CN117368880A - 一种毫米波云雷达湍流杂波滤除方法 - Google Patents
一种毫米波云雷达湍流杂波滤除方法 Download PDFInfo
- Publication number
- CN117368880A CN117368880A CN202311668737.6A CN202311668737A CN117368880A CN 117368880 A CN117368880 A CN 117368880A CN 202311668737 A CN202311668737 A CN 202311668737A CN 117368880 A CN117368880 A CN 117368880A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- representing
- distance
- threshold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000012535 impurity Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 206010010774 Constipation Diseases 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 15
- 239000002245 particle Substances 0.000 description 11
- 241000238631 Hexapoda Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 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
- 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
- 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
- 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
Abstract
本发明公开了一种毫米波云雷达湍流杂波滤除方法，包括：获取云雷达的功率谱数据；对功率谱数据进行预设处理，得到二维第一数据组，所述第一数据组包括偏度值和峰度值；计算所述第一数据组与原点之间的第一距离；对所述第一距离进行SVM模型处理得到第一阈值，所述第一阈值将所述第一距离划分为有效类和无效类；建立第一距离与时空之间的对应关系；基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号。本发明能够对低空的杂波进行高效快速准确地滤除，同时很好的保留云信号，进而更好地探测云中的微物理结构和降水过程。
Description
技术领域
本发明涉及采用无线电波的反射或再辐射的定位或存在检测领域。具体而言，涉及一种毫米波云雷达湍流杂波滤除方法。
背景技术
受大气湍流、人类活动和昆虫等影响，毫米波云雷达在边界层有较强的非气象雷达回波。据统计，Ka波段云雷达回波70%～80%的观测时间在边界层会受到晴空回波的影响，极大地限制了毫米波云雷达低云识别能力，国内外很多学者分别从生态学和大气折射率两个角度对这类回波进行解释，认为这类回波主要起源于昆虫、飞鸟或大气折射不均匀结构对微波的散射，即湍流大气造成对雷达回波的散射。
低空杂波的存在可能会掩盖云和降水的真实特征，导致误判和不准确的数据，所以对这类低空杂波的滤除具有重要的意义。然而这类杂波与常见的低空浮游物杂波不同，不能通过设置合适的悬浮物杂波阈值以滤除这类杂波，因此，亟需一种方法以高效快速准确地滤除低空杂波。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明要解决的技术问题是一种毫米波云雷达湍流杂波滤除方法以高效快速准确地滤除低空杂波，进而更好地探测云中的微物理结构和降水过程。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种毫米波云雷达湍流杂波滤除方法，该方法包括：获取云雷达的功率谱数据；对功率谱数据进行预设处理，得到二维第一数据组，所述第一数据组包括偏度值和峰度值；计算所述第一数据组与原点之间的第一距离；对所述第一距离进行SVM模型处理得到第一阈值，所述第一阈值将所述第一距离划分为有效类和无效类；建立第一距离与时空之间的对应关系；基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号，包括：将第一距离划分为第一类和第二类，划分条件包括：划分所述第一距离小于第一阈值的数据为第一类，划分所述第一距离大于第一阈值的数据为第二类；根据所述对应关系构建预设数量的窗口；获取每个窗口内数据满足第一类和第二类的频数，判断第一条件或第二条件是否成立，如果成立，则将所在窗口保留；否则，剔除窗口内所有数据；所述第一条件表示窗口的中心点小于所述第一阈值，且所述第一类数据的频数大于或等于第二阈值，所述第二阈值包括第一类数据的去噪阈值；所述第二条件表示所述第一类数据的频数大于或等于第二阈值，且所述第二类数据的频数小于第三阈值，所述第三阈值包括第二类数据的去噪阈值。
