CN116256726A - 相干测风激光雷达回波信号频谱模拟数据生成方法 - Google Patents

相干测风激光雷达回波信号频谱模拟数据生成方法 Download PDF

Info

Publication number
CN116256726A
CN116256726A CN202310474360.4A CN202310474360A CN116256726A CN 116256726 A CN116256726 A CN 116256726A CN 202310474360 A CN202310474360 A CN 202310474360A CN 116256726 A CN116256726 A CN 116256726A
Authority
CN
China
Prior art keywords
spectrum
generating
distance
data
random
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.)
Pending
Application number
CN202310474360.4A
Other languages
English (en)
Inventor
韩於利
粟兆旺
孙东松
薛向辉
陈廷娣
窦贤康
宋一鸣
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202310474360.4A priority Critical patent/CN116256726A/zh
Publication of CN116256726A publication Critical patent/CN116256726A/zh
Pending legal-status Critical Current

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

提供一种相干测风激光雷达回波信号频谱模拟数据生成方法，包括：获取回波信号的底噪；对回波信号频谱数据去除底噪并统计随机噪声的方差；对随机噪声进行归一化处理并进行高斯拟合得到回波信号的幅值、多普勒频移、以及带宽；记录相邻距离门间的多普勒频移差值，得到单张频谱数据的功率谱峰值能量和距离的修正量；分别对随机变量、功率谱峰值能量、距离的修正量、带宽进行统计得到统计参数；运用随机行走和随机变量的正态分布特征生成一组风速廓线图，生成满足洛伦兹分布的不同距离门下的带宽，满足卡方分布的单张模拟频谱的功率谱峰值能量、以及满足正态分布的距离修正量；通过雷达方程生成单张模拟频谱并重复生成完整的频谱模拟数据。

