CN110568441A - 一种基于卷积神经网络的船用雷达测雨识别方法 - Google Patents
一种基于卷积神经网络的船用雷达测雨识别方法 Download PDFInfo
- Publication number
- CN110568441A CN110568441A CN201910848355.9A CN201910848355A CN110568441A CN 110568441 A CN110568441 A CN 110568441A CN 201910848355 A CN201910848355 A CN 201910848355A CN 110568441 A CN110568441 A CN 110568441A
- Authority
- CN
- China
- Prior art keywords
- layer
- size
- rain
- characteristic
- feature map
- 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
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
- G01S7/417—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
-
- 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
- G01S13/956—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on ship or other platform
-
- 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
- G01S7/418—Theoretical aspects
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Ocean & Marine Engineering (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络的船用雷达测雨识别方法,包括模型搭建过程、模型优化过程以及模型训练过程。本发明基于经典的LeNet‑5卷积神经网络模型,建立多层次残差卷积神经网络模型,用小雨、中雨、大雨的样本创建训练集,输入到多层次残差卷积神经网络中,对网络模型进行训练,用交叉熵损失函数统计损失率,快速得到最小损失,利用批量训练的方式,能达到很好的收敛稳定状态。
Description
技术领域
本发明涉及雷达识别技术领域,具体而言,尤其涉及一种基于卷积神经网络的船用雷达测雨识别方法。
背景技术
我国气象灾害频发,造成了严重的经济损失,降雨是重要的要素之一,精确定量地估测降雨,在预防洪涝灾害、减少短时突发性降雨带来的次生灾害等方面具有重要意义。随着气象技术的发展,雷达在降雨探测的实时性和探测范围上,都能很好地满足降雨观测需求。传统上测雨使用的气象雷达造价高,设备复杂,安装选址要求高。本文从性价比考虑,选择船用雷达,结合图像处理的方式进行测量降雨。
发明内容
根据上述提出的技术问题,而提供一种基于卷积神经网络的船用雷达测雨识别方法。本发明主要利用一种基于卷积神经网络的船用雷达测雨识别方法,其特征在于,包括模型搭建过程、模型优化过程以及模型训练过程;
进一步地,所述模型搭建过程包括以下步骤:
步骤S11:输入大小为100×100×3的雷达雨回波图像P,经过Conv1卷积层的卷积后,获取大小为100×100×32的特征图P1;所述Conv1卷积层的卷积核大小定为5×5,卷积核为32个且滑动的步长定为1;所述Conv1卷积层通过ReLU函数激活;所述ReLU函数为:f(x)=max{x,0},其中,x表示进入神经元的来自上一层神经网络的输入向量。
步骤S12:将所述特征图P1通过Pool1层进行最大池化,获得池化后的特征图P2;所述Pool1层的卷积核大小为2×2,滑动步长设为2;所述池化后的特征图P2大小为50×50×32,获取Pool1池化层的输出特征映射;
步骤S13:输入所述步骤S12获取的Pool1池化层的输出特征映射进入Conv2卷积层;所述Conv2卷积层大小为5×5,滑动步长为1,卷积核为64个;所述Conv2卷积层对所述特征映射进行边缘补零扩充得到大小为50×50×64的特征图P3;
步骤S14:对所述步骤S13获取的特征图P3通过卷积核为2×2的Pool2层进行池化;所述Pool2层滑动步长为2,获取池化后的大小为25×25×64特征图P4;
步骤S15:对所述步骤S14获取的特征图P4由5×5减小为3×3,滑动步长定为1,卷积核为128个,得到大小为25×25×128的特征图P5;
步骤S16:对所述步骤S15获取的特征图P5通过卷积核为2×2的Pool3层进行池化;所述Pool3层滑动步长为2,获取池化后的大小为25×25×64的特征图P6;
步骤S17:输入所述步骤S16获取的特征图P6,对所述特征图P6映射的边缘用零填充,通过Conv4卷积层之后得到特征图的大小为12×12×128特征图P7。
更进一步地,所述模型优化过程包括以下步骤:
步骤S21:输入所述大小为100×100×3的雷达雨回波图像P,经核大小为5×5的卷积核的数目为32个的且滑动的步长为2的Conv_1卷积层卷积,获取特征图像的大小为50×50×32的特征图像P’;
步骤S22:将所述特征图像P’进行特征合并作为优化过程的输入;