优选地，对功率谱数据进行预设处理得到二维第一数据组，包括：根据所述功率谱数据得到噪声电平；基于所述噪声电平识别得到云信号段；基于所述云信号段得到第一数据组。
优选地，所述根据所述功率谱数据得到噪声电平，包括：将功率谱数据平均分为多段；计算每一段数据的平均功率；取最小的平均功率作为噪声电平。
优选地，所述基于所述噪声电平识别得到云信号段，包括：搜索功率谱数据中高于所述噪声电平的连续信号段；若所述连续信号段的信噪比大于预设噪声阈值，且所述连续信号段包含的谱点超过预设谱点数量，则该段为云信号段；否则该段为噪声段；在全部噪声段中，获取噪声功率最大值，并将其作为噪声段与云信号段的分界线。
优选地，所述基于所述云信号段得到第一数据组，包括：对所述云信号段积分得到平均多普勒速度，其表达式为：其中，/>表示平均多普勒速度，/>表示云信号段与所述分界线的左端交点，r表示云信号段与所述分界线的右端交点，/>表示谱点/>对应的信号强度，/>表示谱点/>对应的多普勒速度值；根据所述平均多普勒速度，对所述云信号段处理得到谱宽，其表达式为：/>其中，/>表示均方根谱宽，/>表示谱宽；根据所述平均多普勒速度和所述谱宽，对所述云信号段处理得到偏度和峰度，其表达式为：/> 中，/>表示偏度，/>表示峰度，/>表示/>的三次方，/>表示/>的四次方。
优选地，所述预设处理还包括：对所述偏度值和峰度值分别进行标准化处理，其表达式为： 其中，Z1表示标准化后的偏度值，X1表示偏度值，U1表示偏度值的平均值，S1表示偏度值的标准差；Z2表示标准化后的峰度值，X2表示峰度值，U2表示峰度值的平均值，S2表示峰度值的标准差；对标准化后的偏度值和峰度值分别进行归一化处理，得到二维第一数据组，其表达式为：/> 其中，/>表示归一化后的偏度值，xmin1表示标准化的最小偏度值，xmax1表示标准化的最大偏度值；/>表示归一化后的峰度值，xmin2表示标准化的最小峰度值，xmax2表示标准化的最大峰度值。
优选地，计算所述第一数据组与原点之间的第一距离，其表达式为：其中，/>表示第/>个第一数据组与原点的第一距离，/>表示第/>个第一数据组中的偏度值，/>表示第/>个第一数据组中的峰度值，m表示原点的横坐标，n表示原点的纵坐标。
优选地，对所述第一距离进行SVM模型处理得到第一阈值，包括：获取多个历史功率谱数据；对所述历史功率谱数据处理得到历史第一数据组；计算所述历史第一数据组与原点之间的历史第一距离；将历史第一距离划分为训练集和验证集；通过对训练集进行无监督学习以训练SVM模型，以及利用验证集调整SVM模型的超参数，获得训练后的SVM模型；将所述第一距离输入至训练后的SVM模型中，得到第一阈值。
优选地，基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号，包括：
其中，/>表示窗口中心点的横坐标，表示窗口中心点的纵坐标，/>表示窗口的中心值，/>表示第一阈值，/>表示第一类数据的频数，/>表示第二阈值，/>表示第二类数据的频数，/>表示第三阈值，/>表示更新后窗口的中心值。
优选地，所述基于所述第一阈值和所述对应关系对所述第一距离进行处理重复执行2-3次。
与现有技术相比，本发明提供一种毫米波云雷达湍流杂波滤除方法，以偏度值和峰度值作为第一数据组，计算与原点的距离，变为一维数据，此一维距离能够作为区分杂波和云粒子，并且用一维数据训练神经网络能够加快训练速度，数据使用量也更少，不用挑选大量的训练集进行训练，也不需计算机进行长时间的训练，就可以得到实时的结果。进一步地，将距离与去噪阈值建立联系以滤除杂波，提高算法精度。
附图说明
为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本实施例提供的一种毫米波云雷达湍流杂波滤除方法的流程图；
图2是本实施例提供的2022年9月23日09：45到10：17时间段的未处理偏度值的垂直轮廓示意图；
图3是本实施例提供的2022年9月23日09：45到10：17时间段的未处理峰度值的垂直轮廓示意图；
图4是本实施例提供的2022年9月23日09：45到10：17时间段的处理后偏度值的垂直轮廓示意图；
图5是本实施例提供的2022年9月23日09：45到10：17时间段的处理后峰度值的垂直轮廓示意图；
图6是本实施例提供的2022年9月23日09：45到10：17时间段的处理前后欧式距离噪声频数分布示意图；
图7是本实施例提供的2022年9月23日09：45到10：17时间段的处理前后峰度噪声频数示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明保护范围的限定。
在非降雨时，在边界层的非气象雷达回波基本出现在低空3km以下，在反射率强度、退偏振比、速度以及谱宽上未表现出明显的不同，对它们进行偏度和峰度计算后，可知云粒子和杂波相比有较明显的差异。另外在径向上对其做偏度和峰度的垂直廓线，与上空云粒子偏度和峰度的廓线相比，低层杂波的锋度和偏度动荡幅度更大。根据此特征，本实施例提供了一种毫米波云雷达湍流杂波滤除方法以滤除低空杂波，进而更好地探测云中的微物理结构和降水过程。
