CN114296046B - 基于人工神经网络的hfswr多海况有效波高提取方法与装置 - Google Patents
基于人工神经网络的hfswr多海况有效波高提取方法与装置 Download PDFInfo
- Publication number
- CN114296046B CN114296046B CN202111639973.6A CN202111639973A CN114296046B CN 114296046 B CN114296046 B CN 114296046B CN 202111639973 A CN202111639973 A CN 202111639973A CN 114296046 B CN114296046 B CN 114296046B
- Authority
- CN
- China
- Prior art keywords
- wave height
- effective wave
- hfswr
- spectrum
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达、海态遥感与人工智能技术领域,公开了基于人工神经网络的HFSWR多海况有效波高提取方法与装置。通过获取并分析雷达海浪回波信号的一阶谱、二阶谱及雷达海浪回波信号与有效波高的关系特性,确定不同海况下的有效波高提取方案以及神经网络分类器的分类特征;通过引入双无迹卡尔曼滤波器,对长短时记忆神经网络中的可调参数进行递归估计,对有效波高的时间序列进行去噪,最终依据HFSWR的海浪回波信号识别不同的海况信息并进行有效波高提取。本发明充分融合了基于海浪回波一阶谱和二阶谱的有效波高提取方法,进而实现了多海况下HFSWR的有效波高提取,在该研究领域中取得了新突破。
Description
技术领域
本发明属于雷达、海态遥感与人工智能技术领域,尤其涉及一种基于人工神经网络的HFSWR多海况有效波高提取方法与装置。
背景技术
目前,海洋占有地球四分之三的面积,是人类文明的摇篮和起源。根据1994年制定的《***海洋法公约》,海洋主权国家的海洋专属经济区为200海里,各国可在专属经济区内从事海上交通,海洋渔业和海洋油气资源开发等作业,这些都需要利用实时海洋环境信息进行合理的安排。我国有万里海疆,随着海洋经济和海洋通信事业的发展以及全球气候变化,迫切需要建立全天时、全天候、实时观测海洋的平台,以保障海上安全和海上通信畅通。
高频地波超视距雷达(High Frequency Surface Wave Radar,HFSWR)是一种新体制对海探测雷达,主要用于海上超视距目标探测和海态遥感。HFSWR是近几十年发展起来的海洋环境监测设备,它利用高频电磁波沿海洋表面传播衰减小,可以绕射的特点,采用垂直极化方式辐射突破视距限制,因此可以对专属经济区甚至远海海洋坏境实现大面积、全天候和实时的监测。使用HFSWR可以从其回波数据中提取有用的海洋环境信息,主要包括表面流速、有效波高和风速。
海洋超视距目标探测HFSWR作为大功率大型电子设备,发射和接收阵面十分庞大,通常发射天线阵长几百米,接收天线阵长上千米,收发天线阵地面积达数万平方米。
HFSWR海态遥感研究已有几十年的历史,可解决传统的设备(如浮标、海流计、海上平台等)不能覆盖大范围、远距离海洋的问题,也能解决航空遥感、卫星遥感周期长的问题。
传统的有效波高提取技术大多基于海浪回波二阶谱,二阶谱信噪比较低,容易被噪声污染,在低海况时这一问题尤为严重,因此基于海浪回波二阶谱的有效波高提取技术仅适用于高海况下有效波高提取;近年来发展的基于海浪回波一阶谱的有效波高提取技术则可以解决低海况下的有效波高提取问题。然而,目前国内外尚未公开HFSWR多海况有效波高提取方法,也没有能够获取多海况下有效波高信息的装置,从而在很大程度上导致多海况下的有效波高提取精度不高。
通过上述分析,现有技术存在的问题及缺陷为:
(1)目前国内外尚未公开HFSWR多海况下的有效波高提取方法,也缺乏获取多海况下有效波高信息的装置。从而在很大程度上导致多海况下的有效波高提取精度不高。
(2)传统的有效波高提取技术大多基于海浪回波二阶谱,算法原理和实现较为复杂,当HFSWR探测海域海况较低时,海浪回波二阶谱较弱,易受外部噪声和干扰的影响。
(3)当HFSWR探测海域海况过高时,海浪回波一阶谱受限于饱和波高,会出现饱和现象。此外,基于海浪回波一阶谱的提取方法为近几年提出,因此仍处于不断完善中。
解决以上问题及缺陷的难度为:
目前利用HFSWR海洋回波进行有效波高提取较为困难,并且HFSWR多海况有效波高提取技术和装置目前仍处于国内外空白。
(1)传统有效波高方法大多基于海浪回波二阶谱进行提取,但该类方法在海域海况较低时并不可靠,需研究一种在多海况(中低、高海况)时可用的有效波高提取方法。
(2)基于海浪回波一阶谱的提取方法适用于中低海况的有效波高提取,但由于该类方法发展时间受限,其应用性有待改善。
(3)有效波高提取精度会受模型精度、提取过程以及检测环境中噪声等影响,因此需提供一种适用于本专利实施例有效波高提取序列的降噪技术,以进一步提高本专利有效波高提取精度。