步骤S23:将所述conv4层得到的输出特征图P7通过零填充卷积,将所述特征图P7与所述特征图像P1保持50×50,将所述特征图P7与所述特征图像P1的通道数进行合并追加,获取大小为50×50×160的联合后特征图像P2;
步骤S24:将所述联合后特征图像P2输出设置第一个短路径,同时将所述联合后特征图像P2进入所述第一个短路径的特征提取层,得到大小为24×24×160的特征图P3,作为第二个残差块的输入;所述第一个短路径包括:convc1层、ReLU函数激活、pool1层以及convc2层;
步骤S25:将所述联合后特征图像P3输出设置第二个短路径,同时将所述联合后特征图像P3进入所述第二个短路径的特征提取层,得到大小为12×12×160的特征图P4,作为第三个残差块的输入;所述第二个短路径包括:convc3层、ReLU函数激活、pool3层以及convc4层;
步骤S26:将所述联合后特征图像P4输出设置第二个短路径,同时将所述联合后特征图像P4进入所述第二个短路径的特征提取层,得到大小为5×5×160的特征图P5,作为第三个残差块的输入;所述第三个短路径包括:convc5层、ReLU函数激活、pool5层以及convc6层;
步骤S27:将所述ReLU函数激活及pool6层,得到特征图大小为4×4×160的特征图P6,再进入全连接层FC1层、FC2层、FC3层,通过多次卷积池化操作处理得到的图像矩阵被送入到了全连接层;所述全连接层是将输入的结果做出最后的分类;
所述FC1、FC2全连接层分别设计的单元数为1024个、512个。
进一步地,所述模型训练过程包括:
步骤S31:构造包含小雨、中雨、大雨的雷达回波图像数据集,所述雷达回波图像的大小为150×150,并将所述雷达回波图像分类标签,其中,小雨标签为0,中雨标签为1,大雨标签为2;
步骤S32:将权值和偏置的初始值定为近似于0的随机数,并对卷积神经网络进行初始化;
步骤S33:从建好的雷达雨回波训练数据集中,分别选择2000张小雨/中雨/大雨的图像样本,输入到训练网络中;
步骤S34:将所述样本基于批处理训练,每个batch批处理均参与训练并计算交叉熵直至达到设置的最大迭代;
步骤S35:获取训练结果。
较现有技术相比,本发明具有以下优点:
本发明基于经典的LeNet-5卷积神经网络模型,建立多层次残差卷积神经网络模型,用小雨、中雨、大雨的样本创建训练集,输入到多层次残差卷积神经网络中,对网络模型进行训练,用交叉熵损失函数统计损失率,快速得到最小损失,利用批量训练的方式,能达到很好的收敛稳定状态。
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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多层次残差卷积神经网络模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明涉及一种基于卷积神经网络的船用雷达测雨识别方法,包括模型搭建过程、模型优化过程以及模型训练过程;所述模型搭建过程包括以下步骤:
步骤S11:输入大小为100×100×3的雷达雨回波图像P,经过Conv1卷积层的卷积后,获取大小为100×100×32的特征图P1;所述Conv1卷积层的卷积核大小定为5×5,卷积核为32个且滑动的步长定为1;所述Conv1卷积层通过ReLU函数激活;所述ReLU函数为:f(x)=max{x,0},其中,x表示进入神经元的来自上一层神经网络的输入向量。
步骤S12:将所述特征图P1通过Pool1层进行最大池化,获得池化后的特征图P2;所述Pool1层的卷积核大小为2×2,滑动步长设为2;所述池化后的特征图P2大小为50×50×32,获取Pool1池化层的输出特征映射;
步骤S13:输入所述步骤S12获取的Pool1池化层的输出特征映射进入Conv2卷积层;所述Conv2卷积层大小为5×5,滑动步长为1,卷积核为64个;所述Conv2卷积层对所述特征映射进行边缘补零扩充得到大小为50×50×64的特征图P3;
步骤S14:对所述步骤S13获取的特征图P3通过卷积核为2×2的Pool2层进行池化;所述Pool2层滑动步长为2,获取池化后的大小为25×25×64特征图P4;
步骤S15:对所述步骤S14获取的特征图P4由5×5减小为3×3,滑动步长定为1,卷积核为128个,得到大小为25×25×128的特征图P5;
步骤S16:对所述步骤S15获取的特征图P5通过卷积核为2×2的Pool3层进行池化;所述Pool3层滑动步长为2,获取池化后的大小为25×25×64的特征图P6;
步骤S17:输入所述步骤S16获取的特征图P6,对所述特征图P6映射的边缘用零填充,通过Conv4卷积层之后得到特征图的大小为12×12×128特征图P7。
作为一种优选的实施方式,所述模型优化过程包括以下步骤:
步骤S21:输入所述大小为100×100×3的雷达雨回波图像P,经核大小为5×5的卷积核的数目为32个的且滑动的步长为2的Conv_1卷积层卷积,获取特征图像的大小为50×50×32的特征图像P’;
步骤S22:将所述特征图像P’进行特征合并作为优化过程的输入;
步骤S23:将所述conv4层得到的输出特征图P7通过零填充卷积,将所述特征图P7与所述特征图像P1保持50×50,将所述特征图P7与所述特征图像P1的通道数进行合并追加,获取大小为50×50×160的联合后特征图像P2;
步骤S24:将所述联合后特征图像P2输出设置第一个短路径,同时将所述联合后特征图像P2进入所述第一个短路径的特征提取层,得到大小为24×24×160的特征图P3,作为第二个残差块的输入;所述第一个短路径包括:convc1层、ReLU函数激活、pool1层以及convc2层;