Description

相干测风激光雷达回波信号频谱模拟数据生成方法
技术领域
本公开涉及激光遥感、光学技术领域，尤其涉及一种相干测风激光雷达回波信号频谱模拟数据生成方法。
背景技术
近年来，随着掺铒光纤放大器(EDFA)及光纤技术的发展，大模场光纤直径的应用使得光纤激光器的输出功率得到大幅提升。基于光纤激光器的相干测风雷达以其结构紧凑、性能优良、测风精度高以及时间响应快等特点，在边界层大气风廓线测量，风切变预警，以及飞机尾流探测和风能资源利用等方面的应用越来越受到重视。通常情况下，我们利用脉冲对，离散谱峰值最大似然估计法以及高斯拟合等方法反演风速，但是随着信噪比的降低反演精度大大下降，反演距离有限。利用神经建立模型反演风速能够较好地分辨低信噪比处的风速位置，而这种模型的训练需要大量的模拟数据作为支持。由于传统的激光雷达方程仅给出了一般意义上的模拟过程，忽略了回波信号中的若干统计特征。
发明内容
基于上述问题，本公开提供了一种相干测风激光雷达回波信号频谱模拟数据生成方法，以缓解现有技术中的上述技术问题。
(一)技术方案
本公开提供一种相干测风激光雷达回波信号频谱模拟数据生成方法，包括：通过获取的真实回波信号频谱数据得到回波信号的底噪；对回波信号频谱数据中的每张频谱数据去除底噪并统计随机噪声的方差；对所述随机噪声进行归一化处理；对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的幅值、多普勒频移、以及带宽；记录相邻距离门间的多普勒频移差值，利用反比拟合得到单张频谱数据的功率谱峰值能量和距离的修正量；分别对随机变量、功率谱峰值能量、距离的修正量、以及带宽进行统计得到对应的统计参数；运用随机行走和随机变量的正态分布特征生成一组风速廓线图，利用随机数生成器生成满足洛伦兹分布的不同距离门下的带宽，满足卡方分布的单张模拟频谱的功率谱峰值能量、以及满足正态分布的距离修正量；以及通过简化后的雷达方程生成单张模拟频谱图片，并依此重复生成完整的频谱模拟数据。
根据本公开实施例，底噪Sd(f)表示为：
Figure BDA0004205047350000021
其中，
Figure BDA0004205047350000022
表示第ni个距离门处频谱分布，t为累计距离门数，i表征为一段距离门序列下的对应下标。
根据本公开实施例，随机噪声的方差表示为：
Figure BDA0004205047350000023
其中，M为单个距离门上的采样点数，t为累计距离门数，i为一段距离门序列下的对应下标，j为单一距离门下的频谱频率对应下标，
Figure BDA0004205047350000024
为功率谱信号在第ni个距离门上的分散在第j个频率值的功率谱强度值，Sd(fj)为底噪在单一距离门上的分散在第j个频率值的功率谱强度值。
根据本公开实施例，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的幅值A1(R)，表示为：
Figure BDA0004205047350000025
其中，R为距离，A0表征激光器单脉冲能量大小，η(R)为天线效率，T(R)为单程大气传输损耗。
根据本公开实施例，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的多普勒频移f(R)，表示为：
f(R)＝fd(R)；
其中，fd(R)为多普勒频移随距离变化的函数。
根据本公开实施例，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的带宽σ1(R)，表示为：
σ(R)＝σ(R)；
其中，σ(R)为频谱带宽随距离变化的函数。
根据本公开实施例，记录相邻距离门间的多普勒频移差值p，表示为：
p＝f((i+1)R0)-f(iR0)；
其中，R0为距离分辨率，f(iR0)为第i个距离门处的多普勒频移，f((i+1)R0)为第i+1个距离门处的多普勒频移。
根据本公开实施例，利用直方图计数对随机变量、功率谱峰值能量、距离的修正量、以及带宽进行统计得到对应的统计参数。
根据本公开实施例，简化后的激光雷达方程表示为：
Figure BDA0004205047350000031
其中，单张模拟频谱的功率谱峰值能量为A2，R为距离，σ(R)为频谱带宽随距离变化的函数，b为平方反比拟合下的距离修正偏移量，f为频谱频率，fd(R)为距离R下的多普勒频移，N(0，σnoise)为噪声正态分布随机，σnoise为随机噪声均方差。
根据本公开实施例，所利用的随机数生成器包括洛伦兹随机数生成器，卡方随机数生成器。
(二)有益效果
从上述技术方案可以看出，本公开相干测风激光雷达回波信号频谱模拟数据生成方法至少具有以下有益效果其中之一或其中一部分：
(1)验证了激光雷达方程中各参数的分布特性，并对激光雷达方程进行了简化，简化了频谱生成的复杂性；
(2)模拟得到的回波信号频谱能够最大程度地逼近真实的频谱数据，为高处无法分析的信号分布提供了统计参考；