解决以上问题及缺陷的意义为:
(1)本专利可提供一种多海况下有效波高提取方法的融合技术,可改善多海况下有效波高提取精度,开发了一种高精度的多海况下有效波高提取方案;
(2)本专利解决了多海况下HFSWR有效波高高精度提取的难题,实现了HFSWR海面有效波高信息的全天候、无差别检测;
(3)本专利公开的一种基于人工神经网络的HFSWR多海况有效波高提取方法与装置,对实现HFSWR一体化探测***具有重要意义。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于人工神经网络的HFSWR多海况有效波高提取方法与装置。
本发明的目的在于依据HFSWR回波信息特征,提供多海况下有效波高提取方法,并进一步改善多海况下HFSWR有效波高提取的质量。
所述技术方案如下:一种基于人工神经网络的HFSWR多海况有效波高提取方法,通过获取并分析雷达海浪回波信号的一阶谱、二阶谱及HFSWR海浪回波信号与有效波高的关系特性,确定不同海况下的有效波高提取方法以及神经网络分类器的分类特征;
通过引入双无迹卡尔曼滤波器(Unscented Kalman Filter,UKF),对长短时记忆神经网络中的可调参数进行递归估计,对有效波高的时间序列进行去噪,最终依据雷达的海浪回波信号识别不同的海况信息并进行有效波高提取。
在一实施例中,所述基于人工神经网络的HFSWR多海况有效波高提取方法具体包括以下步骤:
步骤一,利用HFSWR***获取HFSWR回波信号;
步骤二,在雷达回波中抑制电台干扰;
步骤三,获取海浪回波一阶谱和二阶谱;
步骤四,多海况信息的确定;
步骤五,多海况下的有效波高提取;
步骤六,对提取的有效波高进行去噪。
在一实施例中,所述步骤一利用HFSWR***获取HFSWR回波信号具体包括:HFSWR接收机将均匀直线接收天线阵接收到的雷达回波信号进行混频和滤波,并经A/D变换后进行正交变换,得到回波信号的复信号;然后对复信号进行脉压处理,再将距离数据按时间积累进行多普勒处理得到速度信息,最后进行数字波束的形成,获得HFSWR距离-多普勒频谱图;
所述步骤二在雷达回波中抑制电台干扰包括:电台干扰在距离-多普勒频谱图上具有确定的方向和距离门特征,根据电台干扰在距离-多普勒频谱图上确定的方向和距离门特征剔除回波信号中的电台干扰。
在一实施例中,所述步骤三获取海浪回波一阶谱和二阶谱具体包括:利用布拉格频率确定HFSWR海浪回波一阶布拉格峰和二阶布拉格峰在频谱中的位置,进行一阶谱、二阶谱的获取;
当海浪满足布拉格散射条件时,得到由雷达载波频率f0表示的多普勒频率为:
ωB=2πfB
其中,λ为雷达发射电磁波的波长,g为重力加速度,fB为布拉格频率,单位为Hz,ωB为布拉格峰的角频率;“+”代表海浪的传播方向为朝向雷达,“-”代表海浪的传播方向为背离雷达;
一阶布拉格峰在频谱中的理论位置为:
二阶布拉格峰在频谱中的理论位置为:
根据阶布拉格峰在频谱中的理论位置、二阶布拉格峰在频谱中的理论位置分别确定海浪回波一阶谱、二阶谱的频谱范围,分离出海浪回波一阶谱和二阶谱;最终获取的海浪回波一阶谱和二阶谱。
在一实施例中,所述步骤四多海况信息的确定具体包括:利用海浪回波数据进行神经网络分类器分类特征的提取,提取的分类特征为布拉格频率处的无向波高谱值QB和海浪回波中二阶谱与一阶谱能量比值R;其中,海浪回波频谱中二阶谱与一阶谱能量比值即HFSWR距离-多普勒频谱图中二阶谱与一阶谱总能量比值,记为R=P2/P1。
利用海浪回波一阶谱获取布拉格角频率处的无向波高谱值,为:
B+和B-分别是海浪回波一阶谱左右一阶峰的强度,s的典型值为2;ξ为给定的探测距离,为常数,Λc为归一化因子;
将上述无向波高谱值QB和海浪回波中二阶谱与一阶谱能量比值两个分类特征的数据经滑动平均滤波器预处理后,作为径向基神经网络分类器的输入;径向基神经网络分类器的输出为海况类别的类标签,训练数据的类标签由浮标测量有效波高数据和公式确定;其中k0为雷达波数,h是均方根波高。使用由雷达数据获得的分类特征和由浮标数据获得的类标签作为训练数据对径向基神经网络分类器进行训练,训练算法采用正交最小二乘法,使用训练好的径向基神经网络分类器确定海况。
在一实施例中,所述步骤五多海况下的有效波高提取具体包括:依据海况信息选取基于海浪回波二阶谱的有效波高提取算法或者基于海浪回波一阶谱的有效波高提取算法进行有效波高提取;然后使用递归神经网络对提取的有效波高时间序列进行建模,结合无迹卡尔曼滤波器对该有效波高时间序列进行去噪;
所述基于海浪回波二阶谱的有效波高提取算法为:
其中Hs为有效波高,σ(1)和σ(2)分别是一阶和二阶散射截面积,k0是雷达波数,ωd和ωB分别是多普勒频移和布拉格频率。W(ωd/ωB)是一个权重函数,当0.5≤|ωd/ωB|≤1.5时可以视为常数,N是基底噪声的谱密度,ξ是拟合参数;
所述基于海浪回波一阶谱的有效波高提取算法为:
其中α和β是拟合参数,通过最小均方算法确定,基于海浪回波二阶谱的有效波高提取算法适用于高海况,即k0h>0.2时;而基于海浪回波一阶谱的有效波高提取算法适用于中低海况,即k0h≤0.2时;然后使用长短时记忆神经网络对提取的有效波高时间序列进行建模,并结合双UKF对该有效波高时间序列进行去噪,提取出有效波高。
