CN116500611A - 一种基于深度学习的雷达波面图像海浪参数反演方法 - Google Patents
一种基于深度学习的雷达波面图像海浪参数反演方法 Download PDFInfo
- Publication number
- CN116500611A CN116500611A CN202310276641.9A CN202310276641A CN116500611A CN 116500611 A CN116500611 A CN 116500611A CN 202310276641 A CN202310276641 A CN 202310276641A CN 116500611 A CN116500611 A CN 116500611A
- Authority
- CN
- China
- Prior art keywords
- radar
- surface image
- wave
- wave surface
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hydrology & Water Resources (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的雷达波面图像海浪参数反演方法,采用导航雷达采集到的原始雷达波面图像,选取合适的反演区域,并进行坐标转换,对雷达波面图像进行预处理,建立雷达波面图像标准数据库,将该数据库中的图像数据输入到卷积神经网络中,进行特征提取,最后输出海浪波高和周期的特征值,进行海浪参数计算,最后通过与浮标和传统方法计算结果进行对比,本发明的反演方法提高了海浪参数的解算精度。
Description
技术领域
本发明属于海洋遥感技术领域,涉及一种基于深度学习的雷达波面图像海浪参数反演方法。
背景技术
海浪信息的观测和实时预报对于各种近岸和远海活动至关重要,如船舶航行、近岸工程、海洋资源开发。由于导航雷达图像分辨率高且能够反映海表面在空间和时间上的变化,其逐渐发展成为一种测量波高的遥感手段。近年来,利用雷达波面图像提取海浪参数的方法主要有谱分析法与图像统计法。谱分析法基于三维傅里叶变换计算图像及海浪的波数能量谱,采用色散滤波器计算海浪信噪比,利用有效波高与信噪比间的线性经验关系估测有效波高,其中的经验系数与雷达特性密切相关,通常需要利用现场实测波高数据来标定。由于谱分析法以三维傅里叶变化为基础,基于波浪场线性波长叠加为假设,而实际的波浪场是非线性波场的叠加,因此,基于谱分析法的有效波高测量精度具有局限性。基于图像统计法的海浪参数测量方法,其基本原理是基于海浪遥感成像中的物理调制在雷达灰度图像统计具有特征性,利用该特征可获取海浪波高等参数,但是由于该方法存在经验性的统计方法问题,导致测量精度受限。
发明内容
针对现有测量方法存在反演波浪参数精度不高的问题,本发明公开了一种基于深度学习的雷达波面图像海浪参数反演方法,该方法基于导航雷达和深度卷积神经网络模型,学习大量已标记的雷达波面图像样本中,从输入与输出关系中挖掘数据深层规律,建立基于深度学习的海浪参数反演模型,该方法对提高海浪参数反演精度起到重要作用。
本发明的技术方案:
一种基于深度学习的雷达波面图像海浪参数反演方法,步骤如下:
步骤一:雷达原始波面图像采集。利用导航雷达采集一组原始雷达波面图像序列,并按照雷达协议进行存储,得到极坐标下的雷达波面图像I(r,θ),其中,r为海面点到雷达的距离,θ为方位角;
步骤二:选取海浪参数反演区域,以浮标安装位置为中心,选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域。将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下,得到笛卡尔坐标下的海浪反演区域I(x,y);
步骤三:对选取的雷达波面图像I(x,y)进行图像预处理。预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等,得到处理后的雷达波面图像I(x′,y′);
步骤四:建立训练数据集和测试数据集数据库。用于深度学习的数据库为已进行浮标数据标记的雷达波面图像,其输入为雷达波面图像I(x′,y′),输出为对应的浮标参数,包括有效波高和周期。从数据库中选取一部分的雷达波面图像作为训练数据集Dataset1,剩下的雷达波面图像作为测试数据集Dataset2;
步骤五:构建基于卷积神经网络的海浪参数反演模型。卷积神经网络模型包括输入层、卷积层、池化层和全连接层,首先将雷达波面图像I(x′,y′)作为模型的输入层,接下来做卷积计算,提取图像特征,池化层是对卷积层提取的特征及逆行特征选择和信息过滤,再重复进行卷积和池化操作,与全连接层相连,将图像展开输出,最后连接输出层,输出图像所对应的标签值。该模型需要设置初始神经网络层数L,宽度W,初始化权重参数,Dropout率,优化函数为Adam优化器,误差函数为MSE损失函数。假设输入图像为I(x′,y′),卷积核为g(x,y),*代表卷积运算,二维离散卷积公式表示为:h(x,y)=I(x′,y′)*g(x,y)。