步骤S25:将所述联合后特征图像P3输出设置第二个短路径,同时将所述联合后特征图像P3进入所述第二个短路径的特征提取层,得到大小为12×12×160的特征图P4,作为第三个残差块的输入;所述第二个短路径包括:convc3层、ReLU函数激活、pool3层以及convc4层;
步骤S26:将所述联合后特征图像P4输出设置第二个短路径,同时将所述联合后特征图像P4进入所述第二个短路径的特征提取层,得到大小为5×5×160的特征图P5,作为第三个残差块的输入;所述第三个短路径包括:convc5层、ReLU函数激活、pool5层以及convc6层;
步骤S27:将所述ReLU函数激活及pool6层,得到特征图大小为4×4×160的特征图P6,再进入全连接层FC1层、FC2层、FC3层,通过多次卷积池化操作处理得到的图像矩阵被送入到了全连接层;所述全连接层是将输入的结果做出最后的分类;
所述FC1、FC2全连接层分别设计的单元数为1024个、512个。
在本实施方式中,作为优选的实施方式,所述模型训练过程包括:
步骤S31:构造包含小雨、中雨、大雨的雷达回波图像数据集,所述雷达回波图像的大小为150×150,并将所述雷达回波图像分类标签,其中,小雨标签为0,中雨标签为1,大雨标签为2;
步骤S32:将权值和偏置的初始值定为近似于0的随机数,并对卷积神经网络进行初始化;
步骤S33:从建好的雷达雨回波训练数据集中,分别选择2000张小雨/中雨/大雨的图像样本,输入到训练网络中;
步骤S34:将所述样本基于批处理训练,每个batch批处理均参与训练并计算交叉熵直至达到设置的最大迭代;
步骤S35:获取训练结果。
作为优选的实施方式中,交叉熵损失函数(1.交叉熵刻画的是实际输出(概率)与期望输出(概率)的距离,也就是交叉熵的值越小,两个概率分布就越接近。2.交叉熵损失函数趋于稳定时上述模型的各项参数才确定下来,模型才可以用于后期的预测。)
作为优选的实施方式,在本申请中,损失函数是样本通过网络后的实际输出和图像真实标记之间的误差描述形式,用于衡量网络预测误差。在训练过程中通过误差的反向传播,不断调整网络中参数,使网络收敛后损失值最小化。损失函数也叫目标函数或者代价函数。卷积神经网络中常用的损失函数有均方误差损失函数、多项式逻辑回归损失函数、信息熵代价函数、交叉熵损失(cross entropy loss)函数等。本文所用的是卷积神经网络分类问题中的标准函数—交叉熵损失函数。交叉熵损失函数的表达式如下所示:
卷积神经网络的原始输出并不是一个概率值,它实际上是对输入的原始数据进行加权处理、非线性处理后得到的数值,通过交叉熵损失函数的处理后把神经网络节点的输出变为了概率值,得到了卷积神经网络的最后输出。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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***,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。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于卷积神经网络的船用雷达测雨识别方法,其特征在于,包括模型搭建过程、模型优化过程以及模型训练过程;
所述模型搭建过程包括以下步骤:
S11:输入大小为100×100×3的雷达雨回波图像P,经过Conv1卷积层的卷积后,获取大小为100×100×32的特征图P1;所述Conv1卷积层的卷积核大小定为5×5,卷积核为32个且滑动的步长定为1;所述Conv1卷积层通过ReLU函数激活;所述ReLU函数为:f(x)=max{x,0},其中,x表示进入神经元的来自上一层神经网络的输入向量;
S12:将所述特征图P1通过Pool1层进行最大池化,获得池化后的特征图P2;所述Pool1层的卷积核大小为2×2,滑动步长设为2;所述池化后的特征图P2大小为50×50×32,获取Pool1池化层的输出特征映射;
S13:输入所述步骤S12获取的Pool1池化层的输出特征映射进入Conv2卷积层;所述Conv2卷积层大小为5×5,滑动步长为1,卷积核为64个;所述Conv2卷积层对所述特征映射进行边缘补零扩充得到大小为50×50×64的特征图P3;
S14:对所述步骤S13获取的特征图P3通过卷积核为2×2的Pool2层进行池化;所述Pool2层滑动步长为2,获取池化后的大小为25×25×64特征图P4;
S15:对所述步骤S14获取的特征图P4由5×5减小为3×3,滑动步长定为1,卷积核为128个,得到大小为25×25×128的特征图P5;
S16:对所述步骤S15获取的特征图P5通过卷积核为2×2的Pool3层进行池化;所述Pool3层滑动步长为2,获取池化后的大小为25×25×64的特征图P6;
S17:输入所述步骤S16获取的特征图P6,对所述特征图P6映射的边缘用零填充,通过Conv4卷积层之后得到特征图的大小为12×12×128特征图P7。
2.根据权利要求1所述的一种基于卷积神经网络的船用雷达测雨识别方法,其特征还在于:所述模型优化过程包括以下步骤:
S21:输入所述大小为100×100×3的雷达雨回波图像P,经核大小为5×5的卷积核的数目为32个的且滑动的步长为2的Conv_1卷积层卷积,获取特征图像的大小为50×50×32的特征图像P’;
S22:将所述特征图像P’进行特征合并作为优化过程的输入;