在一实施例中,所述步骤六对提取的有效波高进行去噪具体包括:采用长短时记忆神经网络对有效波高时间序列进行建模,并采用双无迹卡尔曼滤波器对长短时记忆神经网络的权重进行估计,最终获得去噪后的有效波高;
所述双无迹卡尔曼滤波器中的第一个无迹卡尔曼滤波器的状态方程和观测方程为:
其中,yk表示k时刻步骤五提取的有效波高,即含噪声的有效波高,xk表示k时刻无噪声的有效波高;f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,为非线性函数,利用前m个时刻的无噪声的有效波高预测下一个时刻无噪声的有效波高;wk是k时刻长短时记忆神经网络的权重,vk是k时刻的状态噪声,nk是k时刻的观测噪声;
所述长短时记忆神经网络的权重由第二个无迹卡尔曼滤波器得到,第二个无迹卡尔曼滤波器用于长短时记忆神经网络的权重估计其状态方程和观测方程为:
wk=wk-1+uk
yk=f(xk-1,…,xk-m,wk)+ek
其中,wk,wk-1分别为k时刻和k-1时刻的长短时记忆神经网络的权重,f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,uk为k时刻的状态噪声,ek为k时刻的观测噪声。
本发明的另一目的在于提供一种基于人工神经网络的HFSWR多海况有效波高提取装置包括HFSWR***和多海况有效波高提取***;
所述多海况有效波高提取***包括HFSWR***回波信号采样与模数转换模块、距离-多普勒频谱信号处理模块、多海况有效波高提取模块、波高信息的统计观测显示模块、数据记录模块和脱机处理模块;
HFSWR***回波信号采样与模数转换模块用于接收HFSWR***处理后的激励信号进行模数转换;
距离-多普勒频谱信号处理模块用于对模数转换后的激励信号进行距离-多普勒频谱信号处理;
多海况有效波高提取模块用于对距离-多普勒频谱信号处理后的激励信号进行多海况有效波高提取;
波高信息的统计观测显示模块用于对多海况有效波高提取后的激励信号进行波高信息的统计显示;
数据记录模块用于对HFSWR***回波信号采样与模数转换模块转换信息进行记录存储;
脱机处理模块用于对数据记录模块记录数据中出现故障时进行调试维修;
所述HFSWR***包括:垂直极化振子构成的对数周期发射天线、单边带短波发射机、均匀直线接收天线阵、接收机、激励机、数字采集与信号处理机、数据处理机以及姿态显示器;
激励机将激励信号发送至单边带短波发射机,同时也直接发送至接收机的多通道接收前端;
单边带短波发射机将接收的激励信号发送对数周期发射天线;均匀直线接收天线阵将对数周期发射天线接收的激励信号发送至接收机的多通道接收前端;数字采集与信号处理机、数据处理机对接收机的多通道接收前端发送来的激励信号进行处理并进行显示;同时数字采集与信号处理机、数据处理机处理后的激励信号发送至多海况有效波高提取***的HFSWR***回波信号采样与模数转换模块。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述基于人工神经网络的HFSWR多海况有效波高提取方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于人工神经网络的HFSWR多海况有效波高提取方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明中基于人工神经网络的HFSWR多海况有效波高提取方法与装置是一种全新的设计。通过获取并分析HFSWR海浪回波信号的一阶谱、二阶谱及其与有效波高的关系特性,确定了不同海况下的有效波高提取方法以及神经网络分类器的分类特征;通过引入双UKF,对长短时记忆神经网络中的可调参数进行递归估计,对有效波高的时间序列进行去噪,最终可依据HFSWR的海浪回波信号识别不同的海况信息并进行高质量的有效波高提取。
相比于现有技术,本发明的优点进一步包括:
(1)在本发明中,进一步阐明了海洋回波一阶谱与有效波高的关系,并指出了一种适用于中低海况的基于海浪回波一阶谱的有效波高提取方法。提出了一个新的非线性有效波高提取模型拟合参数α,β可补偿未知建模误差带来的影响,为后续基于海浪回波一阶谱有效波高提取的研究提供了依据。
利用人工神经网络技术,充分融合了基于海浪回波一阶谱和二阶谱的有效波高提取方法,进而实现了多海况下HFSWR的有效波高提取,整体分类精度可达93%,在该研究领域中取得了新突破。
(3)在本发明中,通过将长短时记忆神经网络与UKF结合,提出了双UKF方案,对有效波高提取序列进行去噪,解决了由于径向基神经网络建模与分类精度低而影响有效波高提取的问题。
如图8 HFSWR有效波高提取图所示,基于人工神经网络的HFSWR有效波高提取方法的均方根误差(Root Mean Square Error,RMSE)可达0.1305m,基于二阶谱的传统Barrick算法的RMSE为0.6401m,故本发明实例在很大程度上提升了多海况下有效波高的提取精度,最终可实现HFSWR在多海况下高质量的有效波高提取。