如图1所示，所述一种毫米波云雷达湍流杂波滤除方法包括：
S1获取云雷达的功率谱数据。
本实施例采用Ka波段云雷达以探测大气，其具体过程包括，先向天顶发射一定功率的辐射能量；当辐射能量穿透云层时，被云滴/冰晶粒子散射、吸收或反射后能量发生衰减；云雷达通过天线接收回波信号，经由反演获得云量、云类型、云滴大小和云层垂直结构分布信息。
通过对雷达的回波信号进行频域变化处理，获取信号强度随多普勒速度变化形成的功率谱数据，本实施例采用快速傅里叶变换进行频域变化处理。本实施例采样128个谱点数进行快速傅里叶变换，每个谱点对应一个多普勒速度，每个多普勒速度在不同高度对应不同的信号强度。
S2对功率谱数据进行预设处理，得到二维第一数据组。
所述第一数据组包括偏度值和峰度值。
在本步骤中，包括：
S200根据所述功率谱数据得到噪声电平。
所述噪声电平指所述功率谱数据中噪声的平均功率，可以通过分段法或客观法计算获得。
所述分段法包括：将功率谱数据从左到右平均分为多段；计算每一段数据的平均功率；并取最小的平均功率作为噪声电平。
S210基于所述噪声电平识别得到云信号段。
搜索功率谱数据中高于所述噪声电平的连续信号段。
若所述连续信号段的信噪比大于预设噪声阈值，且所述连续信号段包含的谱点超过预设谱点数量，则该段为云信号段；否则该段为噪声段；本实施例中，所述预设噪声阈值设为-10dB，所述预设谱点数量设为5。
在全部噪声段中，获取噪声功率最大值，并将其作为噪声段与云信号段的分界线；记录云信号段与分界线的左端交点和右端交点。
S220基于所述云信号段得到第一数据组。
对所述云信号段积分得到平均多普勒速度，其表达式为：
其中，V表示平均多普勒速度，l表示云信号段与分界线的左端交点，r表示云信号段与分界线的右端交点，表示谱点/>对应的信号强度，/>表示谱点/>对应的多普勒速度值。
根据所述平均多普勒速度，对所述云信号段处理得到谱宽，其表达式为：
其中，表示均方根谱宽，/>表示谱宽。
根据所述平均多普勒速度和所述谱宽，对所述云信号段处理得到偏度和峰度，其表达式为：
其中，表示偏度，/>表示峰度，/>表示/>的三次方，/>表示/>的四次方。
进一步地，对所述偏度值和峰度值分别进行标准化和归一化处理，得到预处理后的第一数据组。
对所述偏度值和峰度值分别进行标准化处理，其表达式为：
其中，Z1表示标准化后的偏度值，X1表示偏度值，U1表示偏度值的平均值，S1表示偏度值的标准差；Z2表示标准化后的峰度值，X2表示峰度值，U2表示峰度值的平均值，S2表示峰度值的标准差。
通过标准化处理，消除偏度和峰度之间不同量纲的差异，保证偏度和峰度对距离的贡献率相同。
对标准化后的偏度值和峰度值分别进行归一化处理，得到二维第一数据组，其表达式为：
其中，表示归一化后的偏度值，xmin1表示标准化的最小偏度值，xmax1表示标准化的最大偏度值；/>表示归一化后的峰度值，xmin2表示标准化的最小峰度值，xmax2表示标准化的最大峰度值。
通过归一化处理，将偏度和峰度的值量化在0到1之间。
S3计算所述第一数据组与原点之间的第一距离。
以峰度值为横坐标，偏度值为纵坐标，计算所述第一数据组与原点之间的第一距离，所述第一距离可以通过欧式距离公式得到，表达式如下：
其中，表示第/>个第一数据组与原点的第一距离，/>表示第/>个第一数据组中的偏度值，/>表示第/>个第一数据组中的峰度值，m表示原点的横坐标，n表示原点的纵坐标。
对于气象回波的功率谱，当粒子为纯云或雨时，偏度值和峰度值一般接近零值，即满足高斯分布，而当云发展成降水或粒子相态发生变化时，就会出现偏度值和锋度值偏离零的情况，除此之外，杂波的偏度值和峰度值也偏离零，并且与云粒子的偏度和峰度有明显差异，因此，本实施例通过计算第一数据组和原点的距离以反映出偏度和峰度偏离0的情况进而区分杂波和云粒子。将二维左边的相对位置转换为一维的距离以减少计算量，在一定程度上加快运算速度。
S4对所述第一距离进行SVM（Support Vector Machine，支持向量机）模型处理得到第一阈值。
所述第一阈值将所有第一距离分为两类，如果第一距离小于所述第一阈值，则为有效类；否则，为无效类。有效类指由云粒子反射或折射得到的回波信号对应的数据，无效类指由昆虫、飞鸟或大气湍流等非气象原因得到的回波信号对应的数据。
实例性地，本步骤可以通过无监督学习或者监督学习方式训练SVM，具体地，所述无监督学习包括：（1）获取多个历史功率谱数据；（2）对所述历史功率谱数据处理得到历史第一数据组；（3）计算所述历史第一数据组与原点之间的历史第一距离；（4）将历史第一距离划分为训练集和验证集；（5）通过对训练集进行无监督学习以训练SVM模型，以及利用验证集调整SVM模型的超参数，获得训练后的SVM模型；（6）将所述第一距离输入至训练好的SVM模型中，获得第一阈值。所述监督学习与所述无监督学习的步骤（1）至（4）以及（6）相同，此处不在重复说明，步骤（5）为对历史第一距离标定对应的标签，然后将训练集进行监督训练，获得训练后的SVM模型。本实施例优选地采用无监督学习，此方法无需对样本进行标定，更加省时省力，并且计算效率高。
