Nothing Special   »   [go: up one dir, main page]

CN111274911B - 基于无线微波衰减特征迁移学习的浓雾监测方法 - Google Patents

基于无线微波衰减特征迁移学习的浓雾监测方法 Download PDF

Info

Publication number
CN111274911B
CN111274911B CN202010050327.5A CN202010050327A CN111274911B CN 111274911 B CN111274911 B CN 111274911B CN 202010050327 A CN202010050327 A CN 202010050327A CN 111274911 B CN111274911 B CN 111274911B
Authority
CN
China
Prior art keywords
dense fog
microwave attenuation
network
test set
intensity 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.)
Active
Application number
CN202010050327.5A
Other languages
English (en)
Other versions
CN111274911A (zh
Inventor
杨涛
洪岱
郑鑫
师鹏飞
秦友伟
李振亚
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010050327.5A priority Critical patent/CN111274911B/zh
Publication of CN111274911A publication Critical patent/CN111274911A/zh
Application granted granted Critical
Publication of CN111274911B publication Critical patent/CN111274911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于无线微波衰减特征迁移学习的浓雾监测方法，通过将预处理后的微波衰减信号强度数据进行小波变换得到时频图，对时频图尺寸大小进行调整，得到调整图像，将训练集输入Alexnet网络进行训练，在Alexnet网络达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测结果，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，以根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度，可以提高能见度等浓雾参数监测的灵活性，提升所得能见度等浓雾参数的准确性。

