有的地波雷达反演结果大多与定点ADCP观测进行比对，而定点ADCP观测运行和维护成本高，不利于长时间对地波雷达数据的校准。
发明内容
有鉴于此，本发明实施例提供一种准确性高的，基于神经网络的地波雷达与走航观测的数据校正方法。
本发明实施例的一方面提供了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，包括：
在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
根据所述最优走航方案获取走航观测数据；
将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据。
可选地，所述在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息，包括：
在雷达覆盖区域内搭建基于物理海洋学的FVCOM模型；所述FVCOM模型使用三角形网络；
通过所述FVCOM模型计算所述雷达覆盖区域的四维流场信息；
将所述四维流场信息与历史数据进行比对，验证所述四维流场信息的可靠性。
可选地，所述对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据，包括：
在时间上，对各个数据进行逐小时平均，将雷达获取的数据和所述四维流场数据统一成分辨率为1小时的数据；
在空间上，通过反距离加权算法将雷达获取的数据在空间上进行网格化处理，选取雷达覆盖有效区域内的数据，并将FVCOM模型数据坐标设为与雷达数据最近网格点的坐标，统一雷达与模型数据的空间分辨率；
完成时间上和空间上的预处理后，得到所述目标数据。
可选地，所述将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型，包括：
对所述走航观测数据进行标准化处理，得到合成流场数据，将所述合成流场数据输入LSTM神经网络模型；
对所述LSTM神经网络模型的参数进行初始化配置；其中，所述LSTM神经网络模型的参数包括隐含层节点个数、隐含层的层数以及学习速率；
根据所述合成流场数据以及所述LSTM神经网络模型的参数，获取LSTM神经网络模型中隐藏层的神经元的输出结果；
根据所述隐藏层的神经元的输出结果，获取LSTM神经网络模型的输出结果；
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型。
可选地，所述标准化处理的表达式为：
其中，Xm代表参数标准化后的值；Xoriginal代表参数原始值；Xmin代表参数的最小值；Xmax代表参数的最大值。
可选地，所述根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型，包括：
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差；
根据所述误差，采用链式法则对各层权重值进行更新后计算输出值；
根据所述输出值进行迭代训练，直到满足训练次数或直到目标函数收敛，得到雷达组网模型。
本发明实施例的另一方面还提供了一种基于神经网络的地波雷达与走航观测的数据校正装置，包括：
第一模块，用于在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
第二模块，用于对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
第三模块，用于根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
第四模块，用于根据所述最优走航方案获取走航观测数据；
第五模块，用于将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据。
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。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；根据所述最优走航方案获取走航观测数据；将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型。本发明基于走航数据和LSTM来构建雷达组网模型，提高了数据的准确性，且有利于降低数据校正的维护成本。
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为本发明实施例的整体步骤流程图；
图2为本发明实施例提供的在某海域开展的走航方案的示意图；
图3为本发明实施例提供的LSTM神经网络结构的结构示意图。
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，本发明实施例的一方面提供了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，包括：
在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
根据所述最优走航方案获取走航观测数据；
将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据。
可选地，所述在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息，包括：
在雷达覆盖区域内搭建基于物理海洋学的FVCOM模型；所述FVCOM模型使用三角形网络；
通过所述FVCOM模型计算所述雷达覆盖区域的四维流场信息；
将所述四维流场信息与历史数据进行比对，验证所述四维流场信息的可靠性。
可选地，所述对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据，包括：
在时间上，对各个数据进行逐小时平均，将雷达获取的数据和所述四维流场数据统一成分辨率为1小时的数据；
在空间上，通过反距离加权算法将雷达获取的数据在空间上进行网格化处理，选取雷达覆盖有效区域内的数据，并将FVCOM模型数据坐标设为与雷达数据最近网格点的坐标，统一雷达与模型数据的空间分辨率；
完成时间上和空间上的预处理后，得到所述目标数据。
可选地，所述将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型，包括：