S5建立第一距离与时空之间的对应关系。
本实施例中，所述第一数据组在同一时间不同高度下对应不同的第一距离，可以绘制得欧几里得距离的时空分布图，也就是所述对应关系。
S6基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号。
S600将第一距离划分为第一类和第二类。
划分条件包括：划分所述第一距离小于第一阈值的数据为第一类，划分所述第一距离大于第一阈值的数据为第二类。
S610根据所述对应关系构建预设数量的窗口。
示例性地，根据S5中时空分布图构建数量为M×N个窗口。
S620获取每个窗口内的数据满足第一类和第二类的频数。
将属于第一类的数据划分至预设第一数量的第一区域内，将属于第二类的数据划分至预设第二数量的第二区域内。当窗口全部都落入在第一区域内时，仅获取窗口内满足第一类的频数；当窗口全部都落入在第二区域内时，仅获取窗口内满足第二类的频数；当窗口一部分落入在第一区域内，另一部分落入在第二区域内时，获取窗口内满足第一类和第二类的频数；当窗口既不落入第一区域内，也不落入第二区域内时，满足第一类和第二类的频数都为0。
S630判断第一条件或第二条件是否成立，如果成立，则将所在窗口保留；否则，剔除窗口内所有点。所述第一条件表示窗口的中心点小于所述第一阈值，且所述第一类数据的频数大于或等于第二阈值，所述第二阈值包括第一类数据的去噪阈值。所述第二条件表示所述第一类数据的频数大于或等于第二阈值，且所述第二类数据的频数小于第三阈值，所述第三阈值包括第二类数据的去噪阈值。
具体地，本步骤可以通过如下表达式表示：
其中，表示窗口中心点的横坐标，/>表示窗口中心点的纵坐标，/>表示窗口的中心值，/>表示第一阈值，/>表示第一类数据的频数，/>表示第二阈值，/>表示第二类数据的频数，/>表示第三阈值，/>表示更新后窗口的中心值。
如果更新后窗口的中心点对应的数值为0，则将此窗口内所有点都剔除；如果更新后窗口的中心点对应的数值还是原来的中心点，则保留此窗口内所有点。
上述表达式的具体含义包括：如果且/>，说明窗口内有效值较少，则将窗口中心值置为0以剔除噪声；如果/>且/>时，说明窗口内基本都是无效值，则应剔除；如果/> 且/>，说明窗口内有效值居多，则应将中心值保留。
本实施例中设窗口M×N=3×3，预设第一数量为4，预设第二数量为6，第二阈值，第三阈值/>可使结果保持最优，并能够一定程度的剔除噪点，不过，不同的应用场景和仪器资料应重新试验选择参数使其效果达到最优。
重复执行多次S6步骤，将所有窗口内的干扰数据剔除，最终筛选得到滤除杂波后的第一距离，根据第一距离与峰度值、偏度值和功率谱数据的对应关系，获得滤除杂波后的峰度值、偏度值和回波信号。
为检验本方法的准确性，本实施获取2022年9月23日09：45到10：17时间段的不同高度下的峰度值和偏度值，该时间段低空存在杂波且高空中存在云粒子，选取某一条径向，其锋度值和偏度值的垂直廓线如图2和图3所示。图2中的横坐标表示偏度值，纵坐标表示以千米级的高度值，图3中的横坐标表示峰度值，纵坐标表示以千米级的高度值，从这两幅图中，可以说明在大概低空3公里以下存在数值波动较大且不连续的杂波。该时间段的功率谱数据经过处理输入至SVM模型得到第一阈值0.034，再根据第一阈值，以及第一数据组与时空的对应关系对欧式距离进行处理，其处理后的峰度值和偏度值的垂直廓线如图4和图5所示。图4中的横坐标表示偏度值，纵坐标表示以千米级的高度值，图5中的横坐标表示峰度值，纵坐标表示以千米级的高度值。对比图2和图4，图3和图5可知，该径向的杂波基本得到滤除。
为了进一步体现低空的杂波滤除情况，以第一阈值0.034对每条径向上欧式距离的噪点频数进行统计，其结果如图6所示。图6中的横坐标为时间，纵坐标为频数，实线表示处理前的欧式距离噪声频数，虚线表示处理后的欧式距离噪声频数，处理后的欧式距离噪声频数平均值为17.88，处理前的欧式距离噪声频数为73.34，两者相比噪声处理有效率提高了75.62%。在此第一阈值的基础上，执行S6步骤进一步判断有效回波点，统计每条径向上的处理前的峰度噪声频数和处理后的峰度噪声频数，其结果如图7所示。图7中的横坐标为时间，纵坐标为频数，实线表示处理前的峰度噪声频数，虚线表示处理后的峰度噪声频数，处理后的锋度噪声频数为91.33，处理前的锋度噪声频数为7.14，两者相比噪声处理有效率提高92.18%，表明处理后的噪点平均值相较于处理前的噪点平均值减少了大约92.18%。因此，本方法噪点去除效果显著，对于低空杂波基本能够较好的滤除。对剩下的噪点杂波可进一步基于第一阈值和对应关系对第一距离进行处理以剔除，这样，3km到4km与低空杂波相邻的云回波能够很好的保留，高空的云回波也能够很好的保留。
综上所述，对低空3km以下未表现出明显的悬浮物特征的杂波，或可能由晴空回波或者大气湍流影响的杂波，本实施例提供的方法通过选择合适的参数能够对这些杂波进行高效快速准确地滤除且滤除一部分噪点，同时很好的保留云信号。另外，对杂波的滤除可能一次性达不到最优，所以最后一步滤除过程可能需要执行多次。