Description

基于无线微波衰减特征迁移学习的浓雾监测方法
技术领域
本发明涉及气象因子监测技术领域，尤其涉及一种基于无线微波衰减特征迁移学习的浓雾监测方法。
背景技术
浓雾是一种对人类生产生活的影响较大的气象现象：一方面，浓雾会导致能见度降低从而对交通运输产生巨大影响，造成严重的生命及财产损失；另一方面，空气污染物与浓雾结合形成烟雾会对动植物产生危害。常用的浓雾监测方法有人工观测法，透射计法以及测量散射系数的仪器和卫星监测等。其中，人工观测是通过观测者当前位置已知距离处物体的外观或遮挡来估算可见性，受人的主观性影响较大，且不能给出浓雾准确的量级；透射计测量通过计算水平方向的平均消光系数来估测浓雾浓度：发射器发出的调制磁通量为平均功率恒定的光，接收器包含一个光电探测器，用来测量落在上面的光，虽然这种仪器测量十分精确，但是成本非常高；测量光的散射系数的仪器通过将光束集中在小体积的空气上，在足够大的角度和非关键方向上散射的光的比例可以通过光度测定方法确定。然而这种技术只允许测量很小的样品体积，因此获得的能见度代表性差；卫星监测具有空间覆盖面积大的优势，然而，这种技术很难提供准确的地面监测数据，也很难区分观测结果是否为实际雾或是云雾。可见传统的浓雾监测往往存在局限性，相应的监测结果准确性低。
发明内容
针对以上问题，本发明提出一种基于无线微波衰减特征迁移学习的浓雾监测方法。
为实现本发明的目的，提供一种基于无线微波衰减特征迁移学习的浓雾监测方法，包括如下步骤：
S10，获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理；
S20，将预处理后的微波衰减信号强度数据进行小波变换得到时频图；
S30，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求；
S40，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测结果；
S50，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度。
在一个实施例中，对微波衰减信号强度数据进行预处理的过程包括：
识别微波衰减信号强度数据中的丢失数据，对丢失数据进行插补，并剔除微波衰减信号强度数据中大于响应阈值的噪声数据。
在一个实施例中，将预处理后的微波衰减信号强度数据进行小波变换得到时频图的过程包括：
S31，确定尺度参数a，根据尺度参数a确定小波基，将小波基与预处理后的微波衰减信号强度数据比较，得到多个片段信号；
S32，计算一个片段信号的连续小波变换系数C1，连续小波变换系数C1表示小波基与相应片段信号的相似程度；
S33，对位置参数b进行调整，以平移小波针对其他片段信号重复执行步骤S32，直到对各个片段信号进行分析，得到各个片段信号的连续小波变换系数C1；
S34，更新尺度参数a，返回执行步骤S31，直至针对预设的各个尺度参数a确定各个片段信号的连续小波变换系数C1；
S35，根据各个尺度参数a分别对应的连续小波变换系数C1绘制时频图。
在一个实施例中，所述Alexnet网络包括5个卷积层、3个池化层、3个全连接层和1个soft-max层。
在一个实施例中，所述Alexnet网络的激活函数包括：
Figure BDA0002370920800000021
其中，ReLu表示激活函数，x表示输入信号。
在一个实施例中，所述反演公式包括：
Af＝φ·LWC，
其中，Af表示网络检测结果，φ表示设定常数，LWC表示浓雾液态水含量。
在一个实施例中，所述能见度的计算公式包括：
V＝1.002·(LWC×ND)-0.6473，
ND＝-0.071×T2+2.213×T+141.56，
其中，V表示能见度，ND表示水滴数量浓度，T表示当前温度。
上述通过获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理，将预处理后的微波衰减信号强度数据进行小波变换得到时频图，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测结果，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，以根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度，可以提高能见度等浓雾参数监测的灵活性，提升所得能见度等浓雾参数的准确性。
附图说明
图1是一个实施例的基于无线微波衰减特征迁移学习的浓雾监测方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参考图1所示，图1为一个实施例的基于无线微波衰减特征迁移学习的浓雾监测方法流程图，包括如下步骤：
S10，获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理。
上述步骤获得微波信号接收端的微波衰减信号强度数据后，对微波衰减信号强度数据进行初步于处理，这样做的目的是剔除信号中一些明显不合理的异常值，以保证后续过程所采用的微波衰减信号强度数据的有效性。
S20，将预处理后的微波衰减信号强度数据进行小波变换得到时频图。
上述步骤将得到的微波衰减信号强度数据进行小波变换得到时频图，这样做的目的是将微波衰减信号强度数据在时域及频域的特征提取出来。
S30，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求。
上述步骤将提取的时频图作为特征，对时频图的尺寸大小进行变换，得到227×227×3大小的图像(即调整图像)，使得调整图像符合之后的预训练大网络的输入要求。
S40，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测结果。
上述预设要求可以指在Alexnet网络输出的各个状态检测结果与训练集的对应状态标签之间值差距均小于预设阈值等条件。