(4)同时,本发明还提供了基于人工神经网络的HFSWR多海况下的有效波高提取装置。
当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的基于人工神经网络的HFSWR多海况有效波高提取装置的原理图。
图2是本发明实施例提供的基于人工神经网络的HFSWR多海况有效波高提取装置的流程框图。
图中:1、HFSWR***回波信号采样与模数转换模块;2、距离-多普勒频谱信号处理模块;3、多海况有效波高提取模块;4、波高信息的统计观测显示模块;5、数据记录模块;6、脱机处理模块;7、对数周期发射天线;8、单边带短波发射机;9、均匀直线接收天线阵;10、接收机;11、激励机;12、数字采集与信号处理机;13、数据处理机;14、姿态显示器。
图3是本发明实施例提供的基于人工神经网络的HFSWR多海况有效波高提取方法原理图。
图4是本发明实施例提供的基于人工神经网络的HFSWR多海况有效波高提取方法流程图。
图5是本发明实施例提供的HFSWR距离-多普勒频谱图。
图6是本发明实施例提供的海浪回波一阶谱和二阶谱图。
图7是本发明实施例提供的双UKF原理框图。
图中:为k时刻UKF1得到的有效波高估计,/>为k时刻UKF1得到的有效波高预测,/>为k时刻UKF2得到的长短时记忆神经网络的权重估计,/>为k时刻第二个双无迹卡尔曼滤波器得到的长短时记忆神经网络的权重预测,第一个双无迹卡尔曼滤波器的输出值为最终提取的有效波高。
图8是本发明实施例提供的HFSWR有效波高提取图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
如图1所示,本发明提供的基于人工神经网络的HFSWR多海况有效波高提取装置包括:HFSWR***和多海况有效波高提取***两部分。
在HFSWR***的基础上,进行多海况下有效波高提取功能的扩展。多海况有效波高提取***主要包括HFSWR***回波信号采样与模数转换(A/D)模块1、距离-多普勒(RD)频谱信号处理模块2、多海况有效波高提取模块3、波高信息的统计观测显示模块4,以及数据(原始数据)记录模块5和相应的脱机处理模块6。
HFSWR***回波信号采样与模数转换(A/D)模块1用于接收HFSWR***处理后的激励信号进行模数转换;
距离-多普勒(RD)频谱信号处理模块2,用于对模数转换后的激励信号进行距离-多普勒(RD)频谱信号处理;
多海况有效波高提取模块3,用于对距离-多普勒(RD)频谱信号处理后的激励信号进行多海况有效波高提取;
波高信息的统计观测显示模块4,用于对多海况有效波高提取后的激励信号进行波高信息的统计显示;
数据记录模块5,用于对HFSWR***回波信号采样与模数转换(A/D)模块1进行模数转换的信息进行记录存储;
脱机处理模块6,用于对数据记录模块5记录数据中出现故障时进行调试维修。
其中,数据(原始数据)记录模块5和相应的脱机处理模块6主要是为便于方法分析时的测试调试,以及***出现问题时的调试维修。
所述HFSWR***包括:垂直极化振子构成的对数周期发射天线7、单边带短波发射机8、一个均匀直线接收天线阵9、接收机10、激励机11、数字采集与信号处理机12、数据处理机13以及姿态显示器14;
激励机11将激励信号发送至单边带短波发射机8,同时也直接发送至接收机10的多通道接收前端;
单边带短波发射机8将接收的激励信号发送对数周期发射天线7;均匀直线接收天线阵9将对数周期发射天线7接收的激励信号发送至接收机10的多通道接收前端;数字采集与信号处理机12、数据处理机13对接收机10的多通道接收前端发送来的激励信号进行处理并进行显示;同时数字采集与信号处理机12、数据处理机13处理后的激励信号发送至多海况有效波高提取***的HFSWR***回波信号采样与模数转换(A/D)模块1。该HFSWR***配合基于人工神经网络的HFSWR多海况有效波高提取方法,可完整实现多海况下有效波高提取工作。
如图3为本发明提供的基于人工神经网络的HFSWR多海况有效波高提取方法原理图。
如图4所示,本发明提供的基于人工神经网络的HFSWR多海况有效波高提取方法具体包括:
S101,利用HFSWR***获取HFSWR回波信号:HFSWR接收机将均匀直线接收天线阵接收到的雷达回波信号进行混频和滤波,并经A/D变换后进行正交变换,得到回波信号的复信号。然后对复信号进行脉压处理,再将距离数据按时间积累进行多普勒处理得到速度信息,最后进行数字波束的形成,获得HFSWR距离-多普勒频谱图。
S102,在HFSWR回波中抑制电台干扰:电台干扰在距离-多普勒频谱图上具有确定的方向和距离门特征,根据该特征剔除回波信号中的电台干扰,此时的HFSWR距离-多普勒频谱图,如图5所示。
S103,获取海浪回波一阶谱和二阶谱:根据高频电磁波与海浪相互作用的一阶和二阶散射机理,利用布拉格频率确定HFSWR海浪回波一阶布拉格峰和二阶布拉格峰在频谱中的位置,进行一阶谱、二阶谱的获取。
