CN117872424A - 一种gnss-r海面ddm数据生成方法和装置 - Google Patents
一种gnss-r海面ddm数据生成方法和装置 Download PDFInfo
- Publication number
- CN117872424A CN117872424A CN202410269573.8A CN202410269573A CN117872424A CN 117872424 A CN117872424 A CN 117872424A CN 202410269573 A CN202410269573 A CN 202410269573A CN 117872424 A CN117872424 A CN 117872424A
- Authority
- CN
- China
- Prior art keywords
- ddm
- data
- wind speed
- distribution
- ddm data
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 63
- 230000002441 reversible effect Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 abstract description 8
- 239000013598 vector Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- CHBOSHOWERDCMH-UHFFFAOYSA-N 1-chloro-2,2-bis(4-chlorophenyl)ethane Chemical compound C=1C=C(Cl)C=CC=1C(CCl)C1=CC=C(Cl)C=C1 CHBOSHOWERDCMH-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种GNSS‑R海面DDM数据生成方法和装置，包括以下步骤：步骤S1、获取实测DDM数据；步骤S2、根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；步骤S3、根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。采用本发明的技术方案，能够有效的应用于GNSS‑R海面风速研究，在现有实测数据的基础上实现样本扩充，并可服务于其他GNSS‑R海面风速反演研究。
Description
技术领域
本发明属于地球遥感技术领域，尤其涉及一种GNSS-R海面DDM数据生成方法和装置。
背景技术
导航卫星反射信号(GNSS-R)的时延-多普勒（DDM）数据特征是该技术进行海面风速反演、海冰检测、海面测高、海上目标识别等应用的数据基础。GNSS-R观测技术属于被动遥感技术，观测目标点由导航卫星位置与接收机位置决定，获取指定位置数据的机会十分宝贵，因此研究中存在数据数量不足的问题。针对该问题，传统方法一般以辐射传输模型（如Z-V模型）为基础，通过设定观测几何关系、反射面物理参数的方式生成对应DDM。这种方法依赖于辐射传输模型的建立与模型参数的设置，没有充分利用现有的观测数据，当模型建立不合理或者参数设置存在问题时，生成的DDM数据与实测数据的偏差较大，难以起到补充研究数据的作用。
发明内容
本发明要解决的技术问题是，提高一种GNSS-R海面DDM数据生成方法和装置，能够有效的应用于GNSS-R海面风速研究，在现有实测数据的基础上实现样本扩充，并可服务于其他GNSS-R海面风速反演研究。
为实现上述目的，本发明采用如下的技术方案：
一种GNSS-R海面DDM数据生成方法，包括以下步骤：
步骤S1、获取实测DDM数据；
步骤S2、根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
步骤S3、根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
作为优选，步骤2中，引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
作为优选，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
作为优选，步骤S3中，根据风速数值和采样方差/>，构建正态分布，对/>进行随机采样，得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
本发明还提供一种GNSS-R海面DDM数据生成装置，包括：
获取模块，用于获取实测DDM数据；
训练模块，用于根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
生成模块，用于根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
作为优选，训练模块通过引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
作为优选，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
作为优选，生成模块根据风速数值和采样方差/>，构建正态分布，对/>进行随机采样，得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
本发明使用流模型挖掘现有的实测DDM数据的分布与正态分布之间的转换关系，训练具有可逆结构的网络模型，在训练完成后，能够利用正态分布随机采样得到的变量生成DDM。为了保证生成数据的质量，引入了风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上，利用模型的可逆性，实现了指定风速条件下的DDM生成。采用本发明的技术方案，能够有效的应用于GNSS-R海面风速研究，在现有实测数据的基础上实现样本扩充，并可服务于其他GNSS-R海面风速反演研究。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一种GNSS-R海面DDM数据生成方法的流程概括示意图；