(3)具有高度的简洁性，可以直接从频谱数据入手，而不需要讨论繁杂的系统参数带来的参数计算，并且它为神经网络的学习和基于此进行的风速反演过程提供了科学参考，减少了反演算法本身可能带来的人为误差。
附图说明
图1a为近距离门处的回波信号进行高斯拟合的示意图；
图1b为远距离门处的回波信号进行高斯拟合的示意图；；
图2为神经网络方法与传统质心算法对于风速反演的对比示意图；
图3为本公开实施例的相干测风激光雷达回波信号频谱模拟数据生成方法的工作原理示意图；
图4为本公开实施例的相干测风激光雷达回波信号频谱模拟数据生成方法的流程示意图。
具体实施方式
本公开提供了一种相干测风激光雷达回波信号频谱模拟数据生成方法，利于提高模拟信号对于真实风场的还原，尤其是通过对低处高信噪比的信号进行统计从而推测高处信号分布的规律。利用此方法结合神经网络模型，可以降低噪声对于信号本身的干扰，为高处的低信噪比处风场的还原提供了基础。
相干激光雷达以大气气溶胶为探测目标，通过接收其后向散射信号与本地主振拍频，形成的射频外差信号经FFT和频域非相干累加后，利用合理的算法估算多普勒频移并得出径向风速。常用的多普勒频移估算算法有脉冲对技术、最大似然离散谱峰估计、高斯拟合等。对于相干测风激光雷达，由于其接收的是的大气软目标散射信号，单脉冲产生的回波信号非常微弱，风速反演属于微弱信号的频率估计问题，因此，通常需要对多脉冲进行频域累积获得高的信噪比以提高反演精度。假设气溶胶粒子的平均为fd，对距离门内进行M个数据采样，采样间隔为Tr，并假设每个设每个脉冲回波信号在同一距离门内的强度幅值不变且为a，则在对探测目标所在距离门内单脉冲的回波信号在采样时，就可以看作是对频率为fd的正弦波的采样。这时第i个采样点对目标的采样值可以表示为：
Figure BDA0004205047350000041
i＝0，1，...，M-1；
M为单个距离门内的采样点数，若采用相干累积法，若FFT采样点数为N，则频域上多普勒通道的输出为：
Figure BDA0004205047350000042
一般而言，多普勒激光雷达发射具有高斯时域分布的脉冲信号，考虑采样序列含有非相关噪声：
Figure BDA0004205047350000051
其自协方差不为零，可以表示为：
Rkl＝<xkxl *>＝RSNexp[[(-2(πwTr)2]exp(2πjfdkTr)+δk；
Rsv为平均信号功率和噪声功率之比，w为功率谱宽度，δk为克罗内克函数。这时，采用非相干累积下的周期图最大值法能够极大地简化计算，而计算下的周期图则可以看作得到的回波信号功率谱图。周期图定义为：
Figure BDA0004205047350000052
，k＝0，1，...，M-1；
采用非相干累积，即忽略每个脉冲回波的相位信息，对它的幅值进行累加可得，Z代表累积脉冲次数：
Figure BDA0004205047350000053
由此可以得到尺寸为L×M的离散频谱数据，L为探测距离门数目，M为单个距离门上的采样点数，采样零频位置为AOM调制频移，频谱分辨率大小为：
Figure BDA0004205047350000054
收集到的单张频谱信号单个距离门上的信号强度均满足高斯分布，结合激光雷达方程可知，信号功率与距离和频率的关系应为：
Figure BDA0004205047350000055
其中，R为距离，η(R)为天线效率，T(R)为单程大气传输损耗，σnoise为高斯白噪声均方差。那么从上式中很容易看出，信号功率随距离平方衰减，在近距离门处，信号较强，利用高斯拟合，最大似然估计或者光谱质心算法能够较好地反演出多普勒频移的位置，从而精准得到风速信息。但是在远距离门处，信号功率急剧衰减，利用传统算法已经无法从周期图中准确反演出高斯峰的位置，这时，一个比较好的选择是利用神经网络算法对径向风速进行反演。
如图1a和图1b所示，在近距离门处(距离R＝5)，信号很强，曲线能够很好地进行高斯拟合，但是随着距离增大，距离门处(距离R＝40)，信噪比降低，利用高斯拟合以及光谱质心算法求取中心位置所带来的误差也随之增大。图2给出了神经网络方法与传统质心算法对于风速反演的对比，神经网络模型的训练由本模拟方法产生的数据支持。其中曲线附近代表的浅色区域表征着风速反演的误差范围。可以看出质心算法对于风速反演范围极其有限，且其误差范围随着距离的增大急剧降低，这时信号基本已经淹没在噪声之中。在近处，神经网络反演精度不如质心算法，但是其误差范围受噪声和信号强度的影响很小，风速真值基本包含在误差范围之内。这说明利用神经网络模型建立对低信噪比处风速的反演是传统算法无法比拟的。