当海浪满足布拉格散射条件时,得到由雷达载波频率f0表示的多普勒频率为:
ωB=2πfB (2)
其中,λ为雷达发射电磁波的波长,g为重力加速度,fB为布拉格频率,单位为Hz,ωB为布拉格峰的角频率;“+”代表海浪的传播方向为朝向雷达,“-”代表海浪的传播方向为背离雷达。
由海浪一阶、二阶散射原理可知,HFSWR海面回波频谱的多普勒频率轴的正负布拉格频率处将出现两个尖峰,其特点是频带窄,能量强,该尖峰位置即为一阶布拉格峰在频谱中的位置。因此,根据公式(1)、(2)可知,一阶布拉格峰在频谱中的理论位置为:
对于海浪回波频谱中的二阶谱而言,其频谱的尖峰会分别出现在0,2(3/4)fB1,2fB1,/>等处,但是频谱线位于/>处的二阶海浪谱成分更易被清晰识别并标记。因此,本发明中设定,二阶布拉格峰在频谱中的理论位置为:
参照公式(3)、(4)计算的理论位置分别确定海浪回波一阶谱、二阶谱的频谱范围,从而分离出海浪回波一阶谱和二阶谱。最终获取的海浪回波一阶谱和二阶谱,如图6所示。
S104,多海况信息的确定:由于高海况或低海况的判别属于二分类问题,因此使用在分类领域广泛应用的神经网络分类器来处理这一问题,具体采用的分类器为径向基神经网络。利用海浪回波数据进行分类器中分类特征的提取,提取的分类特征为布拉格频率处的无向波高谱值QB和海浪回波中二阶谱与一阶谱能量比值R。
其中,利用海浪回波一阶谱获取布拉格角频率处的无向波高谱值,为:
B+和B-分别是海浪回波一阶谱左右一阶峰的强度,s的典型值为2;ξ为给定的探测距离,可近似为常数,Λc为归一化因子。
将上述两个分类特征的数据经滑动平均滤波器预处理后,作为径向基神经网络分类器的输入;径向基神经网络分类器的输出为海况类别的类标签,训练数据的类标签由浮标测量有效波高数据和公式(6)确定。
其中k0为雷达波数,h是均方根波高。使用由雷达数据获得的分类特征和由浮标数据获得的类标签作为训练数据对径向基神经网络分类器进行训练,训练算法采用正交最小二乘法,从而可以使用训练好的径向基神经网络分类器确定海况。
S105,多海况下的有效波高提取:依据海况信息选取基于海浪回波二阶谱的有效波高提取算法或者基于海浪回波一阶谱的有效波高提取算法进行有效波高提取。其中,基于海浪回波二阶谱的有效波高提取算法适用于高海况,而基于海浪回波一阶谱的有效波高提取算法适用于低海况。然后,使用递归神经网络对提取的有效波高时间序列进行建模,结合无迹卡尔曼滤波器对该有效波高时间序列进行去噪,从而提取出高质量的有效波高信息。
(1)基于海浪回波二阶谱的有效波高提取算法为:
其中Hs为有效波高,σ(1)和σ(2)分别是一阶和二阶散射截面积,k0是雷达波数,ωd和ωB分别是多普勒频移和布拉格频率。W(ωd/ωB)是一个权重函数,当0.5≤|ωd/ωB|≤1.5时可以视为常数,N是基底噪声的谱密度,ξ是拟合参数。
(2)基于海浪回波一阶谱的有效波高提取算法为:
其中α和β是拟合参数,通过最小均方算法确定,基于海浪回波二阶谱的有效波高提取算法适用于高海况,即k0h>0.2时,而基于海浪回波一阶谱的有效波高提取算法适用于中低海况,即k0h≤0.2时。然后使用长短时记忆神经网络对提取的有效波高时间序列进行建模,并结合双UKF对该有效波高时间序列进行去噪,从而提取出有效波高。
S106,对提取的有效波高进行去噪:雷达观测数据中存在着各种噪声,因此需要对步骤五中提取的有效波高时间序列进行去噪。由于有效波高时间序列总是表现出复杂的非线性动力学特性,因此本发明采用双估计方法对有效波高时间序列进行去噪。双估计方法需要使用神经网络对动力学***进行建模,而递归神经网络可以逼近任意非线性动力学***,长短时记忆神经网络作为一种新型的递归神经网络既可以处理短期相关时间序列也可以处理长期相关时间序列,因此,本发明采用长短时记忆神经网络对有效波高时间序列进行建模,此外,双估计方法还需使用滤波器,考虑到算法的计算量和稳定性,本发明选用双UKF。图7表示出了本发明提供的双UKF原理框图。
其中yk表示k时刻步骤S105提取的有效波高,即含噪声的有效波高,xk表示k时刻无噪声的有效波高。本发明中f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,为非线性函数,可利用前m个时刻的无噪声的有效波高预测下一个时刻无噪声的有效波高;wk是k时刻长短时记忆神经网络的权重,vk是k时刻的状态噪声,nk是k时刻的观测噪声。通过使用UKF1进行***的状态估计,可以得到有效波高的估计值,也就是去噪后的有效波高。长短时记忆神经网络的权重则需要由第二个UKF即UKF2得到,UKF2用于长短时记忆神经网络的权重估计其状态方程和观测方程为:
wk=wk-1+uk (12)
yk=f(xk-1,…,xk-m,wk)+ek (13)
其中,wk,wk-1分别为k时刻和k-1时刻的长短时记忆神经网络的权重,f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,uk为k时刻的状态噪声,ek为k时刻的观测噪声。