对所述走航观测数据进行标准化处理，得到合成流场数据，将所述合成流场数据输入LSTM神经网络模型；
对所述LSTM神经网络模型的参数进行初始化配置；其中，所述LSTM神经网络模型的参数包括隐含层节点个数、隐含层的层数以及学习速率；
根据所述合成流场数据以及所述LSTM神经网络模型的参数，获取LSTM神经网络模型中隐藏层的神经元的输出结果；
根据所述隐藏层的神经元的输出结果，获取LSTM神经网络模型的输出结果；
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型。
可选地，所述标准化处理的表达式为：
其中，Xm代表参数标准化后的值；Xoriginal代表参数原始值；Xmin代表参数的最小值；Xmax代表参数的最大值。
可选地，所述根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型，包括：
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差；
根据所述误差，采用链式法则对各层权重值进行更新后计算输出值；
根据所述输出值进行迭代训练，直到满足训练次数或直到目标函数收敛，得到雷达组网模型。
本发明实施例的另一方面还提供了一种基于神经网络的地波雷达与走航观测的数据校正装置，包括：
第一模块，用于在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
第二模块，用于对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
第三模块，用于根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
第四模块，用于根据所述最优走航方案获取走航观测数据；
第五模块，用于将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据。
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。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
本发明的目的在于通过神经网络的机器学习，开发一种结合雷达回波数据与海上走航观测的数据融合算法，利用机器学习训练出雷达数据与海洋信息相结合的最优参数，从而达到使修正后的雷达反演数据与真实海洋信息误差最小化的技术。该技术具备以下特点：
1、本发明为了使反演后的海流数据更准确，同时使用地波雷达海流数据和真实海洋的走航观测数据。
2、利用数值模拟方法，对走航的路线、采样时间、采样频率进行敏感性试验，得出最优的海上走航方案，用于指导实际的海上作业。采用最优走航方案获得走航数据后，再通过LSTM神经网络的机器学习，获得最优的数据融合参数，最终获得误差最小化的雷达修正数据。
如图1所示，本发明的具体实施过程包括以下步骤：
步骤一：在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型FVCOM，该模型使用三角形网格，适合于河口地形和岸线复杂的海域，通过FVCOM模型计算出该区域的四维流场信息，并与历史数据进行比对验证保证模型数据基本可靠，作为步骤三进行敏感性实验的基础数据。
步骤二：对雷达数据和FVCOM模型数据进行预处理：在时间上，对各点数据进行逐小时平均，将雷达和FVCOM模型数据统一成分辨率为1小时的数据；在空间上，通过反距离加权算法将雷达数据在空间上网格化，选取雷达覆盖有效区域内的数据，既数据获取率大于60％的区域，并将FVCOM模型数据坐标近似设为与雷达数据最近网格点的坐标，从而统一雷达与模型数据的空间分辨率。
步骤三：将FVCOM海洋数值模型里的流场信息当做海上实测结果，设计敏感性实验测试出最优的走航路线、采样时间和采样频率。图2显示了在某海域开展不同走航路线、采样时间和采样频率的走航方案，右上角显示了该方案所获得的雷达数据与FVCOM模型数据的相关系数，相关系数越高表示走航方案越好。
此步骤中把四维模型数据当做实测数据，这样我们可以在实际走航之前，尽可能多的开展敏感性试验测试。
步骤四：根据步骤三得到的最优走航方案，开展海上作业获得走航观测数据，此方式可获得经济成本最低，合成效果(相关系数)最高的走航方案。然后将走航观测数据放入LSTM神经网络，利用LSTM机器学习获得雷达数据与走航数据融合的最优参数。下图显示了LSTM神经网络结构，以两者的误差最小化为目标，训练多部雷达的组网模型，具体细化步骤如下：
其中模型框架图如图3所示，本发明实施例的LSTM神经网络模型的具体学习过程为：
Step1：对雷达合成流场数据和走航观测数据进行标准化处理后，将合成流场数据输入神经网络模型。标准化方法公式如下：
Step2：初始化隐含层节点个数和层数以及学习速率等参数。隐藏层的神经元数，使用的经验公式如下：
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。通过网格搜索的方法确定以上参数。
Step3：设Xm为输入变量，Y为输出变量，Un为隐藏层神经元的输出，f()为神经元激活函数的映射，vij为第i个输入变量Xi和第j个隐藏层神经元Uj的权重，为隐藏层Un第j个神经元的阈值，则隐藏层神经元Un第j个神经元的输出为：
Step4：设wj为第j个神经元与y连接的权重，Θy为输出层神经元的阈值，则可以得到输出层的结果为：
Step5：根据选定的目标函数计算输出结果和现场观测数据的误差，并根据链式法则对各层权重值进行更新后，再次计算输出值，如此反复训练到指定次数或目标函数收敛后停止训练，得到雷达组网模型。
综上所述，本发明实现的雷达数据和走航观测数据融合技术中，以真实海洋观测数据为基础，以真实海洋数据与雷达数据的误差最小化为目标函数，对LSTM神经网络进行训练，获得更加准确的表面流矢量场。本发明通过FVCOM海洋数值模型开展的走航方案设计和测试的技术和标准；本发明将最优走航数据与雷达数据相结合的LSTM神经网络建模方法。
相较于现有技术，本发明具有以下优点：
1、走航方案经济成本低且合成效果优：本发明利用了FVCOM海洋数值模式计算的四维海流数据，作为海上观测的基础数据，对后续开展的走航方案进行测试，在实际开展海上走航作业前针对走航路线，采样时间和采样频率开展敏感性试验，获得了经济性价比和反演效果最优的走航方案，大大减少了海上作业的成本。