与现有技术相比，本实施例提供一种毫米波云雷达湍流杂波滤除方法，以偏度值和峰度值作为第一数据组，计算与原点的距离，变为一维数据，此一维距离能够作为区分杂波和云粒子，并且用一维数据训练神经网络能够加快训练速度，数据使用量也更少，不用挑选大量的训练集进行训练，也不需计算机进行长时间的训练，就可以得到实时的结果。进一步地，将距离与去噪阈值建立联系以滤除杂波，提高算法精度。
以上所述的具体实施方式，对本发明的目的、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，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种毫米波云雷达湍流杂波滤除方法，其特征在于，包括：
获取云雷达的功率谱数据；
对功率谱数据进行预设处理，得到二维第一数据组，所述第一数据组包括偏度值和峰度值；
计算所述第一数据组与原点之间的第一距离；
对所述第一距离进行SVM模型处理得到第一阈值，所述第一阈值将所述第一距离划分为有效类和无效类；
建立第一距离与时空之间的对应关系；
基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号，包括：将第一距离划分为第一类和第二类，划分条件包括：划分所述第一距离小于第一阈值的数据为第一类，划分所述第一距离大于第一阈值的数据为第二类；根据所述对应关系构建预设数量的窗口；获取每个窗口内数据满足第一类和第二类的频数，判断第一条件或第二条件是否成立，如果成立，则将所在窗口保留；否则，剔除窗口内所有数据；所述第一条件表示窗口的中心点小于所述第一阈值，且第一类数据的频数大于或等于第二阈值，所述第二阈值包括第一类数据的去噪阈值；所述第二条件表示所述第一类数据的频数大于或等于第二阈值，且第二类数据的频数小于第三阈值，所述第三阈值包括第二类数据的去噪阈值。
2.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，对功率谱数据进行预设处理得到二维第一数据组，包括：
根据所述功率谱数据得到噪声电平；
基于所述噪声电平识别得到云信号段；
基于所述云信号段得到第一数据组。
3.根据权利要求2所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，所述根据所述功率谱数据得到噪声电平，包括：
将功率谱数据平均分为多段；
计算每一段数据的平均功率；
取最小的平均功率作为噪声电平。
4.根据权利要求2所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，所述基于所述噪声电平识别得到云信号段，包括：
搜索功率谱数据中高于所述噪声电平的连续信号段；
若所述连续信号段的信噪比大于预设噪声阈值，且所述连续信号段包含的谱点超过预设谱点数量，则所述连续信号段为云信号段；否则所述连续信号段为噪声段；
在全部噪声段中，获取噪声功率最大值，并将其作为噪声段与云信号段的分界线。
5.根据权利要求4所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，所述基于所述云信号段得到第一数据组，包括：
对所述云信号段积分得到平均多普勒速度，其表达式为：
其中，/>表示平均多普勒速度，/>表示云信号段与分界线的左端交点，r表示云信号段与分界线的右端交点，/>表示谱点/>对应的信号强度，/>表示谱点/>对应的多普勒速度值；
根据所述平均多普勒速度，对所述云信号段处理得到谱宽，其表达式为：
其中，/>表示均方根谱宽，/>表示谱宽；
根据所述平均多普勒速度和所述谱宽，对所述云信号段处理得到偏度和峰度，其表达式为：
其中，/>表示偏度，/>表示峰度，/>表示/>的三次方，/>表示/>的四次方。
6.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，所述预设处理还包括：
对所述偏度值和峰度值分别进行标准化处理，其表达式为：
其中，Z1表示标准化后的偏度值，X1表示偏度值，U1表示偏度值的平均值，S1表示偏度值的标准差；Z2表示标准化后的峰度值，X2表示峰度值，U2表示峰度值的平均值，S2表示峰度值的标准差；
对标准化后的偏度值和峰度值分别进行归一化处理，得到二维第一数据组，其表达式为：
其中，/>表示归一化后的偏度值，xmin1表示标准化的最小偏度值，xmax1表示标准化的最大偏度值；/>表示归一化后的峰度值，xmin2表示标准化的最小峰度值，xmax2表示标准化的最大峰度值。
7.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，计算所述第一数据组与原点之间的第一距离，其表达式为：
其中，/>表示第/>个第一数据组与原点的第一距离，/>表示第/>个第一数据组中的偏度值，/>表示第/>个第一数据组中的峰度值，m表示原点的横坐标，n表示原点的纵坐标。
8.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，对所述第一距离进行SVM模型处理得到第一阈值，包括：