综上所述,本发明完成了HFSWR多海况有效波高提取,并且在很大程度上保证并提高了HFSWR有效波高提取的精度。
下面结合实验数据对本发明地积极效果作进一步描述。
图8展出了根据本发明实施例获取的多海况下HFSWR有效波高信息与浮标测量有效波高信息的对比图。如图8所示,基于人工神经网络的HFSWR有效波高提取方法的均方根误差(Root Mean Square Error,RMSE)可达0.1305m,与统Barrick算法相比,本发明实例在很大程度上提升了多海况下有效波高的提取精度,实现了HFSWR在多海况下高质量的有效波高提取。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (8)
1.一种基于人工神经网络的HFSWR多海况有效波高提取方法,其特征在于,该方法包括以下步骤:
步骤一,利用HFSWR***获取HFSWR回波信号;通过获取并分析雷达海浪回波信号的一阶谱、二阶谱及HFSWR海浪回波信号与有效波高的关系特性,确定不同海况下的有效波高提取方案以及神经网络分类器的分类特征;
步骤二,在雷达回波中抑制电台干扰;
步骤三,获取海浪回波一阶谱和二阶谱;
步骤四,多海况信息的确定;
步骤五,多海况下的有效波高提取;
步骤六,对提取的有效波高进行去噪;通过引入双无迹卡尔曼滤波器,对长短时记忆神经网络中的可调参数进行递归估计,对有效波高的时间序列进行去噪;最终依据HFSWR的海浪回波信号识别不同的海况信息并进行有效波高提取;
所述对提取的有效波高进行去噪具体包括:采用长短时记忆神经网络对有效波高时间序列进行建模,并采用双UKF对长短时记忆神经网络的权重进行估计,最终获得去噪后的有效波高;
所述双UKF的第一个UKF用于***估计,其状态方程和观测方程为:
其中,yk表示k时刻步骤五提取的有效波高,即含噪声的有效波高,xk表示k时刻无噪声的有效波高;f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,为非线性函数,利用前m个时刻的无噪声的有效波高预测下一个时刻无噪声的有效波高;wk是k时刻长短时记忆神经网络的权重,vk是k时刻的状态噪声,nk是k时刻的观测噪声;
所述长短时记忆神经网络的权重由第二个UKF得到,第二个UKF用于长短时记忆神经网络的权重估计,其状态方程和观测方程为:
wk=wk-1+uk
yk=f(xk-1,…,xk-m,wk)+ek
其中,wk、wk-1分别为k时刻和k-1时刻的长短时记忆神经网络的权重,f(xk-1,…,xk-m,wk)指的是长短时记忆神经网络,uk为k时刻的状态噪声,ek为k时刻的观测噪声。
2.根据权利要求1所述的基于人工神经网络的HFSWR多海况有效波高提取方法,其特征在于,所述步骤一利用HFSWR***获取HFSWR回波信号具体包括:HFSWR接收机将均匀直线接收天线阵接收到的雷达回波信号进行混频和滤波,并经A/D变换后进行正交变换,得到回波信号的复信号;然后对复信号进行脉压处理,再将距离数据按时间积累进行多普勒处理得到速度信息,最后进行数字波束的形成,获得HFSWR距离-多普勒频谱图;
所述步骤二在雷达回波中抑制电台干扰包括:电台干扰在距离-多普勒频谱图上具有确定的方向和距离门特征,根据电台干扰在距离-多普勒频谱图上确定的方向和距离门特征剔除回波信号中的电台干扰。
3.根据权利要求1所述的基于人工神经网络的HFSWR多海况有效波高提取方法,其特征在于,所述步骤三获取海浪回波一阶谱和二阶谱具体包括:利用布拉格频率确定HFSWR海浪回波一阶布拉格峰和二阶布拉格峰在频谱中的位置,进行一阶谱、二阶谱的获取;
当海浪满足布拉格散射条件时,得到由雷达载波频率f0表示的多普勒频率为:
ωB=2πfB
其中,λ为雷达发射电磁波的波长,g为重力加速度,fB为布拉格频率,单位为Hz,“+”代表海浪的传播方向为朝向雷达,“-”代表海浪的传播方向为背离雷达;ωB为布拉格峰的角频率;
一阶布拉格峰在频谱中的理论位置为:
二阶布拉格峰在频谱中的理论位置为:
根据一阶布拉格峰在频谱中的理论位置、二阶布拉格峰在频谱中的理论位置分别确定海浪回波一阶谱、二阶谱的频谱范围,分离出海浪回波一阶谱和二阶谱;最终获取海浪回波一阶谱和二阶谱。
4.根据权利要求1所述的基于人工神经网络的HFSWR多海况有效波高提取方法,其特征在于,所述步骤四多海况信息的确定具体包括:利用海浪回波数据进行神经网络分类器分类特征的提取,提取的分类特征为布拉格频率处的无向波高谱值QB和海浪回波频谱中二阶谱与一阶谱能量比值R;其中,海浪回波频谱中二阶谱与一阶谱能量比值即HFSWR距离-多普勒频谱图中二阶谱与一阶谱能量比值,记为R=P2/P1;
利用海浪回波一阶谱获取布拉格角频率处的无向波高谱值,为:
B+和B-分别是海浪回波一阶谱左右一阶峰的强度,s的典型值为2;ξ为给定的探测距离,为常数,Λc为归一化因子;
5.根据权利要求1所述的基于人工神经网络的HFSWR多海况有效波高提取方法,其特征在于,所述步骤五多海况下的有效波高提取具体包括:依据海况信息选取基于海浪回波二阶谱的有效波高提取算法或者基于海浪回波一阶谱的有效波高提取算法进行有效波高提取;然后使用递归神经网络对提取的有效波高时间序列进行建模,结合无迹卡尔曼滤波器对该有效波高时间序列进行去噪;
