CN116593989A - 一种基于雷达海杂波的对流层波导反演方法及系统 - Google Patents

一种基于雷达海杂波的对流层波导反演方法及系统 Download PDF

Info

Publication number
CN116593989A
CN116593989A CN202310716917.0A CN202310716917A CN116593989A CN 116593989 A CN116593989 A CN 116593989A CN 202310716917 A CN202310716917 A CN 202310716917A CN 116593989 A CN116593989 A CN 116593989A
Authority
CN
China
Prior art keywords
waveguide
inversion
rcs
data
tropospheric
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
Application number
CN202310716917.0A
Other languages
English (en)
Other versions
CN116593989B (zh
Inventor
朱强华
谢向荣
陈金增
李文艳
王卫星
刘朝
李晨希
容成光
商永敬
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.)
Ningbo Maisijie Technology Co ltd
Ningbo Maisijie Technology Co ltd Wuhan Branch
Original Assignee
Ningbo Maisijie Technology Co ltd
Ningbo Maisijie Technology Co ltd Wuhan Branch
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 Ningbo Maisijie Technology Co ltd, Ningbo Maisijie Technology Co ltd Wuhan Branch filed Critical Ningbo Maisijie Technology Co ltd
Priority to CN202310716917.0A priority Critical patent/CN116593989B/zh
Publication of CN116593989A publication Critical patent/CN116593989A/zh
Application granted granted Critical
Publication of CN116593989B publication Critical patent/CN116593989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于雷达海杂波的对流层波导反演方法及系统，该方法包括：获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。