神经网络算法通过预设的理论或数据模型，构建不同节点或层之间的相互关系，来达到数据或信息处理的目的。为了使神经网络模型对于相干激光雷达频谱具有较好的适用性，需要对其进行大量学习训练。通常的做法是利用方程(1)生成训练数据。然而方程(1)仅仅给出了一般意义上回波信号频谱的高斯分布特征，而并没有给出其频谱强度、宽度等随时间或距离等的分布变化特征。事实证明，频谱数据在高信噪比的情况下具有良好的统计分布特征，这些特征包括风速的变化趋势，频谱带宽的分布特性，以及在高处高斯峰值随距离平方反比下降的修正等。由于脉冲的非相干累积，接收到的脉冲信号具有不同的相位，这意味着直接从频域还原得到的信号幅值要低于时域信号，存在频谱泄露现象，因此发生泄漏之后的表征激光单脉冲能量值A0在功率谱上不再为一个特定的常数。这也从侧面说明了直接建立对于频谱信号的模拟对于风速的反演具有更高的确定性。
基于以上考虑，本发明将旨在建立一种频谱模拟数据生成方法，以此方法建立的相干测风雷达回波信号频谱具有以下优势：一是该方法生成的频谱模拟数据比单纯采用激光雷达方程生成的模拟数据更能较好地代表真实风场，从而提高神经网络训练的效率和准确性；二是通过生成大量的接近真实的频谱数据用于神经网络的训练可以为远距离低信噪比高处的风速反演提供可能；三是它对不同型号、不同工作波长的相干激光雷达具有普适性。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
在本公开实施例中，提供一种相干测风激光雷达回波信号频谱模拟数据生成方法，如图3和图4所示，所述相干测风激光雷达回波信号频谱模拟数据生成方法，包括操作S1-S8：
操作S1：通过获取的真实回波信号频谱数据得到回波信号的底噪；
操作S2：对回波信号频谱数据中的每张频谱数据去除底噪并统计随机噪声的方差；
操作S3：对所述随机噪声进行归一化处理；
操作S4：对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的幅值、多普勒频移、以及带宽；
操作S5：记录相邻距离门间的多普勒频移差值，利用反比拟合得到单张频谱数据的功率谱峰值能量和距离的修正量；
操作S6：分别对随机变量、功率谱峰值能量、距离的修正量、以及带宽进行统计得到对应的统计参数；
操作S7：运用随机行走和随机变量的正态分布特征生成一组风速廓线图，利用随机数生成器生成满足洛伦兹分布的不同距离门下的带宽，满足卡方分布的单张模拟频谱的功率谱峰值能量、以及满足正态分布的距离修正量；以及
操作S8：通过简化后的雷达方程生成单张模拟频谱图片；并进一步重复操作S1-S8生成更多的的、满足需求数量的模拟频谱图片，完成完整的频谱模拟数据的生成。
设拿到的频谱数据尺寸为：N×L×M，N为频谱张数，L为距离门个数，M为单个距离门上的采样点数。取单张频谱，记第n个距离门处频谱分布为Rn(f)，底噪分布为Sd(f)，信号分布为Sn(f)，则显然有：
Rn(f)＝Sd(f)+Sn(f)+N(0，σnoise)；
当n很大时，为减少噪声带来的随机性的影响，取一系列的n1，...，nt，在这些距离门处进行频谱累加求平均，则底噪可以表示为：
Figure BDA0004205047350000081
其中，
Figure BDA0004205047350000082
表示第ni个距离门处频谱分布，t为累计距离门数，i表征为一段距离门序列下的对应下标。
去噪声并对噪声进行归一化，其中高斯白噪声(随机噪声)均方差σnoise可以表示为：
Figure BDA0004205047350000083
其中，M为单个距离门上的采样点数，t为累计距离门数，i为一段距离门序列下的对应下标，j为单一距离门下的频谱频率对应下标，
Figure BDA0004205047350000084
为功率谱信号在第ni个距离门上的分散在第j个频率值的功率谱强度值，Sd(fj)为底噪在单一距离门上的分散在第j个频率值的功率谱强度值。
根据激光雷达方程：
Figure BDA0004205047350000085
单个距离门上的频谱高斯拟合参数分别为：
Figure BDA0004205047350000086
f(R)＝fd(R)；
σ1(R)＝σ(R)；
其中，R为距离，A0表征激光器单脉冲能量大小，η(R)为天线效率，T(R)为单程大气传输损耗。fd(R)为多普勒频移随距离变化的函数。σ(R)为频谱带宽随距离变化的函数。
另有：η(R)＝1/(1+zR/R2)，对大量回波信号进行分析可知：当R较大时，激光雷达方程可以改写为：
Figure BDA0004205047350000087
记σ(R，t)，A2(t)，b(t)为满足某种统计分布的随机变量，分别满足洛伦兹分布，卡方分布以及正态分布，且这种分布基本可以认为在距离和时间上独立：
Figure BDA0004205047350000091
Figure BDA0004205047350000092
Figure BDA0004205047350000093
记第ni个距离门探测到的风速为fi，第ni+1个探测到的风速为fi+1，记随机变量p＝fi+1-fi，则它满足正态分布特征，事实上这种正态分布的方差随着距离逐渐增大，但是增加缓慢：
Figure BDA0004205047350000094
依据现有数据分析各参量统计值，利用σp采用随机行走生成一组模拟的风速位置。记风速初值为f0，利用递推式(一般μp＝0)：