将调整图像划分为测试集和训练集具体可以在调整图像中选择80％作为训练集，20％作为测试集。其中训练集的各个图像命名为带有是否为浓雾状态的标签图像。将训练集的图像送入改进的Alexnet网络进行训练，训练后利用训练好的Alexnet网络模型神经元权重等参数对所划分的测试集进行分类判断是否为浓雾状态，以输出测试集中各个调整图像的网络检测结果。
S50，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度。
上述步骤可以将图像经上述处理后识别为浓雾的数据(网络检测结果)根据反演公式以及相关参数反推求浓雾液态水含量。根据计算的浓雾液态水含量并根据温度依据公式求得雾滴数量浓度，之后推求能见度。
上述基于无线微波衰减特征迁移学习的浓雾监测方法，通过获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理，将预处理后的微波衰减信号强度数据进行小波变换得到时频图，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测结果，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，以根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度，可以提高能见度等浓雾参数监测的灵活性，提升所得能见度等浓雾参数的准确性。
在一个实施例中，对微波衰减信号强度数据进行预处理的过程包括：
识别微波衰减信号强度数据中的丢失数据，对丢失数据进行插补，并剔除微波衰减信号强度数据中大于响应阈值的噪声数据(干扰数据)。
本实施例可以对个别丢失数据进行插补，去除明显超过响应阈值的干扰数据，以实现对微波衰减信号强度数据的预处理。
在一个实施例中，将预处理后的微波衰减信号强度数据进行小波变换得到时频图的过程包括：
S31，确定尺度参数a，根据尺度参数a确定小波基，将小波基与预处理后的微波衰减信号强度数据比较，得到多个片段信号.
S32，计算一个片段信号的连续小波变换系数C1，连续表示小波基与相应片段信号的相似程度；具体地，C1越大，两者越相似。进行小波变换要选择与信号相似的小波。
S33，对位置参数b进行调整，以平移小波针对小波变换系数C1其他片段信号重复执行步骤S32，直到对各个片段信号进行分析，得到各个片段信号的连续小波变换系数C1。
S34，更新尺度参数a，返回执行步骤S31，直至针对预设的各个尺度参数a确定各个片段信号的连续小波变换系数C1。
S35，根据各个尺度参数a分别对应的连续小波变换系数C1绘制时频图。
进一步地，可以将预处理的微波信号数据进行小波变换：小波变换指把母小波函数ψ(t)经不同的时间平移和伸缩变化得到的子小波函数与信号比较，通过小波系数展现信号与一系列小波的相似程度，利用可以进行平移伸缩变换的子小波分析片段信号，能够获得信号任意一处局部区域的信息。
在一个示例中，对于信号x(t)，小波变换公式为：
Figure BDA0002370920800000061
式中，上标*表示共轭，a为尺度因子，b为位置参数，子小波
Figure BDA0002370920800000062
由母小波
Figure BDA0002370920800000063
平移b，伸缩a，即得到：
Figure BDA0002370920800000064
将信号离散化处理，等时间间隔采样信号即：
Figure BDA0002370920800000065
为计算连续小波变换系数，对每个尺度参数a都要进行平移系数的计算。后用广义morse用两个参数γ和β定义波形和特性，其频域定为：
Figure BDA0002370920800000066
U(ω)为阶跃函数，γ为对称参数，β为时间-带宽参数。当γ＝3时，morse小波在频域完全是对称的。当选取合适的参数时广义morse解析小波可以与任一信号相似，故具有完全解析性，使得小波变换后信息得以最大程度的保留。将数据进行以广义morse小波为小波基的小波分解得到小波系数，绘制成时频图。
在一个实施例中，所述Alexnet网络包括5个卷积层、3个池化层、3个全连接层和1个soft-max层。
作为一个实施例，所述Alexnet网络的激活函数包括：
Figure BDA0002370920800000067
其中，ReLu表示激活函数，x表示输入信号。
上述Alexnet网络包含有5个卷积层、3个池化层、3个全连接层和1个soft-max层。其中涉及的函数包括：
采用ReLu函数作为模型的激活函数，
ReLu函数具体包括：
Figure BDA0002370920800000071
其中x是输入；
利用Adam算法优化改进型Alex Net网络模型，
利用交叉熵作为代价函数为
Figure BDA0002370920800000072
其中中y为期望的输出，a1为神经元实际输出，C为代价函数，n为训练集样本总数；
[a1＝σ(z),wherez＝∑wj×xj+b1]
其中σ(z)为z的标准差，wj为第j个神经元的权重，xj为第j个神经元的输入，b1为阈值；
全连层在整个网络中类似“分类器”存在，将学到的“分布式特征表示”映射到样本标记空间，用于对前面设计的特征做加权求和。softmax层和输出分类层用于最后的分类与归一化。
进一步地，训练Alexnet网络的目标是最小化代价函数；其中算法的步骤如下：
(1)步长∈(建议默认为：0.001)；
(2)矩估计的指数衰减速率，p1和p2在区间[0,1]内。(建议默认为：分别为0.9和0.999)；
(3)用于数值稳定的小常数δ(建议默认：10-8)
(4)初始化参数θ，初始化一阶和二阶矩变量s＝0,r＝0，初始化时间步t＝0。
(5)当没有达到停止准则，从训练集中采用包含m个样本{x(1),...,x(m)}的小批量，对应目标y(i)。
(6)计算梯度：t←t+1
(7)更新有偏一阶矩估计：
Figure BDA0002370920800000073