获取多个历史功率谱数据；
对所述历史功率谱数据处理得到历史第一数据组；
计算所述历史第一数据组与原点之间的历史第一距离；
将历史第一距离划分为训练集和验证集；
通过对训练集进行无监督学习以训练SVM模型，以及利用验证集调整SVM模型的超参数，获得训练后的SVM模型；
将所述第一距离输入至训练后的SVM模型中，得到第一阈值。
9.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，基于所述第一阈值和所述对应关系对所述第一距离进行处理，获得滤除杂波后的回波信号，包括：
其中，/>表示窗口中心点的横坐标，/>表示窗口中心点的纵坐标，/>表示窗口的中心值，/>表示第一阈值，/>表示第一类数据的频数，/>表示第二阈值，/>表示第二类数据的频数，/>表示第三阈值，/>表示更新后窗口的中心值。
10.根据权利要求1所述的一种毫米波云雷达湍流杂波滤除方法，其特征在于，包括：
所述基于所述第一阈值和所述对应关系对所述第一距离进行处理重复执行2-3次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668737.6A CN117368880B (zh) | 2023-12-07 | 2023-12-07 | 一种毫米波云雷达湍流杂波滤除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668737.6A CN117368880B (zh) | 2023-12-07 | 2023-12-07 | 一种毫米波云雷达湍流杂波滤除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117368880A true CN117368880A (zh) | 2024-01-09 |
| CN117368880B CN117368880B (zh) | 2024-02-06 |
Family
ID=89393297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311668737.6A Active CN117368880B (zh) | 2023-12-07 | 2023-12-07 | 一种毫米波云雷达湍流杂波滤除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117368880B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9024743D0 (en) * | 1989-11-17 | 2009-12-23 | Le Ct Thomson D Applic Radars | Method and device for automatic recognition of tracked vehicles for a Doppler radar for ground surveillance |
| CN108089166A (zh) * | 2017-12-07 | 2018-05-29 | 北京无线电测量研究所 | 一种基于毫米波测云雷达的自适应频域检测方法 |
| CN111340875A (zh) * | 2020-02-17 | 2020-06-26 | 南京航空航天大学 | 一种基于三维激光雷达的空间移动目标检测方法 |
| CN112946654A (zh) * | 2021-01-27 | 2021-06-11 | 中国人民解放军国防科技大学 | 雷达滤除动态杂波的方法、装置、计算机系统及存储介质 |
| US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
| CN117169848A (zh) * | 2023-08-31 | 2023-12-05 | 深圳市欢创科技有限公司 | 过滤玻璃噪点的方法、激光雷达及机器人 |
-
2023
- 2023-12-07 CN CN202311668737.6A patent/CN117368880B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9024743D0 (en) * | 1989-11-17 | 2009-12-23 | Le Ct Thomson D Applic Radars | Method and device for automatic recognition of tracked vehicles for a Doppler radar for ground surveillance |
| CN108089166A (zh) * | 2017-12-07 | 2018-05-29 | 北京无线电测量研究所 | 一种基于毫米波测云雷达的自适应频域检测方法 |
| CN111340875A (zh) * | 2020-02-17 | 2020-06-26 | 南京航空航天大学 | 一种基于三维激光雷达的空间移动目标检测方法 |