步骤六:训练海浪参数反演神经网络模型。首先对训练集Dataset1进行标准化处理,得到Dataset1’,使模型更容易收敛。然后设置模型训练次数,输入训练集Dataset1’图像数据,重复计算步骤五构建的卷积神经网络模型,进行特征提取,模型参数拟合计算,输出有效波高和周期,直至MSE函数收敛。卷积神经网络为了更好的提取图像中的信息,会加深模型,也就是模型中卷积层的层数,加深模型的宽度,也就是模型中个卷积层神经元数。但是在加深模型的深度和宽度的同时,也会产生许多问题。1)网络越深,梯度越往后穿越容易消失,难以优化模型。2)参数太多,容易过拟合,若训练数据集有限,这一问题更加突出。3)计算资源要求高,而且在训练过程中会使得很多参数趋于0,浪费资源。所以,在设置网络参数和训练模型时,调整模型参数变得极为重要。在网络训练过程中,如出现过高的损失率或者损失率在过高的情况下不收敛,可调整合适的Dropout率,可以避免模型过拟合,以提高模型的泛化能力。适当的权重值,也可避免某个参数过大而对网络造成主要影响,以提高网络的泛化能力。
步骤七:测试网络模型反演海浪参数。将测试集Dataset2进行标准化处理,得到Dataset2’,采用测试集Dataset2’测试步骤六中训练后的网络模型,分析测试结果误差。
本发明的有益效果是:
本发明使用卷积神经网络强大的特征提取功能,对雷达波面图像特征进行提取,反演出海浪参数,与传统的海浪参数解算方法相比,具有更高的测量精度。
本发明使用深度卷积神经网络的回归计算能力,扩大网络的深度和宽度的同时,提高网络模型的非线性拟合能力,使用强大数图型处理器,提高运算速度。
附图说明
图1是雷达波面图像反演海浪参数流程图;
图2是原始雷达波面图像;
图3是选取反演区域的雷达波面图像;
图4是预处理后的反演区域的雷达波面图像;
图5是基于深度学习的雷达波面图像海浪参数反演结构框图;
图6是三种方法的波高结果;
图7是三种方法的周期结果。
具体实施方式
以下结合技术方案和附图详细说明本发明的具体实施方式。
1.实验设备与环境配置
软件系统:Windows 10专业版操作系统
编程语言:Python 3.8.8
深度学习框架:Pytorch 1.6.0
2.实验方法
图1是基于深度学习的雷达波面图像海浪参数反演方法的实现流程。首先对导航雷达采集到的原始雷达波面图像进行反演区域选取,然后对选取的反演区域进行预处理。对预处理后的雷达波面图像进行浮标数据标记,建立雷达波面图像数据库,并划分训练数据集及测试数据集。构建卷积神经网络模型,并对深度卷积神经网络进行训练,学习雷达波面图像的特征。最后,利用数据库中的测试数据集对深度卷积神经网络模型进行测试,对反演波浪参数的结果进行误差分析。
图2是导航雷达原始波面图像。采用导航雷达采集原始雷达波面图像序列,选取有效海浪参数反演区域,将极坐标原始雷达波面图像转换成笛卡尔坐标雷达波面图像。然后对雷达波面图像进行图像预处理,去除受同频噪声、目标物干扰,筛除受雨雪雾干扰和灰度值异常的图像。
图3是选取反演区域的雷达波面图像。采用与雷达波面图像同时刻记录的浮标数据,对雷达波面图像进行海浪参数赋值标记,形成雷达波面图像标准数据库。构建卷积神经网络模型,通过训练数据集对模型进行训练,建立海浪参数反演神经网络模型。
图5是基于深度学习的雷达波面图像海浪参数反演结构框图。
本实施例的具体过程如下:
(1)通过导航雷达采集大量雷达波面图像,如图2所示。
(2)选取反演区域大小为256*256,并转化到笛卡尔坐标下,得到图3。
(3)对雷达波面图像数据库中的图像进行预处理,包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等,得到图4。
(4)对雷达波面图像进行正则化处理,确保输入的雷达波面图像保持在同一尺度,归一化函数为:
其中,x是雷达波面图像的灰度矩阵,μ是图像灰度矩阵的均值,σ是图像灰度矩阵的方差,g和b是非线性归一化函数中的常数系数,M是图像矩阵的大小,h是求解的归一化结果。
将归一化的雷达波面图像进行浮标数据的标记,包括波高、波周期,建立雷达波面图像数据库。从数据集中选取90%的雷达波面图像作为训练数据集,按照如图5的流程对深度神经网络模型进行训练。输入图像为256*256*1,通过卷积运算提取到大量图像特征值,经过最大池化层操作后特征值数目减少。,再通过特殊结构的卷积层操作,提取多样化的特征值。最后,同平均池化层减少特征,减少参数,简化卷积网络计算的复杂度。在这里引入了dropout层,其作用是随意失活部分神经元个数,防止神经元之间的相互影响,造成结果的不稳定,造成模型的过拟合,本模型中的dropout率为0.5。
(5)将上述模型计算步骤中,连接全连接层,连接每张雷达波面图像所对应的两个标签值,通过提取的特征值进行回归计算。在模型计算中,采用Adam优化器,提前高模型参数的收敛率,更快更有的找到网络模型的最优解。本模型是卷积神经网络的回归计算,所以采用MSE损失函数,表示雷达波面图像预测值f(x)与目标值y之间的差值平方和的均值,其公式如下:
设置训练模型的循环次数,直到损失函数值收敛可停止训练,保存此时的权重参数。采用测试集对已训练的模型进行回归计算得到预测值,将预测值与目标值进行误差分析,计算其准确率。
3.实验验证:
步骤1:为了验证所提出方法的有效性,以SZF型浮标测量结果为基准,将传统谱分析方法海浪参数反演结果与基于深度学习的雷达波面图像反演方法反演结果进行误差分析,包括波高和波周期反演结果。表1为用于实验验证的浮标数据,包括波高和波周期。
表1用于实验验证的浮标数据
步骤2:为了评价基于深度学习的雷达波面图像海浪参数反演方法的准确性,以浮标结果为基准数据,将传统方法反演结果与基于深度学习的雷达波面图像海浪参数反演方法的结果进行平均误差及均方根误差分析。图6是三种方法的波高测试结果。图7是三种方法的波周期测试结果。表2是基于传统方法和基于深度卷积神经网络的方法与浮标的误差分析结果。从表2中可以看出,基于深度学习的雷达波面图像海浪参数反演方法的平均误差及均方根误差均小于基于传统方法的雷达波面图像海浪参数反演方法。因此,本发明的基于深度学习的雷达波面图像海浪参数反演方法有较高的反演精度。
表2误差分析结果
Claims (1)
1.一种基于深度学习的雷达波面图像海浪参数反演方法,其特征在于,步骤如下:
步骤一:雷达原始波面图像采集;利用导航雷达采集一组原始雷达波面图像序列,并按照雷达协议进行存储,得到极坐标下的雷达波面图像I(r,θ),其中,r为海面点到雷达的距离,θ为方位角;
步骤二:选取海浪参数反演区域,以浮标安装位置为中心,选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域;将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下,得到笛卡尔坐标下的海浪反演区域I(x,y);
步骤三:对选取的雷达波面图像I(x,y)进行图像预处理;预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检测,得到处理后的雷达波面图像I(x′,y′);
步骤四:建立训练数据集和测试数据集数据库;用于深度学习的数据库为已进行浮标数据标记的雷达波面图像,其输入为雷达波面图像I(x′,y′),输出为对应的浮标参数,包括有效波高和周期;从数据库中选取一部分的雷达波面图像作为训练数据集Dataset1,剩下的雷达波面图像作为测试数据集Dataset2;
步骤五:构建基于卷积神经网络的海浪参数反演模型;卷积神经网络模型包括输入层、卷积层、池化层和全连接层,首先将雷达波面图像I(x′,y′)作为模型的输入层,接下来做卷积计算,提取图像特征,池化层是对卷积层提取的特征及逆行特征选择和信息过滤,再重复进行卷积和池化操作,与全连接层相连,将图像展开输出,最后连接输出层,输出图像所对应的标签值;设置初始神经网络层数L,宽度W,初始化权重参数,Dropout率,优化函数为Adam优化器,误差函数为MSE损失函数;假设输入图像为I(x′,y′),卷积核为g(x,y),*代表卷积运算,二维离散卷积公式表示为:h(x,y)=I(x′,y′)*g(x,y);
步骤六:训练海浪参数反演神经网络模型;首先对训练集Dataset1进行标准化处理,得到Dataset1’,使模型更容易收敛;然后设置模型训练次数,输入训练集Dataset1’图像数据,重复计算步骤五构建的卷积神经网络模型,进行特征提取,模型参数拟合计算,输出有效波高和周期,直至MSE函数收敛;
步骤七:测试神经网络模型反演海浪参数;将测试集Dataset2进行标准化处理,得到Dataset2’,采用测试集Dataset2’测试步骤六中训练后的网络模型,分析测试结果误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276641.9A CN116500611A (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度学习的雷达波面图像海浪参数反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276641.9A CN116500611A (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度学习的雷达波面图像海浪参数反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116500611A true CN116500611A (zh) | 2023-07-28 |
Family
ID=87322108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310276641.9A Pending CN116500611A (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度学习的雷达波面图像海浪参数反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647808A (zh) * | 2024-01-25 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的非相参雷达相位解析波浪时历反演方法 |