图2为本发明实施例一种GNSS-R海面DDM数据生成方法的具体流程示意图；
图3为流模型结构图；
图4为维度切换模块结构图。
具体实施方式
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，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施具有以下专业术语：
全球导航卫星系统反射信号技术（GNSS-R）：导航卫星发射的L波段信号经过地球反射后在波形、幅值、相位、频率和极化特征等方面受到反射面的影响产生变化，结合接收机天线位置和介质信息，利用反射信号观测和反射表面属性确定表面粗糙度和表面特性新型遥感技术。
分布变换模型：分布变换模型是生成模型的一种，将图像、波形数据使用离散分布进行描述，通过带参数的概率模型拟合样本数据的离散分布，从而将样本数据分布转换到特征空间的分布。模型通过结构设计保证该转换过程的双向可逆，从而实现信息无损的分布变换。
全连接神经网络(Feedforward Neural Network,FNN)：全连接网络是一种最基本的人工神经网络。在全连接神经网络中，每一层的神经元与前一层和后一层的神经元全都相连，但同一层内的神经元之间没有连接。 数据在网络中是从输入层向输出层单向传播的，没有反馈（或循环）连接。全连接神经网络的每一个连接都有一个权重，这些权重是通过训练数据来学习的。 每个神经元会计算其所有输入的加权和，然后通过一个激活函数，如ReLU、sigmoid 或 tanh 等，来得到其输出。
流模型(Flow Based Model,FBM): flow是分布变换模型的一种，flow就是想办法得到一个encoder将输入x编码为隐变量z，并且使得z服从标准正态分布。得益于flow模型的精巧设计，这个encoder是可逆的，可以立马从encoder写出相应的decoder（生成器）出来。只要encoder训练完成，就能同时得到decoder，完成生成模型的构建。
时延-多普勒相关功率图(Delay Doppler Map,DDM): DDM是GNSS-R进行风速反演的重要数据源。反射信号的本质上是镜面反射点周围区域反射的一系列多径信号，这些多径信号由于传播路径不同及接收机平台的运动，而具有不同的时延和多普勒值。给定一个的多普勒修正频率，将直射信号与反射信号在不同时延点上相乘并相加计算得到该多普勒频率下的时延相关功率，然后改变多普勒修正频率，重复该过程，从而获得不同多普勒修正频率下，不同时延点上的相关功率分布，从而组成DDM。
实施例1：
如图1所示，本发明实施例提供一种GNSS-R海面DDM数据生成方法，包括以下步骤：
步骤S1、获取实测DDM数据；
步骤S2、根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
步骤S3、根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
作为本发明实施例的一种实施方式，步骤2中，引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
作为本发明实施例的一种实施方式，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
作为本发明实施例的一种实施方式，步骤S3中，根据风速数值和采样方差，构建正态分布/>，对/>进行随机采样， 得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
实施例2：
如图2所示，本发明实施例提供一种GNSS-R海面DDM数据生成方法，包括：数据预处理阶段、构建流模型阶段、流模型训练阶段、DDM生成阶段。在数据预处理阶段，首先从旋风卫星导航系统CYGNSS的L1级别数据产品中提取DDM数据与来自欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的同化风速数据进行经纬度与时间的匹配，构建出训练使用的样本数据；然后基于tensorflow开源深度学习框架构建流模型，使用综合了分布变换误差与风速误差的损失函数训练模型，使得模型能够将输入的DDM数据转换为满足风速为均值的正态分布数据，从而可以通过转换后风速与实测风速之间的误差来评价模型的正向转换能力，由于模型中的数据处理是双向无损可逆的，因此正向转换能力一定程度上也可以反映反向生成能力的好坏；最后构建符合以风速为均值的正态分布随机变量，利用模型的可逆性生成指定风速下的DDM数据。
作为本发明实施的一种实施方式，数据预处理阶段具体如下：
从旋风卫星导航系统CYGNSS的L1级别数据产品中提取DDM数据，通过信噪比SNR与距离增益校正（range corrected gain，RCG）进行数据筛选。其中信噪比SNR由CYGNSS产品提供，距离增益校正RCG通过镜面反射点处的天线增益（CYGNSS产品提供）与接收机到镜面反射点距离以及导航卫星到镜面反射点距离计算得到，其作用是反映该处信号的实际增益情况，RCG越大，表述数据质量越好。具体公式如下：
（1）
其中，为镜面反射点方向的天线增益，/>为接收机到镜面反射点距离，/>为导航卫星到镜面反射点距离，/>为缩放系数，目的是将RCG缩放到1-100的数量级。
挑选数据时的阈值为：SNR>=4且RCG>=10。目的是删除噪声大、增益不足的数据，避免影响模型训练。
为了统一数量级，对DDM数据使用最大最小归一法进行归一化处理，代表原始DDM数值，/>与/>分别代表样本DDM中的最大值和最小值。
（2）
对参考风速的预处理：
在CYGNSS数据中提取的观测点经纬度与观测时间，然后以经纬度与时间最邻近原则，从欧洲中期天气预报中心（ECMWF）发布的海面上方10m处风速同化数据中匹配该点参考风速。