Description

一种基于雷达海杂波的对流层波导反演方法及系统
技术领域
本发明属于对流层波导反演技术领域，更具体地，涉及一种基于雷达海杂波的对流层波导反演方法及系统。
背景技术
电磁波在对流层中的传播与声波在海洋中的传播有很多类似之处，声波在海洋中传播时，若声速梯度满足一定条件，则会出现声道传播现象。与此类似，当对流层大气折射率梯度为负且小于临界值时，在其中传播的电磁波会出现波导传播现象。蒸发波导即为这样一种能使大于其截止频率的电磁波陷获其中进行波导传播的特殊的大气现象。
在存在蒸发波导条件下，雷达接收到的海面回波即海杂波强度会大大增强，往往形成杂波环。随着蒸发波导高度和强度的变化，雷达海杂波的功率会产生变化，海杂波中含有蒸发波导折射率剖面的信息，因此可以根据雷达杂波功率的变化，利用电磁波传播的抛物方程模型来反演出海上蒸发波导剖面。利用雷达海杂波来反演蒸发波导剖面，不需要添加额外的设备，具有现实的可操作性，而目前这一领域的研究目前国内才刚刚开始，国外也只是进行了初步研究，本项目的研究具有现实的理论意义和实用价值。
发明内容
为解决以上技术问题，本发明提出一种基于雷达海杂波的对流层波导反演方法，包括：
获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
进一步的，对流层波导模型为：
n(Z)＝n0+Δn(Z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，Z为垂直方向的高度，n0为基准折射率，Δn(Z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
进一步的，与气象测量数据相关的修正项A(Z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(Z)+r3*C(Z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
进一步的，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
进一步的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
本发明还提出一种基于雷达海杂波的对流层波导反演系统，包括：
获取数据模块，用于获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
设置模型模块，用于将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
反演模块，用于设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
进一步的，对流层波导模型为：
n(z)＝n0+Δn(Z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(Z)为对流层波导的折射率，z为垂直方向的高度，n0为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
进一步的，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
进一步的，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
进一步的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明通过获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。因此本发明能够更精确的将对流层波导进行反演，且效率更高。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
海面RCS(Radar Cross Section)是指雷达波在与海面交互时的回波强度。海面RCS是衡量海面目标对雷达探测的敏感度的一个指标。
本发明公式中所有下角标只为了区分个参数，并没有实际含义。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种基于雷达海杂波的对流层波导反演方法，包括：
步骤101，获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
步骤102，将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
具体的，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，z为垂直方向的高度，n0为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(Z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
具体的，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(Z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
具体的，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
步骤103，设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
具体的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
实施例2
如图2所示，本发明实施例还提供一种基于雷达海杂波的对流层波导反演系统，包括：
获取数据模块，用于获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
设置模型模块，用于将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
具体的，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，Z为垂直方向的高度，n0为基准折射率，Δn(Z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(Z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
具体的，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(Z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
具体的，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
反演模块，用于设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
具体的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于雷达海杂波的对流层波导反演方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
步骤102，将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
具体的，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，z为垂直方向的高度，no为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
具体的，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(Z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
具体的，所述反演激活函数为：
f(n(z))＝sin n(Z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
步骤103，设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
具体的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于雷达海杂波的对流层波导反演方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于雷达海杂波的对流层波导反演方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于雷达海杂波的对流层波导反演方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
步骤102，将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
具体的，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，z为垂直方向的高度，n0为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
具体的，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(Z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
具体的，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
步骤103，设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
具体的，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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所述技术方案的全部或部分可以以软件产品的形式体现出来，所述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(可为个人计算机、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、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于雷达海杂波的对流层波导反演方法，其特征在于，包括：
获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
2.如权利要求1所述的一种基于雷达海杂波的对流层波导反演方法，其特征在于，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(z)*B(z，RCS)
其中，n(z)为对流层波导的折射率，z为垂直方向的高度，n0为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
3.如权利要求2所述的一种基于雷达海杂波的对流层波导反演方法，其特征在于，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(Z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(Z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
4.如权利要求3所述的一种基于雷达海杂波的对流层波导反演方法，其特征在于，所述反演激活函数为：
f(n(z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
5.如权利要求4所述的一种基于雷达海杂波的对流层波导反演方法，其特征在于，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
6.一种基于雷达海杂波的对流层波导反演系统，其特征在于，包括：
获取数据模块，用于获取反演数据，其中所述反演数据包括：无线电链路测量数据、气象测量数据、雷达回波数据和海面RCS数据；
设置模型模块，用于将所述反演数据作为输入，输入到深度学习神经网络中，并设置对流层波导模型，作为隐藏层的算子，同时设置反演激活函数，计算对流层波导的折射率，作为模拟值；
反演模块，用于设置反演损失函数，将所述模拟值作为参数，对所述模拟值和对流层波导的折射率的真实值进行拟合，直到所述模拟值与所述对流层波导的折射率的真实值之间的误差大于预设阈值，则完成对流层波导反演。
7.如权利要求6所述的一种基于雷达海杂波的对流层波导反演系统，其特征在于，对流层波导模型为：
n(z)＝n0+Δn(z，RCS)
Δn(z，RCS)＝A(Z)*B(z，RCS)
其中，n(Z)为对流层波导的折射率，z为垂直方向的高度，n0为基准折射率，Δn(z，RCS)为与垂直方向的高度、海面RCS相关的修正项，RCS为海面RCS，A(Z)为与气象测量数据相关的修正项，B(z，RCS)为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项。
8.如权利要求7所述的一种基于雷达海杂波的对流层波导反演系统，其特征在于，与气象测量数据相关的修正项A(z)和与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(Z，RCS)，具体为：
A(z)＝e(-p*T(Z)-q*RH(Z))
B(z，RCS)＝r0+r1*S(z)+r2*R(z)+r3*C(z)
其中，p和q为与气象测量数据相关的修正项A(z)的调整因子，r0、r1、r2和r3为与无线电链路测量数据、雷达回波数据和海面RCS相关的修正项B(z，RCS)的调整因子，T(Z)为温度，RH(Z)为相对湿度，S(z)为无线电链路测量数据中的信号强度，R(z)为雷达回波数据中的回波强度，C(z)为海面RCS的强度。
9.如权利要求8所述的一种基于雷达海杂波的对流层波导反演系统，其特征在于，所述反演激活函数为：
f(n(Z))＝sin n(z)/(1+e-n(z))
其中，将由所述对流层波导模型生成的对流层波导的折射率输入到所述反演激活函数中，所述反演激活函数将对流层波导的折射率映射到介于[-1，1]之间的范围内。
10.如权利要求9所述的一种基于雷达海杂波的对流层波导反演系统，其特征在于，所述反演损失函数为：
其中，α和β为权重，分别用于控制均方误差和平均绝对误差，通过调节α和β的大小，来调节均方误差和平均绝对误差的比重，n(z)true为对流层波导的折射率的真实值，N为样本的数量。
CN202310716917.0A 2023-06-15 2023-06-15 一种基于雷达海杂波的对流层波导反演方法及系统 Active CN116593989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310716917.0A CN116593989B (zh) 2023-06-15 2023-06-15 一种基于雷达海杂波的对流层波导反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310716917.0A CN116593989B (zh) 2023-06-15 2023-06-15 一种基于雷达海杂波的对流层波导反演方法及系统