fi+1＝fi+ApN(0，σp)
这样就可以模拟出一组风速值，代入下式的fd(R)中：
Figure BDA0004205047350000095
距离的修正量b由满足正态分布N(μb，σb)的随机数生成器生成，同理σ(R)由满足参数为(Aσ，xc，w)的洛伦兹随机数生成器生成L组数据，L为距离门个数，A2的生成满足自由度为n的卡方分布。由此便可以得到单张频谱图片，重复此过程至足以体现出统计规律，就可以得到一组好的模拟频谱数据。
在本公开实施例中，如图3和图4所示，由相干测风激光雷达得到一组规格为14742×100×100的回波信号频谱数据，假设从第70个距离门开始已经无法探测到有效的信号，则对每张频谱数据的后30个距离门的信号进行累加取平均，则可以得到回波信号底噪。对每张频谱减去其对应的底噪并统计随机噪声的方差，利用频谱除以随机噪声的方差来归一化随机噪声。接着，对处理过的每张频谱进行分析，对每一个距离门处的信号进行高斯拟合，求得相应的幅值A1(R)，多普勒频移f(R)以及带宽σ1(R)，共计N×L组。记录相邻距离门间的多普勒频移差值p＝f((i+1)R0)-f(iR0)，其中R0为距离分辨率，f(iR0)为第i个距离门处的多普勒频移，f((i+1)R0)为第i+1个距离门处的多普勒频移。利用反比关系：
Figure BDA0004205047350000101
得到单张频谱A2和b的值，考虑初始数据的规格，若不考虑高处信号弱，无法进行高斯拟合的影响，那么此时共得到14742×100组f(R)和σ1(R)，以及14742组A2和b值。分别对随机变量p，A2，b以及σ1(R)进行统计，运用技术内容部分所提到的统计方法得到对应的统计参数(6)，这里的统计是利用直方图计数进行统计。
运用随机行走，和p的正态分布特征可以生成一组风速廓线图，而利用洛伦兹随机数生成器可以得到不同距离门下的带宽σi(R)，共计L组。同样利用卡方随机数生成器可以得到A2和b的一个值(7)。考虑简化后的激光雷达方程：
Figure BDA0004205047350000102
其中，单张模拟频谱的功率谱峰值能量为A2，R为距离，σ(R)为频谱带宽随距离变化的函数，b为平方反比拟合下的距离修正偏移量，f为频谱频率，fd(R)为距离R下的多普勒频移，N(0，σnoise)为噪声正态分布随机，σnoise为随机噪声均方差。依此就可以生成一张频谱图片。
当生成10000张或更多的频谱数据时，模拟数据的特征会越来越逼近真实的频谱图片。利用这样生成的模拟频谱会使后续神经网络模型的训练具有极高的精度和高度的可靠性，从而达到好的反演风速的目的。
至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述，本领域技术人员应当对本公开相干测风激光雷达回波信号频谱模拟数据生成方法有了清楚的认识。
综上所述，本公开提供了一种相干测风激光雷达回波信号频谱模拟数据生成方法，给出了回波信号的参数特征，使得训练产生的神经网络模型具有高的风速反演精度，有利于提高模拟信号对于真实风场的还原，尤其是通过对低处高信噪比的信号进行统计从而推测高处信号分布的规律。利用此方法结合神经网络模型，可以降低噪声对于信号本身的干扰，为高处的低信噪比处风场的还原提供了基础。生成的频谱模拟数据比单纯采用激光雷达方程生成的模拟数据更能较好地代表真实风场，从而提高神经网络训练的效率和准确性；二是通过生成大量的接近真实的频谱数据用于神经网络的训练可以为远距离低信噪比高处的风速反演提供可能；三是它对不同型号、不同工作波长的相干激光雷达具有普适性。
还需要说明的是，以上为本公开提供的不同实施例。这些实施例是用于说明本公开的技术内容，而非用于限制本公开的权利保护范围。一实施例的一特征可通过合适的修饰、置换、组合、分离以应用于其他实施例。
应注意的是，在本文中，除了特别指明的之外，具备“一”元件不限于具备单一的该元件，而可具备一或更多的该元件。
此外，在本文中，除了特别指明的之外，“第一”、“第二”等序数，只是用于区别具有相同名称的多个元件，并不表示它们之间存在位阶、层级、执行顺序、或制程顺序。一“第一”元件与一“第二”元件可能一起出现在同一构件中，或分别出现在不同构件中。序数较大的一元件的存在不必然表示序数较小的另一元件的存在。
在本文中，除了特别指明的之外，所谓的特征甲“或”(or)或“及/或”(and/or)特征乙，是指甲单独存在、乙单独存在、或甲与乙同时存在；所谓的特征甲“及”(and)或“与”(and)或“且”(and)特征乙，是指甲与乙同时存在；所谓的“包括”、“包含”、“具有”、“含有”，是指包括但不限于此。
此外，在本文中，所谓的“上”、“下”、“左”、“右”、“前”、“后”、或“之间”等用语，只是用于描述多个元件之间的相对位置，并在解释上可推广成包括平移、旋转、或镜像的情形。此外，在本文中，除了特别指明的之外，“一元件在另一元件上”或类似叙述不必然表示该元件接触该另一元件。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种相干测风激光雷达回波信号频谱模拟数据生成方法，包括：