2、走航数据的机器学习：传统的机器学习方法都是采用定点海洋观测数据，但是获取定点观测数据一方面经济成本高，另一方面空间上相比于走航方式覆盖面小。本发明利用了最优走航方案的设计，巧妙的结合了覆盖面大和经济性价比高的观测方式。
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)
1.一种基于神经网络的地波雷达与走航观测的数据校正方法，其特征在于，包括：
在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
根据所述最优走航方案获取走航观测数据；
将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据；
其中，所述将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型，包括：
对所述走航观测数据进行标准化处理，得到合成流场数据，将所述合成流场数据输入LSTM神经网络模型；
对所述LSTM神经网络模型的参数进行初始化配置；其中，所述LSTM神经网络模型的参数包括隐含层节点个数、隐含层的层数以及学习速率；
根据所述合成流场数据以及所述LSTM神经网络模型的参数，获取LSTM神经网络模型中隐藏层的神经元的输出结果；
根据所述隐藏层的神经元的输出结果，获取LSTM神经网络模型的输出结果；
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型。
2.根据权利要求1所述的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，其特征在于，所述在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息，包括：
在雷达覆盖区域内搭建基于物理海洋学的FVCOM模型；所述FVCOM模型使用三角形网络；
通过所述FVCOM模型计算所述雷达覆盖区域的四维流场信息；
将所述四维流场信息与历史数据进行比对，验证所述四维流场信息的可靠性。
3.根据权利要求1所述的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，其特征在于，所述对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据，包括：
在时间上，对各个数据进行逐小时平均，将雷达获取的数据和所述四维流场数据统一成分辨率为1小时的数据；
在空间上，通过反距离加权算法将雷达获取的数据在空间上进行网格化处理，选取雷达覆盖有效区域内的数据，并将FVCOM模型数据坐标设为与雷达数据最近网格点的坐标，统一雷达与模型数据的空间分辨率；
完成时间上和空间上的预处理后，得到所述目标数据。
4.根据权利要求1所述的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，其特征在于，
所述标准化处理的表达式为：
其中，Xm代表参数标准化后的值；Xoriginal代表参数原始值；Xmin代表参数的最小值；Xmax代表参数的最大值。
5.根据权利要求1所述的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，其特征在于，所述根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型，包括：
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差；
根据所述误差，采用链式法则对各层权重值进行更新后计算输出值；
根据所述输出值进行迭代训练，直到满足训练次数或直到目标函数收敛，得到雷达组网模型。
6.一种基于神经网络的地波雷达与走航观测的数据校正装置，其特征在于，包括：
第一模块，用于在雷达覆盖区域内搭建基于物理海洋学的海洋流场模型，通过所述海洋流场模型计算出雷达覆盖区域的四维流场信息；
第二模块，用于对雷达获取的数据和所述四维流场信息进行数据预处理，得到目标数据；
第三模块，用于根据所述目标数据，确定最优走航方案，所述最优走航方案包括最优走航路线、最优采样时间和最优采样频率；
第四模块，用于根据所述最优走航方案获取走航观测数据；
第五模块，用于将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型；
其中，所述雷达组网模型用于获取最优雷达数据；
其中，所述将所述走航观测数据输入LSTM神经网络，利用LSTM神经网络的机器学习获得雷达数据与走航数据融合的最优参数，得到雷达组网模型，包括：
对所述走航观测数据进行标准化处理，得到合成流场数据，将所述合成流场数据输入LSTM神经网络模型；
对所述LSTM神经网络模型的参数进行初始化配置；其中，所述LSTM神经网络模型的参数包括隐含层节点个数、隐含层的层数以及学习速率；
根据所述合成流场数据以及所述LSTM神经网络模型的参数，获取LSTM神经网络模型中隐藏层的神经元的输出结果；
根据所述隐藏层的神经元的输出结果，获取LSTM神经网络模型的输出结果；
根据所述LSTM神经网络模型的输出结果，通过目标函数计算输出结果与现场观测数据之间的误差，并根据所述误差进行优化训练，得到雷达组网模型。
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如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211590509.7A CN115932838B (zh) | 2022-12-12 | 2022-12-12 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211590509.7A CN115932838B (zh) | 2022-12-12 | 2022-12-12 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115932838A CN115932838A (zh) | 2023-04-07 |
| CN115932838B true CN115932838B (zh) | 2023-11-21 |
Family