更新有偏二阶矩估计：
Figure BDA0002370920800000074
(8)修正一阶矩的偏差：
Figure BDA0002370920800000081
修正二阶矩的偏差：
Figure BDA0002370920800000082
(9)计算更新：
Figure BDA0002370920800000083
(逐元素应用操作)
应用更新：θ←θ+Δθ
利用Adam算法优化交叉熵代价函数，使模型最优，从而可以提高时频图像分类的速度和准确率。
之后将训练后的Alex Net网络模型按照上述步骤用于识别浓雾，识别成功后，先计算浓雾液态水含量(LWC，gm-3)
在一个实施例中，所述反演公式包括：
Af＝φ·LWC，
其中，Af表示网络检测结果，单位为dBkm-1，φ表示设定常数，具体为有关频率和温度的常数，LWC表示浓雾液态水含量，单位为gm-3。
进一步地，LWC的计算根据上式(反演公式)反演，根据测到的Af信号以及φ值反求LWC值，给出φ的计算公式如下：
Figure BDA0002370920800000084
f(GHz)为链路频率：
Figure BDA0002370920800000085
其中水的介电常数ε(f,T)＝ε'(f,T)+iε”(f,T)，可在相关文献中查找。
在一个实施例中，所述能见度的计算公式包括：
V＝1.002·(LWC×ND)-0.6473，
ND＝-0.071×T2+2.213×T+141.56，
其中，V表示能见度，ND表示水滴数量浓度，T表示当前温度(当地温度)。
上述基于无线微波衰减特征迁移学习的浓雾监测方法，通过使用小波变换生成时频图的方法提取微波信号衰减信号特征，并采用特征迁移学习方法识别浓雾并利用有关公式推求浓雾能见度达到监测分析浓雾目的，具有以下的优异处：
(1)使用小波变换得到时频图像充分提取浓雾导致微波信号衰减数据特征。
(2)本申请采用机器学习的方法为有效监测分析浓雾提供了新思路。
(3)本申请利用浓雾衰减导致微波信号衰减的原理，创新地通过使用特征迁移识别浓雾的方法，为浓雾监测成本较高且覆盖率少的问题提供新的解决方法。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请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。
本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，包括如下步骤：
S10，获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理；
S20，将预处理后的微波衰减信号强度数据进行小波变换得到时频图；所述将预处理后的微波衰减信号强度数据进行小波变换得到时频图的过程包括：
S31，确定尺度参数a，根据尺度参数a确定小波基，将小波基与预处理后的微波衰减信号强度数据比较，得到多个片段信号；
S32，计算一个片段信号的连续小波变换系数C1，连续小波变换系数C1表示小波基与相应片段信号的相似程度；
S33，对位置参数b进行调整，以平移小波针对其他片段信号重复执行步骤S32，直到对各个片段信号进行分析，得到各个片段信号的连续小波变换系数C1；
S34，更新尺度参数a，返回执行步骤S31，直至针对预设的各个尺度参数a确定各个片段信号的连续小波变换系数C1；
S35，根据各个尺度参数a分别对应的连续小波变换系数C1绘制时频图；
S30，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求；
S40，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测浓雾状态结果；
S50，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度；所述能见度的计算公式包括：
V＝1.002·(LWC×ND)-0.6473，
ND＝-0.071×T2+2.213×T+141.56，
其中，V表示能见度，ND表示水滴数量浓度，T表示当前温度，LWC表示浓雾液态水含量。
2.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，对微波衰减信号强度数据进行预处理的过程包括：
识别微波衰减信号强度数据中的丢失数据，对丢失数据进行插补，并剔除微波衰减信号强度数据中大于响应阈值的噪声数据。
3.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述Alexnet网络包括5个卷积层、3个池化层、3个全连接层和1个soft-max层。
4.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述Alexnet网络的激活函数包括：
Figure FDA0002737226410000021
其中，ReLu表示激活函数，x表示输入信号。
5.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述反演公式包括：
Af＝φ·LWC，
其中，Af表示网络检测结果，φ表示设定常数。
CN202010050327.5A 2020-01-17 2020-01-17 基于无线微波衰减特征迁移学习的浓雾监测方法 Active CN111274911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010050327.5A CN111274911B (zh) 2020-01-17 2020-01-17 基于无线微波衰减特征迁移学习的浓雾监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010050327.5A CN111274911B (zh) 2020-01-17 2020-01-17 基于无线微波衰减特征迁移学习的浓雾监测方法