S23:将所述conv4层得到的输出特征图P7通过零填充卷积,将所述特征图P7与所述特征图像P1保持50×50,将所述特征图P7与所述特征图像P1的通道数进行合并追加,获取大小为50×50×160的联合后特征图像P2;
S24:将所述联合后特征图像P2输出设置第一个短路径,同时将所述联合后特征图像P2进入所述第一个短路径的特征提取层,得到大小为24×24×160的特征图P3,作为第二个残差块的输入;所述第一个短路径包括:convc1层、ReLU函数激活、pool1层以及convc2层;
S25:将所述联合后特征图像P3输出设置第二个短路径,同时将所述联合后特征图像P3进入所述第二个短路径的特征提取层,得到大小为12×12×160的特征图P4,作为第三个残差块的输入;所述第二个短路径包括:convc3层、ReLU函数激活、pool3层以及convc4层;
S26:将所述联合后特征图像P4输出设置第二个短路径,同时将所述联合后特征图像P4进入所述第二个短路径的特征提取层,得到大小为5×5×160的特征图P5,作为第三个残差块的输入;所述第三个短路径包括:convc5层、ReLU函数激活、pool5层以及convc6层;
S27:将所述ReLU函数激活及pool6层,得到特征图大小为4×4×160的特征图P6,再进入全连接层FC1层、FC2层、FC3层,通过多次卷积池化操作处理得到的图像矩阵被送入到了全连接层;所述全连接层是将输入的结果做出最后的分类;
所述FC1、FC2全连接层分别设计的单元数为1024个、512个。
3.根据权利要求1所述的一种基于卷积神经网络的船用雷达测雨识别方法,其特征还在于:所述模型训练过程包括:
S31:构造包含小雨、中雨、大雨的雷达回波图像数据集,所述雷达回波图像的大小为150×150,并将所述雷达回波图像分类标签,其中,小雨标签为0,中雨标签为1,大雨标签为2;
S32:将权值和偏置的初始值定为近似于0的随机数,并对卷积神经网络进行初始化;
S33:从建好的雷达雨回波训练数据集中,分别选择2000张小雨/中雨/大雨的图像样本,输入到训练网络中;
S34:将所述样本基于批处理训练,每个batch批处理均参与训练并计算交叉熵直至达到设置的最大迭代;
S35:获取训练结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848355.9A CN110568441B (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848355.9A CN110568441B (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110568441A true CN110568441A (zh) | 2019-12-13 |
CN110568441B CN110568441B (zh) | 2023-04-07 |
Family
ID=68778534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848355.9A Active CN110568441B (zh) | 2019-09-09 | 2019-09-09 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110568441B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105097A (zh) * | 2019-12-25 | 2020-05-05 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测***和方法 |
CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN111624606A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种雷达图像降雨识别方法 |
CN113189594A (zh) * | 2020-12-28 | 2021-07-30 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
CN113625283A (zh) * | 2021-07-28 | 2021-11-09 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
DE102018102537A1 (de) * | 2017-02-08 | 2018-08-09 | Ford Global Technologies, Llc | Tornadoerfassungssysteme und -verfahren |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
-
2019
- 2019-09-09 CN CN201910848355.9A patent/CN110568441B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
DE102018102537A1 (de) * | 2017-02-08 | 2018-08-09 | Ford Global Technologies, Llc | Tornadoerfassungssysteme und -verfahren |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
Non-Patent Citations (2)
Title |
---|