ID=86698871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211590509.7A Active CN115932838B (zh) | 2022-12-12 | 2022-12-12 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115932838B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6542226B1 (en) * | 2001-06-04 | 2003-04-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Planar particle imaging and doppler velocimetry system and method |
| WO2017106323A1 (en) * | 2015-12-14 | 2017-06-22 | Alliance For Sustainable Energy, Llc | Lidar-based turbulence intensity error reduction |
| CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统 |
| CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| 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 |
| WO2021200248A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for fast wind flow measurement by lidar in a complex terrain |
| 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 |
| EP3913391A1 (en) * | 2020-05-20 | 2021-11-24 | Infineon Technologies AG | Processing radar signals |
| KR20220050467A (ko) * | 2020-10-16 | 2022-04-25 | 인천대학교 산학협력단 | 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템 |
| CN114935759A (zh) * | 2022-05-12 | 2022-08-23 | 中山大学 | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115438571A (zh) * | 2022-08-04 | 2022-12-06 | 南方海洋科学与工程广东省实验室(珠海) | 一种基于机器学习的地波雷达波浪场计算方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7843378B2 (en) * | 2008-03-04 | 2010-11-30 | Colorado State University Research Foundation | Dynamic and adaptive radar tracking of storms (DARTS) |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
-
2022
- 2022-12-12 CN CN202211590509.7A patent/CN115932838B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6542226B1 (en) * | 2001-06-04 | 2003-04-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Planar particle imaging and doppler velocimetry system and method |
| WO2017106323A1 (en) * | 2015-12-14 | 2017-06-22 | Alliance For Sustainable Energy, Llc | Lidar-based turbulence intensity error reduction |
| CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统 |
| WO2021200248A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for fast wind flow measurement by lidar in a complex terrain |
| 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 |
| EP3913391A1 (en) * | 2020-05-20 | 2021-11-24 | Infineon Technologies AG | Processing radar signals |
| CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| KR20220050467A (ko) * | 2020-10-16 | 2022-04-25 | 인천대학교 산학협력단 | 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템 |
| 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 |
| CN114935759A (zh) * | 2022-05-12 | 2022-08-23 | 中山大学 | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115438571A (zh) * | 2022-08-04 | 2022-12-06 | 南方海洋科学与工程广东省实验室(珠海) | 一种基于机器学习的地波雷达波浪场计算方法及装置 |
Non-Patent Citations (10)
| Title |
|---|