| CN112946654A (zh) * | 2021-01-27 | 2021-06-11 | 中国人民解放军国防科技大学 | 雷达滤除动态杂波的方法、装置、计算机系统及存储介质 |
| US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
| CN117169848A (zh) * | 2023-08-31 | 2023-12-05 | 深圳市欢创科技有限公司 | 过滤玻璃噪点的方法、激光雷达及机器人 |
Non-Patent Citations (2)
| Title |
|---|
| 李浩文等: ""毫米波云雷达杂波质控方法研究"", 《广东气相》, vol. 43, no. 3 * |
| 郑佳锋;刘黎平;曾正茂;谢晓林;武静雅;冯凯;: "Ka波段毫米波云雷达数据质量控制方法", 红外与毫米波学报, no. 06 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117368880B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Artificial intelligence techniques for clutter identification with polarimetric radar signatures | |
| CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
| KR101221773B1 (ko) | 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
| Ye et al. | Identification and removal of non-meteorological echoes in dual-polarization radar data based on a fuzzy logic algorithm | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN113933845A (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
| CN111505643A (zh) | 基于时频图深度学习的海面小目标检测方法 | |
| CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
| CN117368880B (zh) | 一种毫米波云雷达湍流杂波滤除方法 | |
| CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
| CN113900101A (zh) | 障碍物检测方法、装置及电子设备 | |
| CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
| CN116416164B (zh) | 一种紫外光路成像分辨率优化方法 | |
| CN113256990A (zh) | 基于聚类算法的雷达采集道路车辆信息的方法及系统 | |
| CN113064133A (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
| CN110824478B (zh) | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 | |
| CN113406644B (zh) | 天气雷达数据质量控制方法、装置及设备 | |
| CN116165635A (zh) | 多级滤波算法的日间条件下不同波束光子云数据去噪方法 | |
| CN112418241A (zh) | 一种基于红外成像技术的电力设备识别方法 | |
| Thampy et al. | MMA: A novel algorithm for efficient separation of the precipitation echoes from wind profiler radar's Doppler power spectrum | |
| CN111553405B (zh) | 一种基于像素密度k均值聚类团雾识别算法 | |
| Yang et al. | Automatic identification of clear-air echoes based on millimeter-wave cloud radar measurements | |
| CN113960552A (zh) | 一种基于晴空回波的天气雷达遮挡角识别方法及系统 | |
| CN109343063B (zh) | 一种毫米波测云仪晴空回波自动识别方法及系统 | |
| CN117538844A (zh) | 一种用于弱回波强对流的雷达判识系统 |
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 |