通过获取的真实回波信号频谱数据得到回波信号的底噪；
对回波信号频谱数据中的每张频谱数据去除底噪并统计随机噪声的方差；
对所述随机噪声进行归一化处理；
对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的幅值、多普勒频移、以及带宽；
记录相邻距离门间的多普勒频移差值，利用反比拟合得到单张频谱数据的功率谱峰值能量和距离的修正量；
分别对随机变量、功率谱峰值能量、距离的修正量、以及带宽进行统计得到对应的统计参数；
运用随机行走和随机变量的正态分布特征生成一组风速廓线图，利用随机数生成器生成满足洛伦兹分布的不同距离门下的带宽，满足卡方分布的单张模拟频谱的功率谱峰值能量、以及满足正态分布的距离修正量；以及
通过简化后的雷达方程生成单张模拟频谱图片，并依此重复生成完整的频谱模拟数据。
2.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，底噪Sd(f)表示为：
Figure FDA0004205047310000011
其中，
Figure FDA0004205047310000012
表示第ni个距离门处频谱分布，t为累计距离门数，i表征为一段距离门序列下的对应下标。
3.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，随机噪声的方差表示为：
Figure FDA0004205047310000013
其中，M为单个距离门上的采样点数，t为累计距离门数，i为一段距离门序列下的对应下标，j为单一距离门下的频谱频率对应下标，
Figure FDA0004205047310000021
为功率谱信号在第ni个距离门上的分散在第j个频率值的功率谱强度值，Sd(fj)为底噪在单一距离门上的分散在第j个频率值的功率谱强度值。
4.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的幅值A1(R)，表示为：
Figure FDA0004205047310000022
其中，R为距离，A0表征激光器单脉冲能量大小，η(R)为天线效率，T(R)为单程大气传输损耗。
5.根据权利要求4所述的相干测风激光雷达回波信号频谱模拟数据生成方法，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的多普勒频移f(R)，表示为：
f(R)＝fd(R)；
其中，fd(R)为多普勒频移随距离变化的函数。
6.根据权利要求5所述的相干测风激光雷达回波信号频谱模拟数据生成方法，对归一化处理后的每张频谱数据中的每一个距离门处的回波信号进行高斯拟合得到回波信号的带宽σ1(R)，表示为：
σ1(R)＝σ(R)；
其中，σ(R)为频谱带宽随距离变化的函数。
7.根据权利要求6所述的相干测风激光雷达回波信号频谱模拟数据生成方法，记录相邻距离门间的多普勒频移差值p，表示为：
p＝f((i+1)R0)-f(iR0)；
其中，R0为距离分辨率，f(iR0)为第i个距离门处的多普勒频移，f((i+1)R0)为第i+1个距离门处的多普勒频移。
8.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，利用直方图计数对随机变量、功率谱峰值能量、距离的修正量、以及带宽进行统计得到对应的统计参数。
9.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，简化后的激光雷达方程表示为：
Figure FDA0004205047310000031
其中，单张模拟频谱的功率谱峰值能量为A2，R为距离，σ(R)为频谱带宽随距离变化的函数，b为平方反比拟合下的距离修正偏移量，f为频谱频率，fd(R)为距离R下的多普勒频移，N(0，σnoise)为噪声正态分布随机，σnoise为随机噪声均方差。
10.根据权利要求1所述的相干测风激光雷达回波信号频谱模拟数据生成方法，所利用的随机数生成器包括洛伦兹随机数生成器，卡方随机数生成器。
CN202310474360.4A 2023-04-27 2023-04-27 相干测风激光雷达回波信号频谱模拟数据生成方法 Pending CN116256726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310474360.4A CN116256726A (zh) 2023-04-27 2023-04-27 相干测风激光雷达回波信号频谱模拟数据生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310474360.4A CN116256726A (zh) 2023-04-27 2023-04-27 相干测风激光雷达回波信号频谱模拟数据生成方法