| 12th European Conference on Synthetic Aperture Radar》.2018,第1326-1330页. * |
| A reduction in the sea surface warming rate in the South China Sea during 1999–2010;Guo-Qing Jiang 等;《Climate Dynamics》;第2093-2108页 * |
| Mohammad Hashemi 等.Ocean feature classification from SAR Quicklook Imagery using Convolutional Neural Networks.《EUSAR 2018 * |
| Using Artificial Neural Networks for the Estimation of Subsurface Tidal Currents from High-Frequency Radar Surface Current Measurements;Max C. Bradbury 等;《Remote Sensing》;第1-20页 * |
| 云南省水文大数据资源中心设计与应用;余雄;《水利信息化》;第82-87页 * |
| 双系统组合雷达流量在线监测系统在临沂水文站的应用;王凯;《治淮》;第49-52页 * |
| 基于BP人工神经网络的某型雷达降水估计误差修订建模;夏光滨 等;《舰船电子工程》;第65-67、102页 * |
| 基于BP神经网络的高频地波雷达海流空间插值;黄奇华 等;《海洋学报》;第138-145页 * |
| 基于LSTM深度学习的ENSO预测及其春季预报障碍研究;周佩 等;《北京大学学报(自然科学版)》;第1071-1078页 * |
| 涝峪口水文站单轨全自动雷达波在线测流系统对比分析;靳君;《黑龙江水利科技》;第106-108、123页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115932838A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102540162B (zh) | 基于海杂波的低空电磁波传播特性估计方法 | |
| US8000945B2 (en) | Method for determining heterogeneous bottom friction distributions using a numerical wave model | |
| CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
| CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
| Campos et al. | Nonlinear wave ensemble averaging in the Gulf of Mexico using neural networks | |
| CN106093849A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
| Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
| CN102109495A (zh) | 基于多波束声纳技术的海底混合底质类型分类方法 | |
| CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
| CN115730247A (zh) | 多维度时空-频率域特征参量融合的海底底质分类方法 | |
| CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
| CN115047531A (zh) | 一种基于elm网络的瞬变电磁数据反演方法 | |
| CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
| CN115951361A (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
| CN113466933B (zh) | 基于深度加权的地震斜率层析成像方法 | |
| CN115932838B (zh) | 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) | 一种雷达组网矢量流场合成方法、系统、设备及存储介质 | |
| CN113642591B (zh) | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 | |
| CN106338274B (zh) | 一种基于多参数传感器修正波浪特征参数的测波装置和方法 | |
| CN114202104B (zh) | 热带气旋路径相似程度确定方法及存储介质 | |
| Wang et al. | Detection and Elimination of Bathymetric Outliers in Multibeam Echosounder System Based on Robust Multi-quadric Method and Median Parameter Model. | |
| Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
| Wang et al. | Integration of CYGNSS wind and wave observations with the WaveWatch III numerical model | |
| He et al. | High-accuracy seabed sediment classification using multi-beam acoustic backscatter data | |
| Guo et al. | Research on tunnel lining image target recognition method based on YOLOv3 |
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 |