Publications (2)

Publication Number Publication Date
CN111274911A CN111274911A (zh) 2020-06-12
CN111274911B true CN111274911B (zh) 2020-12-01

Family

ID=71003505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010050327.5A Active CN111274911B (zh) 2020-01-17 2020-01-17 基于无线微波衰减特征迁移学习的浓雾监测方法

Country Status (1)

Country Link
CN (1) CN111274911B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834656B (zh) * 2021-08-27 2024-04-30 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端
CN114814993B (zh) * 2022-03-25 2023-04-18 河海大学 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法
CN115688544B (zh) * 2022-06-20 2023-05-12 河海大学 一种基于mlp神经网络的微波衰减降雪场层析重构方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1189231A (zh) * 1995-05-30 1998-07-29 小维克多J·诺里斯 用于增强低能见度条件下导航和警戒能力的系统
CN1603792A (zh) * 2003-10-02 2005-04-06 C.R.F.阿西安尼顾问公司 安装在道路上检测环境状况和监控交通的检测装置
WO2011009945A2 (en) * 2009-07-23 2011-01-27 Medfield Diagnostics Ab Classification of microwave scattering data
CN102879309A (zh) * 2012-09-22 2013-01-16 华南理工大学 基于宽频带线性调频超声的气体颗粒浓度测量方法与装置
CN103617617A (zh) * 2013-12-05 2014-03-05 淮海工学院 基于功率谱描述的水下图像质量评价测量方法
CN104634740A (zh) * 2013-11-12 2015-05-20 中国电信股份有限公司 雾霾能见度监测方法和装置
CN105426837A (zh) * 2015-11-17 2016-03-23 南京大学 移动网络视觉雾霾检测系统
CN105931220A (zh) * 2016-04-13 2016-09-07 南京邮电大学 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法
CN107907508A (zh) * 2017-09-26 2018-04-13 无锡昊瑜节能环保设备有限公司 一种大气能见度测量装置
CN109214331A (zh) * 2018-08-30 2019-01-15 南京邮电大学 一种基于图像频谱的交通雾霾能见度检测方法
CN109255100A (zh) * 2018-09-10 2019-01-22 河海大学 一种基于微波衰减特征响应指纹识别的城市降雨反演算法
CN109374488A (zh) * 2018-11-14 2019-02-22 国网安徽省电力有限公司电力科学研究院 用于分布式光伏电站雾霾天气能见度的预测方法
US20190293572A1 (en) * 2018-03-20 2019-09-26 Ramot At Tel-Aviv University Ltd. Methos, system and computer program product for generating a two dimensional fog map from cellular communication network information
CN110659593A (zh) * 2019-09-09 2020-01-07 南京邮电大学 基于改进DiracNet的城市雾霾能见度检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202075226U (zh) * 2011-04-29 2011-12-14 陈伟 一种应用于交通领域的透射法能见度检测装置
CN102253013A (zh) * 2011-04-29 2011-11-23 陈伟 一种应用于交通领域的透射法能见度检测装置及其检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1189231A (zh) * 1995-05-30 1998-07-29 小维克多J·诺里斯 用于增强低能见度条件下导航和警戒能力的系统
CN1603792A (zh) * 2003-10-02 2005-04-06 C.R.F.阿西安尼顾问公司 安装在道路上检测环境状况和监控交通的检测装置
WO2011009945A2 (en) * 2009-07-23 2011-01-27 Medfield Diagnostics Ab Classification of microwave scattering data
CN102879309A (zh) * 2012-09-22 2013-01-16 华南理工大学 基于宽频带线性调频超声的气体颗粒浓度测量方法与装置
CN104634740A (zh) * 2013-11-12 2015-05-20 中国电信股份有限公司 雾霾能见度监测方法和装置
CN103617617A (zh) * 2013-12-05 2014-03-05 淮海工学院 基于功率谱描述的水下图像质量评价测量方法
CN105426837A (zh) * 2015-11-17 2016-03-23 南京大学 移动网络视觉雾霾检测系统
CN105931220A (zh) * 2016-04-13 2016-09-07 南京邮电大学 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法
CN107907508A (zh) * 2017-09-26 2018-04-13 无锡昊瑜节能环保设备有限公司 一种大气能见度测量装置
US20190293572A1 (en) * 2018-03-20 2019-09-26 Ramot At Tel-Aviv University Ltd. Methos, system and computer program product for generating a two dimensional fog map from cellular communication network information
CN109214331A (zh) * 2018-08-30 2019-01-15 南京邮电大学 一种基于图像频谱的交通雾霾能见度检测方法
CN109255100A (zh) * 2018-09-10 2019-01-22 河海大学 一种基于微波衰减特征响应指纹识别的城市降雨反演算法
CN109374488A (zh) * 2018-11-14 2019-02-22 国网安徽省电力有限公司电力科学研究院 用于分布式光伏电站雾霾天气能见度的预测方法
CN110659593A (zh) * 2019-09-09 2020-01-07 南京邮电大学 基于改进DiracNet的城市雾霾能见度检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"An Experimental Study of FSO Link Performance in Desert Environment";Maged Abdullah Esmail et al.;《IEEE COMMUNICATIONS LETTERS》;20160930;第20卷(第9期);第1888-1891页 *
"云雾对THz波传播的衰减研究";卢昌胜 等;《电波科学学报》;20150831;第30卷(第4期);第718-722页 *
"基于微波辐射计分析低能见度的液态含水量特征";廖碧婷 等;《中国环境科学》;20181231;第38卷(第10期);第3673-3682页 *
"海雾对3毫米波传播特性的影响研究";沈广德 等;《红外与毫米波学报》;20001231;第19卷(第6期);第478-480页 *