Publications (1)

Publication Number Publication Date
CN116256726A true CN116256726A (zh) 2023-06-13

Family

ID=86681007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310474360.4A Pending CN116256726A (zh) 2023-04-27 2023-04-27 相干测风激光雷达回波信号频谱模拟数据生成方法

Country Status (1)

Country Link
CN (1) CN116256726A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500580A (zh) * 2023-06-28 2023-07-28 中国民航大学 一种基于多普勒雷达探测的涡核参数计算方法及系统
CN118091705A (zh) * 2024-04-17 2024-05-28 南京信息工程大学 一种基于监督学习的相干测风激光雷达风速反演方法
CN118330605A (zh) * 2024-06-14 2024-07-12 中国科学技术大学 基于卷积神经网络和辅助器的激光雷达风速反演方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500580A (zh) * 2023-06-28 2023-07-28 中国民航大学 一种基于多普勒雷达探测的涡核参数计算方法及系统
CN116500580B (zh) * 2023-06-28 2023-08-22 中国民航大学 一种基于多普勒雷达探测的涡核参数计算方法及系统
CN118091705A (zh) * 2024-04-17 2024-05-28 南京信息工程大学 一种基于监督学习的相干测风激光雷达风速反演方法
CN118330605A (zh) * 2024-06-14 2024-07-12 中国科学技术大学 基于卷积神经网络和辅助器的激光雷达风速反演方法

Similar Documents

Publication Publication Date Title
CN116256726A (zh) 相干测风激光雷达回波信号频谱模拟数据生成方法
US7652617B2 (en) Radar microsensor for detection, tracking, and classification
US5686919A (en) Process for generating wind profiler data free of fixed ground clutter contamination
US7286079B2 (en) Method and apparatus for detecting slow-moving targets in high-resolution sea clutter
JP2010535344A (ja) パラメトリック時間領域手法を用いた地上反射波軽減
Kerbaa et al. Model selection of sea clutter using cross validation method
CN107561497B (zh) Fsk及多种非线性调频信号识别及参数估算方法
US7535403B2 (en) Method of determining the velocity field of an air mass by high resolution doppler analysis
CN105991492A (zh) 跳频信号识别方法
Rosenberg et al. Coherent detection in medium grazing angle sea‐clutter
CN110095766A (zh) 基于非均匀重采样技术的机动目标相干积累检测方法
CN101581787A (zh) 基于最小均方算法的激光测云雷达信号自适应识别方法
CN111948663A (zh) 一种星载全波形信号的自适应经验模态分解去噪方法
Molchanov et al. On micro-Doppler period estimation
Rosenberg et al. Model based coherent detection in medium grazing angle sea-clutter
CN110441749B (zh) 一种频率步进雷达目标运动参数估计方法
US11391832B2 (en) Phase doppler radar
CN116359854A (zh) 一种基于YOLOv5的防空警戒雷达复合干扰参数估计方法
Pirttilä et al. A proposed solution to the range–Doppler dilemma of weather radar measurements by using the SMPRF codes, practical results, and a comparison with operational measurements
JP2015049074A (ja) レーダ及び物体検出方法
CN115356692A (zh) 一种基于pri区间树上时间片不重叠的雷达信号分选增批处理方法
Kabakchiev et al. Cell averaging constant false alarm rate detector with Hough transform in randomly arriving impulse interference
CN116819477B (zh) 一种脉内脉间指纹特征联合的雷达辐射源个体识别方法
El Mashade Detection analysis of CA family of adaptive radar schemes processing M-correlated sweeps in homogeneous and multiple-target environments
Kabakchiev et al. Adaptive censoring CFAR PI detector with Hough transform in randomly arriving impulse interference

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