划分训练样本：在正式训练网络之前还需要将数据集划分为训练集，验证集和测试集。其中训练集用来训练神经网络参数，验证集用于选取最优网络参数，测试集就是待分类样本，用于评估网络实际性能。通常三种数据集的比例为1:1:8。
作为本发明实施的一种实施方式，构建流模型阶段具体如下：
为了保证模型的双向可逆结构，流模型在变换过程不能改变输入特征向量的尺寸，因此只能改变其数据分布。由于正态分布的描述公式以自然对数e为底，在以对数最大似然构建损失函数时能够将连乘计算转为求和计算，起到简化计算过程的作用，因此流模型采用正态分布作为分布变换后的目标分布。如图3所示，流模型包含：分布变换模块、维度切换模块和尺度变换模块三个部分：
分布变换模块：将输入向量均分成两部分，将其中一部分进行任意非线性变换后与另一部分相加作为输出结果，在为模型引入非线性映射能力的同时保证了结构可逆。
维度切换模块：以随机的方式打乱输入向量，使信息混合更加充分。
尺度变换模块：将数据先验分布的方差作为训练参数，对输入数据进行归一化处理，避免维度浪费问题。
分布变换模块、维度切换模块和尺度变换模块三个模块组成一个可逆变换层，本方法构建的模型有26个这样的可逆变换层组成，网络模型的整体结构如下：
模型的分布变化的过程可抽象为：
（3）
其中的为DDM数据，/>为转换后的正态分布数据，即/>的分布/>为：
（4）
其中，为输入向量的维度数。
因此使用替换/>并取对数似然后的损失函数为：
（5）
将分布变换模块以指代，在模型正向传播时，其表达式为：
（6）
其中，为输入向量，均分成/>两部分；/>为经过分布变换模块后的输出向量，由/>两部分顺序拼接而成。/>为全连接神经网络，起到为对输入向量进行非线性化改正的作用；/>与/>两个网络的结构相同，其具体参数如表1：
表1
因此，经过分布变换模块的为单位阵，/>的计算结果为0，/>化简为：
（7）
维度切换模块通过输入向量的尺寸确定，若输入向量尺寸为，维度切换模块首先生成/>的整数数列用于代表输入向量的维度序号，然后将整数数列随机打乱，产生尺寸为/>的序号数列/>。之后将输入向量按照切换序号重新排列，如切换中第一位存储的数字为5，则表示输入向量第1维打乱后的新维度序号为5，成为输出向量的第5维，从而实现对输入向量维度的切换。切换序号以固定参数的形式保存在模型中，不跟随模型训练。
尺度变换模块将先验分布的标准差也作为训练参数，如果标准差足够小，则认为该维度所表示的流形坍缩为一个点，从而总体流形的维度减1，暗含了降维的可能，在模型正向传播时，其计算公式为：
（8）
其中，为输入向量，/>为尺度变换后的向量，/>与/>初始是/>的标准差与均值，后续训练中通过反向传播算法进行优化调整。
尺度变换层的雅可比行列式就不再是1，可以算得它的雅可比矩阵为对角阵，因此其行列式为对角元素的连乘，损失函数应添加其行列式的对数似然：
（9）
流模型通过风速实现对分布转换后数据的约束，因此损失函数中添加有表示转换后风速与实际风速差异引起的损失：
（10）
其中，为经过模型变换后的向量，/>为来自ECMWF的参考风速，/>为求算数平均值运算。
因此，模型最终的损失函数为：
（11）
作为本发明实施的一种实施方式，流模型训练阶段具体如下：
在构建流模型后输入匹配好的DDM数据与风速数据进行模型训练。使用了采集自2022年1月1日至7日的数据样本，经过数据预处理后共计22639个，按照训练集，验证集和测试集8:1:1的比例进行划分。训练开始之前需要对网络参数进行初始化，通常初始化会将参数设为0-1之间的随机数。随后开始正式训练，网络训练是监督学习迭代的过程。训练集中的样本以Patch形式按批量输入网络，每个Patch包含256个训练样本，通过网络前向计算得到隐变量，计算/>的均值得到风速预测结果，然后计算预测风速与实际风速差异引起的损失/>；在网络前向传播的同时计算分布变换模块中的/>与尺度变换模块中的/>，得到损失函数/>，之后通过反向传播进行网络参数更新，所有训练样本都参与了训练即完成一次完整迭代。通过梯度下降算法，使网络朝着令损失最小的方向更新参数，多次重复迭代后，网络的风速预测结果会与参考越来越接近，网络损失趋向稳定，直到达到最大迭代次数则训练结束，迭代次数一般设置为200次。为了获得最优的网络参数，每隔一定迭代次数之后，网络参数被固定并保存，然后使用验证集数据测试网络的正向风速转换精度。当训练结束后，在验证集中表现最好的训练模型参数即为最优网络参数。
作为本发明实施例的一种实施方式，DDM生成阶段具体为：
首先给定某一风速数值，并指定采样方差/>，通常取0.75防止采样过于集中/>附近，然后构建正态分布/>，对/>进行随机采样，得到尺寸为18*11大小的随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的某一DDM数据。
在训练好的流模型反向传播时，分布变换模块的逆向形式/>的表达式为：
（12）
其中，为输入向量，均分成/>两部分；/>为经过逆向的分布变换
模后的输出向量，由两部分顺序拼接而成。/>和/>保留正向传播时的网络参数。
在训练好的流模型反向传播时，维度切换模块通过模型中记录的切换序号还原输入向量的原始维度排列。如切换序号中第一位存储的数字为5，则表示反向传播中，输入向量第1维对应原始向量中的第5维，如图4所示。
在模型反向传播时，尺度变换模块的表达式为：
（13）
其中，反向输入向量，/>为反向变换后的向量。/>与/>初始值是正向传播时/>的标准差与均值，此时是经过网络训练后优化过的网络参数。
本发明实施例具体以下技术效果：
1、与基于辐射传输模型的DDM生成方法相比，本发明实施例充分利用了现有的实测DDM数据，模型的正向训练过程实现了DDM数据与正态分布之间的变换，逆向过程实现了通过随机采样变量生成DDM数据。
2、使用风速作为分布变换后的约束条件，参与构建损失函数，在正向变换中用于评价网络的可靠性，在反向生成中用于产生指定条件下的DDM数据。