Also Published As

Publication number Publication date
CN111274911A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111274911B (zh) 基于无线微波衰减特征迁移学习的浓雾监测方法
CN105137498B (zh) 一种基于特征融合的地下目标探测识别系统及方法
Chen et al. Spatial–temporal convolutional gated recurrent unit network for significant wave height estimation from shipborne marine radar data
CN109272017B (zh) 分布式光纤传感器的振动信号模式识别方法和系统
CN103839073B (zh) 一种基于极化特征和近邻传播聚类的极化sar图像分类方法
CN112560803A (zh) 基于时频分析与机器学习的雷达信号调制识别方法
CN113189014B (zh) 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
CN114895263B (zh) 基于深度迁移学习的雷达有源干扰信号识别方法
CN110531039B (zh) 一种基于WiFi设备的粮食霉变检测方法及装置
CN113534120B (zh) 一种基于深度神经网络的多目标恒虚警率检测方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN116879297A (zh) 土壤水分协同反演的方法、装置、设备和介质
CN110427878A (zh) 一种快速射电暴信号识别方法与系统
CN115546608A (zh) 一种无人机数据链电磁干扰分类和威胁评估方法
CN106842143A (zh) 基于滤波的雷达目标快速cfar检测方法
Sinha et al. Estimation of Doppler profile using multiparameter cost function method
CN113538412B (zh) 一种航拍图像的绝缘子缺陷检测方法及装置
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
CN111289800B (zh) 一种基于广义回归神经网络的小电阻振动监测方法
Pelliza et al. Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images
Puno et al. Vision system for soil nutrient detection using fuzzy logic
CN105046707B (zh) 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法
Scott Assessment of categorical triple collocation for sea ice/open water observations: Application to the Gulf of Saint Lawrence
CN111337396B (zh) 基于领域自适应的微波衰减的大气pm2.5监测方法

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