Publications (2)

Publication Number Publication Date
CN116593989A true CN116593989A (zh) 2023-08-15
CN116593989B CN116593989B (zh) 2023-11-21

Family

ID=87611754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310716917.0A Active CN116593989B (zh) 2023-06-15 2023-06-15 一种基于雷达海杂波的对流层波导反演方法及系统

Country Status (1)

Country Link
CN (1) CN116593989B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033910A (zh) * 2023-09-27 2023-11-10 宁波麦思捷科技有限公司武汉分公司 一种海面高精度信号的处理方法及系统
CN117421601A (zh) * 2023-12-19 2024-01-19 山东省科学院海洋仪器仪表研究所 一种海面蒸发波导临近期快速预报方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170013652A (ko) * 2015-07-28 2017-02-07 대한민국(기상청 국립기상과학원장) 레이더 빔 시뮬레이션 방법 및 이를 수행하기 위한 장치
CN106707256A (zh) * 2015-07-27 2017-05-24 中国人民解放军信息工程大学 一种基于雷达海杂波的对流层波导反演方法和装置
CN110059419A (zh) * 2019-04-23 2019-07-26 中国人民解放军63921部队 高精度区域对流层折射率三维反演方法
CN110703385A (zh) * 2019-11-11 2020-01-17 西湖大学 基于光散射的图案化的多模干涉耦合器、设计方法和应用
KR102212524B1 (ko) * 2020-07-15 2021-02-05 대한민국 기상 레이더의 소실된 시선속도 복원 방법, 이를 수행하기 위한 기록 매체 및 장치
CN113408803A (zh) * 2021-06-24 2021-09-17 国网浙江省电力有限公司双创中心 一种雷电预测方法、装置、设备及计算机可读存储介质
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
CN114065607A (zh) * 2021-10-19 2022-02-18 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法
WO2022074643A1 (en) * 2020-10-08 2022-04-14 Edgy Bees Ltd. Improving geo-registration using machine-learning based object identification
CN115356702A (zh) * 2022-08-18 2022-11-18 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法
CN116068560A (zh) * 2023-03-06 2023-05-05 山东省科学院海洋仪器仪表研究所 基于雷达海杂波的海上蒸发波导漂浮式探测系统及方法
CN116128034A (zh) * 2022-06-13 2023-05-16 天津理工大学 一种基于卷积神经网络的光纤结构二维特征提取及光学特性预测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106707256A (zh) * 2015-07-27 2017-05-24 中国人民解放军信息工程大学 一种基于雷达海杂波的对流层波导反演方法和装置
KR20170013652A (ko) * 2015-07-28 2017-02-07 대한민국(기상청 국립기상과학원장) 레이더 빔 시뮬레이션 방법 및 이를 수행하기 위한 장치
CN110059419A (zh) * 2019-04-23 2019-07-26 中国人民解放军63921部队 高精度区域对流层折射率三维反演方法
CN110703385A (zh) * 2019-11-11 2020-01-17 西湖大学 基于光散射的图案化的多模干涉耦合器、设计方法和应用
KR102212524B1 (ko) * 2020-07-15 2021-02-05 대한민국 기상 레이더의 소실된 시선속도 복원 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2022074643A1 (en) * 2020-10-08 2022-04-14 Edgy Bees Ltd. Improving geo-registration using machine-learning based object identification
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
CN113408803A (zh) * 2021-06-24 2021-09-17 国网浙江省电力有限公司双创中心 一种雷电预测方法、装置、设备及计算机可读存储介质
CN114065607A (zh) * 2021-10-19 2022-02-18 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法
CN116128034A (zh) * 2022-06-13 2023-05-16 天津理工大学 一种基于卷积神经网络的光纤结构二维特征提取及光学特性预测方法
CN115356702A (zh) * 2022-08-18 2022-11-18 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法
CN116068560A (zh) * 2023-03-06 2023-05-05 山东省科学院海洋仪器仪表研究所 基于雷达海杂波的海上蒸发波导漂浮式探测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
左雷 等: "雷达海杂波反演大气折射率剖面试验分析", 华中科技大学学报(自然科学版), vol. 40, no. 07, pages 75 - 77 *
纪汉杰 等: "基于海杂波和目标回波的蒸发波导深度学习反演方法研究", 第十七届全国电波传播年会会议论文集, pages 217 - 220 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033910A (zh) * 2023-09-27 2023-11-10 宁波麦思捷科技有限公司武汉分公司 一种海面高精度信号的处理方法及系统
CN117033910B (zh) * 2023-09-27 2023-12-19 宁波麦思捷科技有限公司武汉分公司 一种海面高精度信号的处理方法及系统
CN117421601A (zh) * 2023-12-19 2024-01-19 山东省科学院海洋仪器仪表研究所 一种海面蒸发波导临近期快速预报方法
CN117421601B (zh) * 2023-12-19 2024-03-01 山东省科学院海洋仪器仪表研究所 一种海面蒸发波导临近期快速预报方法