所述基于海浪回波二阶谱的有效波高提取算法为:
其中Hs为有效波高,σ(1)和σ(2)分别是一阶和二阶散射截面积,k0是雷达波数,ωd和ωB分别是多普勒频移和布拉格频率;W(ωd/ωB)是一个权重函数,当0.5≤|ωd/ωB|≤1.5时可以视为常数,N是基底噪声的谱密度,ξ是拟合参数;
所述基于海浪回波一阶谱的有效波高提取算法为:
其中α和β是拟合参数,通过最小均方算法确定,基于海浪回波二阶谱的有效波高提取算法适用于高海况,即k0h>0.2时;基于海浪回波一阶谱的有效波高提取算法适用于中低海况,即k0h≤0.2时;然后使用长短时记忆神经网络对提取的有效波高时间序列进行建模,并结合双UKF对该有效波高时间序列进行去噪,提取出高精度有效波高。
6.一种实施权利要求1-5任意一项所述基于人工神经网络的HFSWR多海况有效波高提取方法的基于人工神经网络的HFSWR多海况有效波高提取装置,其特征在于,所述基于人工神经网络的HFSWR多海况有效波高提取装置包括HFSWR***和多海况有效波高提取***;
所述多海况有效波高提取***包括HFSWR***回波信号采样与模数转换模块、距离-多普勒频谱信号处理模块、多海况有效波高提取模块、波高信息的统计观测显示模块、数据记录模块和脱机处理模块;
HFSWR***回波信号采样与模数转换模块用于接收HFSWR***处理后的激励信号进行模数转换;
距离-多普勒频谱信号处理模块用于对模数转换后的激励信号进行距离-多普勒频谱信号处理;
多海况有效波高提取模块用于对距离-多普勒频谱信号处理后的激励信号进行多海况有效波高提取;
波高信息的统计观测显示模块用于对多海况有效波高提取后的激励信号进行波高信息的统计显示;
数据记录模块用于对HFSWR***回波信号采样与模数转换模块转换信息进行记录存储;
脱机处理模块用于对数据记录模块记录数据中出现故障时进行调试维修;
所述HFSWR***包括:垂直极化振子构成的对数周期发射天线、单边带短波发射机、均匀直线接收天线阵、接收机、激励机、数字采集与信号处理机、数据处理机以及姿态显示器;
激励机将激励信号发送至单边带短波发射机,同时也直接发送至接收机的多通道接收前端;
单边带短波发射机将接收的激励信号发送对数周期发射天线;均匀直线接收天线阵将对数周期发射天线接收的激励信号发送至接收机的多通道接收前端;数字采集与信号处理机、数据处理机对接收机的多通道接收前端发送来的激励信号进行处理并进行显示;同时数字采集与信号处理机、数据处理机处理后的激励信号发送至多海况有效波高提取***的HFSWR***回波信号采样与模数转换模块。
7.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1-5任意一项所述基于人工神经网络的HFSWR多海况有效波高提取方法。
8.一种信息数据处理终端,其特征在于,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-5任意一项所述基于人工神经网络的HFSWR多海况有效波高提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639973.6A CN114296046B (zh) | 2021-12-29 | 2021-12-29 | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639973.6A CN114296046B (zh) | 2021-12-29 | 2021-12-29 | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114296046A CN114296046A (zh) | 2022-04-08 |
CN114296046B true CN114296046B (zh) | 2023-05-26 |
Family
ID=80971358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111639973.6A Active CN114296046B (zh) | 2021-12-29 | 2021-12-29 | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114296046B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400307A (zh) * | 2023-03-21 | 2023-07-07 | 中国人民解放军海军大连舰艇学院 | 一种雷达海浪参数测量的标定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN112882018A (zh) * | 2021-01-13 | 2021-06-01 | 哈尔滨工业大学(威海) | 一种海洋和电离层一体化探测高频雷达***及其控制方法 |