CN117875194B (zh) * | 2024-03-13 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167423A (zh) * | 2021-10-14 | 2022-03-11 | 上海广电通信技术有限公司 | 基于深度回归网络的雷达海浪参数测量方法 |
CN114549925A (zh) * | 2022-01-18 | 2022-05-27 | 大连理工大学 | 一种基于深度学习的海浪有效波高时间序列预测方法 |
-
2023
- 2023-03-21 CN CN202310276641.9A patent/CN116500611A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167423A (zh) * | 2021-10-14 | 2022-03-11 | 上海广电通信技术有限公司 | 基于深度回归网络的雷达海浪参数测量方法 |
CN114549925A (zh) * | 2022-01-18 | 2022-05-27 | 大连理工大学 | 一种基于深度学习的海浪有效波高时间序列预测方法 |
Non-Patent Citations (2)
Title |
---|
王伟;张斌;马跃华;朱昨庆;: "基于MIMO雷达的海面场景成像模拟及海浪信息反演方法", 中国科学:信息科学, no. 06, 20 June 2016 (2016-06-20) * |
王静;唐军武;何宜军;王鑫;潘玉方;: "X-波段雷达近海海浪频谱反演的神经网络模型", 海洋学报(中文版), no. 02, 15 March 2013 (2013-03-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647808A (zh) * | 2024-01-25 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的非相参雷达相位解析波浪时历反演方法 |
CN117647808B (zh) * | 2024-01-25 | 2024-04-30 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的非相参雷达相位解析波浪时历反演方法 |
CN117875194B (zh) * | 2024-03-13 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN111724478B (zh) | 一种基于深度学习的点云上采样方法 | |
CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN112561881B (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN116538996B (zh) | 基于激光雷达的地形测绘系统及方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN116500611A (zh) | 一种基于深度学习的雷达波面图像海浪参数反演方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN116994060A (zh) | 基于lbp提取和tcnn神经网络的脑部纹理分析方法 | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN115601301B (zh) | 鱼类表型特征测量方法、系统、电子设备及存储介质 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN116363522A (zh) | 一种基于深度学习的海岸带围填海变化遥感监测方法 | |
Zhang et al. | Contrastive learning ideas in underwater terrain image matching | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 | |
CN113222976B (zh) | 基于dcnn和迁移学习的时空图像纹理方向检测方法及系统 | |
CN117111013B (zh) | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 | |
CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 |
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 |