Also Published As

Publication number Publication date
CN116593989B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN116593989B (zh) 一种基于雷达海杂波的对流层波导反演方法及系统
CN108182660B (zh) 一种区域气象雷达网数据融合方法及装置
CN113219466A (zh) 海面的风速确定方法、装置、电子设备及存储介质
CN114384518B (zh) 一种基于Ku波段实测数据的海面SAR图像仿真方法和装置
Li et al. Study on the maximum calculation height and the maximum propagation angle of the troposcatter wide‐angle parabolic equation method
CN117687995A (zh) 基于cnn神经网络的多终端北斗数据质量评估方法及系统
CN116773922A (zh) 一种由雷电引起的磁场变化分析方法及系统
CN115932773A (zh) 基于谱形特征的目标角度检测方法、装置、设备及介质
CN116842300A (zh) 一种基于海杂波的低空电磁波散射损耗估计方法及系统
CN113589244B (zh) 一种回波模拟文件生成方法、装置、飞行器及电子设备
CN115659607A (zh) 一种多层透波结构的确定方法
CN107391887A (zh) 一种电磁空间仿真系统及仿真方法
CN114910892A (zh) 一种激光雷达的标定方法、装置、电子设备及存储介质
CN116842309B (zh) 一种海杂波功率的计算方法及系统
CN115082202A (zh) 用于房屋抵押的信息处理方法、装置、设备及存储介质
CN107329128A (zh) 一种基于快速存储技术的超分辨高精度低空测角方法
CN114966566A (zh) 一种雷达干扰的抑制方法、装置以及设备
CN104077431B (zh) 一种基于偶极子阵列互耦仿真方法
CN109446703B (zh) 一种斜拉索气动阻力确定方法、装置及终端设备
CN117031366A (zh) 一种粗糙海面电磁波传播监测方法及系统
CN109708525A (zh) 一种导弹飞行弹道的解算方法、系统及终端设备
CN116484703A (zh) 一种天线阵列的布局方法、装置、设备及存储介质
CN117951924B (zh) 一种高原环境下汽车性能的分析方法及系统
CN117669126B (zh) 一种用于海洋环境研究的大规模浮标组网方法及系统
CN117592381B (zh) 一种大气波导参数反演模型训练方法、装置、设备及介质

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