SAJJAD S. AHRANJANY, FARBOD RAZZAZI ET AL.: "Very High Accuracy Handwritten Character Recognition System for Farsi/Arabic Digits Using Convolutional Neural Networks", 《2010 IEEE FIFTH INTERNATIONAL CONFERENCE ON BIO-INSPIRED COMPUTING: THEORIES AND APPLICATIONS (BIC-TA)》 * |
胡晨曦: "基于深度学习的航海雷达目标识别技术", 《信息化研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105097A (zh) * | 2019-12-25 | 2020-05-05 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测***和方法 |
CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN111624606A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种雷达图像降雨识别方法 |
CN111624606B (zh) * | 2020-05-27 | 2022-06-21 | 哈尔滨工程大学 | 一种雷达图像降雨识别方法 |
CN113189594A (zh) * | 2020-12-28 | 2021-07-30 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
CN113189594B (zh) * | 2020-12-28 | 2022-11-25 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
CN113625283A (zh) * | 2021-07-28 | 2021-11-09 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
CN113625283B (zh) * | 2021-07-28 | 2024-04-02 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110568441B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568441B (zh) | 一种基于卷积神经网络的船用雷达测雨识别方法 | |
CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
Sudheer et al. | Radial basis function neural network for modeling rating curves | |
CN110782318A (zh) | 基于音频交互的营销方法、装置以及存储介质 | |
CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
CN108509407A (zh) | 文本语义相似度计算方法、装置及用户终端 | |
CN109858972B (zh) | 广告点击率的预测方法和装置 | |
CN111274887B (zh) | 基于机器学习的农作物识别方法、装置、存储介质及终端 | |
CN112348081A (zh) | 用于图像分类的迁移学习方法、相关装置及存储介质 | |
CN112085615A (zh) | 图神经网络的训练方法及装置 | |
US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
Sun et al. | Large kernel spectral and spatial attention networks for hyperspectral image classification | |
KR20210093875A (ko) | 비디오 분석 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN111832637A (zh) | 基于交替方向乘子法admm的分布式深度学习分类方法 | |
US11868442B2 (en) | Board damage classification system | |
CN113743594A (zh) | 网络流量预测模型建立方法、装置、电子设备及存储介质 | |
CN111565065B (zh) | 一种无人机基站部署方法、装置及电子设备 | |
CN110674845B (zh) | 一种结合多感受野注意与特征再校准的菜品识别方法 | |
Lee et al. | A surface-based approach to 3-D object recognition using a mean field annealing neural network | |
Zhang et al. | Tree-shaped multiobjective evolutionary CNN for hyperspectral image classification | |
CN112859034B (zh) | 自然环境雷达回波幅度模型分类方法和装置 |
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 |