基于辐射传输模型方法生成DDM是基于光学传输模型发展而来的一种对观测过程的近似描述，理论模型与实际的观测环境难免的存在差异；在生成数据的过程中，模型需要设置大量参数，这些参数与实际观测条件密切相关，人工设置难免引入误差，影响了生成数据的质量；由于传输模型仅由DDM数据与参数之间的关系组成，缺少对生成数据合理性的验证手段。
针对以上问题，本发明实施例在风速约束下基于流模型的DDM生成方法，本发明实施例使用充分利用了现有的实测数据训练具有可逆结构的网络模型，建立了实测DDM与正态分布之间的转换关系，能够利用随机变量生成DDM。为了保证生成数据的质量，模型引入了风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测风速为均值的正态分布上，利用模型的可逆性，实现了指定风速条件下的DDM生成。
为评价生成DDM数据与真实DDM数据的相似性程度，选用余弦相似度与皮尔逊相关系数两个指标进行评价。余弦相似度（Cosine similarity），又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度，余弦值越接近1，夹角趋于0，表明两个向量越相似，余弦值越接近于0，夹角趋于90度，表明两个向量越不相似。皮尔逊相关系数（Pearson Correlation）是用于度量两个变量之间的线性相关性，其值介于-1与1之间，绝对值越大表明相关性越强。两个指标的具体计算公式见公式（12）与（13）。使用训练好的模型随机生成2-9m/s风速区间条件下的DDM数据，风速间隔为1m/s，每个间隔生成200个样本，最终共生成1400个DDM数据。然后从实测DDM数据中，以1m/s为间隔，在2-9m/s风速区间内每个间隔随机挑选200个实测DDM数据。计算同风速区间的所有生成DDM与所有实测DDM的余弦相似度与皮尔逊相关系数两个指标的平均值进行相似性评价，结果如表2：
表2
其中，余弦相似度的平均值为0.901，皮尔逊相关系数的平均值为0.879，说明生成DDM数据与真实DDM数据有较好的相似性。
余弦相似度公式：
（14）
其中，/>为待评价向量，/>为向量求模运算。
皮尔逊相关系数公式：
（15）
其中，/>为待评价向量，/>为两向量间的协方差，/>,/>为向量方差，/>，/>为向量均值，/>为求均值运算。
此外，为进一步评价生成DDM数据与真实DDM数据在风速反演能力上的相似性以评估生成DDM数据的有效性，本发明实施例使用梯度提升决策树方法构建风速反演模型，利用生成DDM数据与真实DDM数据进行风速反演，比较二者反演精度。为了避免单一数据的输入导致模型产生数据偏好，将生成DDM数据与实测DDM数据按1：1的比例混合为训练样本。生成DDM数据使用训练好的模型随机生成2-9m/s风速区间条件下的DDM数据，风速间隔为1m/s，每个间隔生成200个样本，最终共生成1400个DDM数据。真实DDM数据则从实测DDM数据中，以1m/s为间隔，在2-9m/s风速区间内每个间隔随机挑选200个实测DDM数据，共1400个。由于数据样本较少，因此使用集成学习算法中的梯度提升决策树（Gradient Boosting DecisionTree，GBDT）建立DDM风速反演模型，然后使用训练好的风速反演模型分别对生成DDM与实测DDM进行风速反演并比较各自的反演精度。梯度提升决策树使用开源机器学习库sklearn实现，参数设置为：决策树个数200个，决策树深度5层，最小叶子节点样本数为10。生成DDM数据与真实DDM数据基于梯度提升决策树模型的风速反演误差如表3所示：
表3
从表3可看出，实测DDM的风速反演精度略低于生成DDM，可能是由于实测条件下存在环境因素对观测过程的干扰，导致DDM数据中包含较复杂的观测噪声，影响了DDM数据质量，而生成模型以大量实测数据为基础，通过挖掘数据中的深层特征，降低了噪声对模型的影响，因此生成数据的质量较好，风速反演的精度略高。两种数据的风速反演精度接近，说明在风速反演能力上生成DDM数据与实测数据是接近的，进一步证明了生成数据是有效的。
实施例3：
本发明实施例提供一种GNSS-R海面DDM数据生成装置，包括：
获取模块，用于获取实测DDM数据；
训练模块，用于根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
生成模块，用于根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
作为本发明实施例的一种实施方式，训练模块通过引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
作为本发明实施例的一种实施方式，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
作为本发明实施例的一种实施方式，生成模块根据风速数值和采样方差，构建正态分布/>，对/>进行随机采样，得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种GNSS-R海面DDM数据生成方法，其特征在于，包括以下步骤：
步骤S1、获取实测DDM数据；
步骤S2、根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
步骤S3、根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
2.如权利要求1所述的GNSS-R海面DDM数据生成方法，其特征在于，步骤2中，引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
3.如权利要求2所述的GNSS-R海面DDM数据生成方法，其特征在于，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
4.如权利要求3所述的GNSS-R海面DDM数据生成方法，其特征在于，步骤S3中，根据风速数值和采样方差/>，构建正态分布/>，对/>进行随机采样，得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
5.一种GNSS-R海面DDM数据生成装置，其特征在于，包括：
获取模块，用于获取实测DDM数据；
训练模块，用于根据实测DDM数据训练流模型；其中，所述流模型用于挖掘实测DDM数据的分布与正态分布之间的转换关系；
生成模块，用于根据训练好的流模型，利用正态分布随机采样得到变量生成DDM数据。
6.如权利要求5所述的GNSS-R海面DDM数据生成装置，其特征在于，训练模块通过引入风速作为约束指标，在训练过程中将DDM从原始分布转换为以实测海面风速为均值的正态分布上。
7.如权利要求6所述的GNSS-R海面DDM数据生成装置，其特征在于，流模型包括：分布变换模块、维度切换模块和尺度变换模块；其中，分布变换模块、维度切换模块和尺度变换模块组成一个可逆变换层，所述流模型具有26个可逆变换层。
8.如权利要求7所述的GNSS-R海面DDM数据生成装置，其特征在于，生成模块根据风速数值和采样方差/>，构建正态分布/>，对/>进行随机采样，得到随机变量/>，将/>输入训练好的流模型网络中进行逆向传播，即得到风速数值/>条件下的DDM数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269573.8A CN117872424B (zh) | 2024-03-11 | 2024-03-11 | 一种gnss-r海面ddm数据生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269573.8A CN117872424B (zh) | 2024-03-11 | 2024-03-11 | 一种gnss-r海面ddm数据生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117872424A true CN117872424A (zh) | 2024-04-12 |
| CN117872424B CN117872424B (zh) | 2024-05-10 |
Family
ID=90583331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410269573.8A Active CN117872424B (zh) | 2024-03-11 | 2024-03-11 | 一种gnss-r海面ddm数据生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117872424B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130335265A1 (en) * | 2012-06-15 | 2013-12-19 | Astrium Limited | Processing of signals to provide a delay doppler map |
| CN111639747A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 |
| WO2022005619A2 (en) * | 2020-05-18 | 2022-01-06 | The Regents Of The University Of Colorado, A Body Corporate | Ocean surface wind direction retrieval from reflected radio signals on space-borne platforms |
| CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
| CN117272843A (zh) * | 2023-11-22 | 2023-12-22 | 中国石油大学(华东) | 基于随机森林的gnss-r海面风速反演方法及系统 |
-
2024
- 2024-03-11 CN CN202410269573.8A patent/CN117872424B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130335265A1 (en) * | 2012-06-15 | 2013-12-19 | Astrium Limited | Processing of signals to provide a delay doppler map |
| CN111639747A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 |
| WO2022005619A2 (en) * | 2020-05-18 | 2022-01-06 | The Regents Of The University Of Colorado, A Body Corporate | Ocean surface wind direction retrieval from reflected radio signals on space-borne platforms |
| CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
| CN117272843A (zh) * | 2023-11-22 | 2023-12-22 | 中国石油大学(华东) | 基于随机森林的gnss-r海面风速反演方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| CHEN LI: "Sea surface wind retrieval from GNSS delay-Doppler map using two-dimension least-squares fitting", 2013 MTS/IEEE OCEANS - BERGEN, 26 September 2013 (2013-09-26) * |
| DONGMEI SONG: "A Novel Dual-Branch Neural Network Model for Flood Monitoring in South Asia Based on CYGNSS Data", REMOTE SENSING, 14 October 2022 (2022-10-14) * |
| 曾凡喾;严颂华;马秦生;: "基于导航卫星反射信号的距离-多普勒图信噪比增强算法", 科学技术与工程, no. 35, 18 December 2019 (2019-12-18) * |
| 王斯嘉: "基于神经网络模型的GNSS-R海面风速反演算法研究", 中国硕士学位论文全文数据库, 15 February 2021 (2021-02-15) * |
| 祁永强;张波;杨东凯;张彦仲;: "机载GNSS海面回波信号的模拟", 电波科学学报, no. 03, 15 June 2017 (2017-06-15) * |
| 陈闪闪;张云;洪中华;韩彦岭;谢向芳;: "GNSS反射信号海面溢油回波DDM仿真研究", 全球定位系统, no. 03, 15 June 2017 (2017-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117872424B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| Kaloop et al. | A wavelet-particle swarm optimization-extreme learning machine hybrid modeling for significant wave height prediction | |
| Mahjoobi et al. | Hindcasting of wave parameters using different soft computing methods | |
| CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
| Campos et al. | Nonlinear wave ensemble averaging in the Gulf of Mexico using neural networks | |
| Tur et al. | A comparison of soft computing methods for the prediction of wave height parameters | |
| CN114706144B (zh) | 海洋环境预报方法、装置、系统及存储介质 | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN117272843B (zh) | 基于随机森林的gnss-r海面风速反演方法及系统 | |
| CN116305967A (zh) | 基于卷积神经网络和多模态特征融合的海面风速反演方法 | |
| CN114970378A (zh) | 一种基于gan网络的海杂波样本库构建方法 | |
| Wang et al. | Prediction of over-the-horizon electromagnetic wave propagation in evaporation ducts based on the gated recurrent unit network model | |
| CN112560342A (zh) | 一种基于dnn的大气波导参数估计方法 | |
| CN114611415B (zh) | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 | |
| CN118332937B (zh) | 一种新能源气象大模型构建方法、装置及功率预测方法 | |
| Yang et al. | Prediction of significant wave heights based on CS-BP model in the south China sea | |
| CN117872424B (zh) | 一种gnss-r海面ddm数据生成方法和装置 | |
| CN116628442B (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
| CN117114168A (zh) | 一种长时间尺度的海面温度智能预报方法 | |
| Zhu et al. | Feature selection based on principal component analysis for underwater source localization by deep learning | |
| Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
| Ji et al. | IPILT-OHPL: An Over-the-Horizon Propagation Loss Prediction Model Established by Incorporating Prior Information into the LSTM-Transformer Structure | |
| Annas et al. | Assessing daily tropical rainfall variations using a neuro-fuzzy classification model | |
| CN118244385B (zh) | 一种基于wt-liesn和lstm的降水预测方法 | |
| Sun et al. | A data-driven method for estimating the target position of low-frequency sound sources in shallow seas |
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 |