-
2021
- 2021-12-29 CN CN202111639973.6A patent/CN114296046B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN112882018A (zh) * | 2021-01-13 | 2021-06-01 | 哈尔滨工业大学(威海) | 一种海洋和电离层一体化探测高频雷达***及其控制方法 |
Non-Patent Citations (2)
Title |
---|
HFSWR远程多海况下海洋表面动力学要素提取及预测方法研究;李晓东;《中国博士学位论文全文数据库 基础科学辑》;第2021卷(第1期);A010-2 * |
基于双UKF滤波器的锉电池SOC-SOH联合估计方法;陈涛;《2020年舰船电力技术专集》;95-100 * |
Also Published As
Publication number | Publication date |
---|---|
CN114296046A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609287B (zh) | 一种双频雷达散射计及同时测量海面风场和流场的方法 | |
CN103969643B (zh) | 一种基于新型海浪色散关系带通滤波器进行x波段导航雷达反演海浪参数方法 | |
CN102759731B (zh) | 基于星载激光测高仪回波的海洋表面风、浪特性反演方法 | |
WO2022005619A2 (en) | Ocean surface wind direction retrieval from reflected radio signals on space-borne platforms | |
Steele et al. | Theory and application of calibration techniques for an NDBC directional wave measurements buoy | |
CN111781146B (zh) | 利用高分辨率卫星光学影像的波浪参数反演方法 | |
CN111142105A (zh) | 复杂运动目标isar成像方法 | |
JPH07502591A (ja) | 海洋および気象データ | |
CN111337549A (zh) | 基于模糊熵的gps多星融合土壤湿度监测方法 | |
CN107064929B (zh) | 一种利用s波段多普勒雷达探测海面浪高的方法 | |
CN112255607B (zh) | 一种海杂波的抑制方法 | |
CN114296046B (zh) | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 | |
CN113075706A (zh) | 一种基于gnss-r的雪深反演方法及其应用 | |
CN105891831A (zh) | 多普勒天气雷达快速扫描方法 | |
CN113253233A (zh) | 基于全天空流星雷达信号的分析处理方法、*** | |
US9958276B2 (en) | Method for calculating the surface speed of at least one vessel and method for deducing each drift vector at every point on the path of said vessel | |
Wang et al. | An energy spectrum algorithm for wind direction retrieval from X-band marine radar image sequences | |
CN102073037B (zh) | 基于自适应阈值选取技术的迭代海流反演方法 | |
CN113204020B (zh) | 一种基于频谱分割的海浪波谱仪斑点噪声谱估计方法 | |
Würth et al. | Forecasting wind ramps: can long-range lidar increase accuracy? | |
Green et al. | An inversion method for extraction of wind speed from high-frequency ground-wave radar oceanic backscatter | |
CN105699971B (zh) | 一种sar雷达运动目标成像方法 | |
CN117075149A (zh) | 基于ddm的星载gnss-r台风位置估计方法及*** | |
CN105527624B (zh) | 一种雷达回波动态估算噪声的方法和气象雷达*** | |
CN114167419A (zh) | 一种结合卫星遥感图像与河流计数据的河宽提取的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |