CN112782690B - 星载雷达高度计的近岸非海洋波形检测分类方法及系统 - Google Patents
星载雷达高度计的近岸非海洋波形检测分类方法及系统 Download PDFInfo
- Publication number
- CN112782690B CN112782690B CN202110049595.XA CN202110049595A CN112782690B CN 112782690 B CN112782690 B CN 112782690B CN 202110049595 A CN202110049595 A CN 202110049595A CN 112782690 B CN112782690 B CN 112782690B
- Authority
- CN
- China
- Prior art keywords
- waveform
- ocean
- data
- offshore
- radar altimeter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 7
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 22
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- NXZCTGNKKMVOBS-AAEUAGOBSA-N (2s)-1-[2-[[(2s)-2-benzamidopropanoyl]amino]acetyl]pyrrolidine-2-carboxylic acid Chemical compound N([C@@H](C)C(=O)NCC(=O)N1[C@@H](CCC1)C(O)=O)C(=O)C1=CC=CC=C1 NXZCTGNKKMVOBS-AAEUAGOBSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 108010050074 benzoylalanyl-glycyl-proline Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G01S13/882—Radar or analogous systems specially adapted for specific applications for altimeters
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种星载雷达高度计的近岸非海洋波形检测分类方法及系统，所述方法包括：接收星载雷达高度计采集的测量数据；根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库。本发明利用机器学习技术实现对近岸海量波形的有规律、自动化、智能化分类，有助于针对性进行回波重跟踪，针对近岸波形进行有效处理，提高了近岸测高数据有效率和可用率。
Description
技术领域
本发明涉及雷达高度计非开阔海域测高领域，尤其涉及星载雷达高度计的近岸非海洋波形检测分类方法及系统。
背景技术
雷达高度计主要用于海洋测量，用于获取海面高度、有效波高和后向散射系数，雷达高度计向天底点发射脉冲信号，部分脉冲被粗糙海面反射回接收天线，回波波形反映了天线接收到的返回功率随时间的变化，从卫星上下传的雷达高度计的回波波形需要经过重跟踪以获得距离校正量，以此得到海面高、有效波高、后向散射系数等参数的估计。开阔海域雷达高度计回波波形可由Brown-Hayne模型表示，并使用最小二乘估计估计模型参数，从而从回波波形中提取出所需的海面参数，这个过程称为回波重跟踪。针对于其他区域，Davis提出了用于计算冰盖高程变化的阈值重跟踪(Seaice)算法，Wingham等人提出了重心偏移(OCOG)算法，用于重跟踪陆地波形，这两个算法是基于经验的重跟踪算法，计算较快，解算稳定，对于不可用的数据可以跟踪成功。另外，Halimi等人提出的BAGP模型主要针对波形平顶区存在对称或不对称尖峰的波形，波形针对性强，是一种模型算法。
近岸是与人类活动最直接相关的区域，近岸海平面数据包含了许多与人类生活密切相关的信息。然而，由于测量受到脉冲足迹内陆地的影响，高度计近岸回波波形呈现非常复杂的形态，并且海岸的地理和环境特征(例如，海岸线方向、地形、水深、降雨率)在世界范围内各有不同，使得近岸测高更为复杂，Brown-Hayne模型无法对回波波形进行拟合或拟合效果欠佳，从而导致重跟踪失败或反演精度低，卫星近岸数据大量不可用。近岸测高领域对大地测量学、海洋学等相关学科都具有积极意义，近岸测高已然成为亟须解决的难点。
为了提高近岸测高数据可用率及海面参数精度，可以对近岸回波波形进行分类，针对波形形态特点的不同使用不同的重跟踪算法分别处理。但目前存在的分类方法采用单一的人为统计，得到的分类标准地域性明显，并不适用于全球近岸海域，且花费较大的人力。如何实现近岸海量数据的智能化分类，并使分类涵盖所有近岸波形，且每一类波形都有对应的处理方法，以此拓展雷达高度计测高产品的应用范围，成为了近岸测高问题中必须克服的技术难题。
发明内容
本发明的目的在于克服现有技术缺陷，提出了星载雷达高度计的近岸非海洋波形检测分类方法及系统。
为了实现上述目的，本发明提出了一种星载雷达高度计的近岸非海洋波形检测分类方法，所述方法包括：
接收星载雷达高度计采集的测量数据；
根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库。
作为上述方法的一种改进，所述根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；具体包括：
根据经纬度截取近岸区域的测量数据，进行时空匹配得到近岸测高波形；
对近岸测高波形进行特征提取；所述特征数据包括：自动增益控制、重心位置、峰度、波形峰值、偏度、标准差、有效波高和宽度；
将提取得到的特征数据转化为同一尺度，对于缺失的特征数据进行填充，其中有效波高的缺失值用0填充，其他特征的缺失值用该特征的均值填补，进而得到规范化的波形特征数据；
计算规范化的波形特征数据之间的相关系数，根据相关系数，使用主成分分析法，通过正交变换得到降维后的波形特征数据。
作为上述方法的一种改进，所述非海洋波形检测模型的输入为波形特征数据，输出为检测结果，所述检测结果为海洋数据或非海洋数据，所述非海洋波形检测模型为基于RBF核支持向量机构造的非线性支持向量机。
作为上述方法的一种改进，所述方法还包括非海洋波形检测模型的训练步骤；具体为：
建立训练集，所述训练集T＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xN,yN)}，xi为第i个波形特征向量，yi为类标记，yi∈{-1,+1},i＝1,2,...,N,-1表示非海洋波形，+1表示海洋波形；N为样本数；
采用最优决策超平面求解关于权值和松弛变量的代价函数：
其中，(x1,x2,…xi,…xN)为输入特征向量，W为权值向量，b为偏置，ξi为松弛变量，
利用Lagrange系数方法解决约束最优问题：
其中，α＝(α1,α2,…αi,…αN)为拉格朗日向量，αi为第i个拉格朗日乘子；
转化为对偶问题，并使用RBF核函数代替内积：
其中，σ＞0，xj为第j个波形特征向量，σ为扩展参数，得到最优解/>并代入分类决策函数：
其中，
不断迭代直至收敛，得到训练好的非海洋波形检测模型。
作为上述方法的一种改进，所述非海洋波形分类器的输入为非海洋波形特征数据，输出为非海洋波形类型；所述非海洋波形分类器为人工神经网络，包括输入层、隐藏层和输出层。
作为上述方法的一种改进，所述非海洋波形类型包括：尖峰位于回波下降沿的波形、回波后沿抬升的波形、尖峰位于平顶区的波形、尖锥状波形的波形、回波上升沿存在尖峰的波形和似陆地波形。
作为上述方法的一种改进，所述方法还包括非海洋波形分类器的步骤；具体为：
建立训练集；
将训练集中的训练样本输入人工神经网络的输入层，隐藏层第h个神经元接收到来自输入层的输入为输出层第j个神经元接收到来自隐藏层的输入为
其中，Vih为输入层第i个神经元与隐藏层第h个神经元之间的连接权重，Whj为隐藏层第h个神经元与输出层第j个神经元之间的连接权重，bh为隐藏层经过激活函数后第h个神经元的输出；
计算输出层估计值zk与实际值zi之间的均方误差，并将该均方误差从输出层向隐藏层反向传播，直至输入层，并根据均方误差调整参数权重，不断迭代直至满足预设终止条件，获得网络最优参数组合，从而得到训练好的非海洋波形分类器。
一种星载雷达高度计的近岸非海洋波形检测分类系统，所述系统包括：训练好的非海洋波形检测模型、训练好的非海洋波形分类器、数据预处理及特征提取模块、非海洋波形检测模块和非海洋波形分类模块；其中，
所述数据预处理及特征提取模块，用于接收星载雷达高度计采集的测量数据，根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
所述非海洋波形检测模块，用于将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
所述非海洋波形分类模块，用于将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库。
与现有技术相比，本发明的优势在于：
1、本发明充分发挥雷达高度计大数据的优势，利用机器学习技术实现对近岸海量波形的有规律、自动化、智能化分类，有助于针对性进行回波重跟踪，针对传统回波模型无法处理的近岸波形可以做到有效处理，提高了近岸测高数据有效率和可用率，拓展雷达高度计测高产品的应用范围；
2、本发明提出的方法通过提取近岸波形的有效特征形成特征数据集，进一步构建RBF核支持向量机将非海洋回波从大规模近岸回波中检测出来，无需人工逐一判读；
3、本发明提出的方法构建BP神经网络分类器实现非海洋波形分类，将大规模测高数据进行有规律、自动化、智能化地分类，有助于针对性进行回波重跟踪，针对Brown-Hayne模型无法处理的近岸波形可以做到有效处理，提高了近岸测高数据有效率和可用率。
附图说明
图1是本发明的星载雷达高度计的近岸非海洋波形检测分类系统组成图；
图2是本发明实施例1的星载雷达高度计的近岸非海洋波形检测分类方法流程图；
图3是本发明实施例1的特征提取的特征变量间相关性；
图4是非海洋波形类型示例；
图5是本发明实施例1的非海洋波形分类器的流程图；
图6是本发明实施例1的非海洋波形分类器准确率随迭代次数的变化曲线图；
图7是本发明实施例1非海洋波形分类器隐藏层数不同时，不同样本数对应的准确率曲线图；
图8是本发明实施例1的非海洋波形分类器训练时的损失函数曲线图。
具体实施方式
该方法通过采集星载雷达高度计地球物理数据集(SGDR产品)20hz原始波形数据构成大数据池，提取有效波形特征集，采用基于RBF核支持向量机构造非线性SVM作为非海洋波形检测模型，求解得到最优标记，将标记为-1的数据输入BP神经网络分类器，获得网络最优参数组合，实现非海洋波形分类。
本系统包括数据预处理及特征提取模块、非海洋波形检测模块、非海洋波形分类模块，如图1所示。
各模块设计如下：
数据预处理及特征提取模块：对卫星雷达高度计20hz数据进行读取，经过时空匹配、数据归一化、数据选择，提取出8个波形特征，分别为：自动增益控制、重心位置、峰度、波形峰值、偏度、标准差、有效波高、宽度。偏度是统计数据分布偏斜方向和程度的度量，峰度用来度量随机变量概率分布的陡峭程度，波形峰值为最大幅值与平均幅值之比，代表独立的波形质量信息，波形的重心位置、宽度由重心偏移法(OCOG)得到，取这八个有效波形特征代表一个回波波形。
非海洋波形检测模块：以RBF核支持向量机为检测模型，将非海洋波形从大量近岸波形样本中分离出来。声明为正常的波形输入到布朗模型重跟踪流程，声明为异常的波形输入到非海洋波形分类模块。
非海洋波形分类模块：使用BP神经网络作为非海洋波形分类器，将非海洋波形分类6类，有助于针对性进行回波重跟踪得到各项海面参数，最终生成近海海面高度场。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图2所示，本发明的实施例1提出了星载雷达高度计近岸非海洋波形检测方法，具体包括以下步骤：
接收星载雷达高度计采集的测量数据；
根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库。
1)数据预处理及特征提取
步骤1：数据读取及预处理；对卫星雷达高度计地球物理数据集(SGDR)20hz数据进行读取，根据经纬度截取近岸区域测高波形，进行时空匹配，得到近岸测高波形数据库；
步骤2：对近岸测高波形进行特征提取；特征包括统计学特征、物理特征和SGDR产品中的部分参数，包括自动增益控制、重心位置、峰度、波形峰值、偏度、标准差、有效波高、宽度，组成波形特征向量，选取质量好的特征向量组成特征数据集其中x表示样本点，y表示样本的标记，N表示样本总量。
步骤3：规范化特征数据集；不同的特征在取值尺度上有很大差异，所以需对每个特征进行标准化操作，以此将特征数据转化到同一尺度，使模型的泛化能力更强。另外，有的特征存在数据缺失的问题，有效波高的缺失值使用0来填充，其他特征的缺失值用该特征的均值来填补。
步骤4：特征降维；求解规范化后的特征数据之间的相关系数，见图3，特征间存在局部线性相关性，若对该数据集直接使用原始特征数据建模，则可能会影响模型的稳定性，使用主成分分析(PCA)通过正交变换将相关变量转换为线性不相关的变量，特征数据维度降为5，降维后的特征数据集记为γ＝0。
2)非海洋波形检测
步骤1：基于RBF核支持向量机构造非线性SVM(支持向量机的英文缩写)，通过SVM建立一个最优决策超平面，使得该平面两侧距平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。由于非海洋波形检测过程非线性可分，通过核函数κ(xi,xj)＝Φ(xi)TΦ(xj)将原始空间(数据集X的空间维度8维)线性不可分的样本xi映射到高维特征空间。RBF核函数表示为σ＞0，σ为扩展参数，反应了函数图像的宽度，σ越小，宽度越窄，函数越具有选择性。RBF核函数是一种鲁棒径向基核函数，也是典型的局部核函数，具有映射空间分布稳定的优点，对噪声有良好的抗干扰能力。
最优决策超平面的确定是求解关于权值和松弛变量的代价函数：
其中是输入特征向量，/>是权值向量，b为偏置，ξi为松弛变量，用于度量一个数据点对线性可分理想条件的偏离程度。利用Lagrange系数方法解决约束最优问题：
转化为对偶问题，并使用RBF核函数代替内积：
其中，C为选定的正参数。基于RBF核SVM的最优判别函数如下：
其中，输入训练样本{(x1,y1),(x2,y2),...，(xl,yl)}，找到权值向量/>和偏置b的最优值，对于M个待测样本，输出标记yi∈{-1,+1},i＝1,2,...,M(代表两类类别标识)，分别对应非海洋波形和海洋波形；
步骤2：将yi＝1的样本点声明为海洋波形，进入布朗模型重跟踪流程；将yi＝-1的样本点声明为非海洋波形，样本集记为输入到非海洋波形分类模块；3)非海洋回波分类
步骤1：使用反向传播算法(BP)算法训练人工神经网络(ANN)，得到神经网络模型，选择波形特征数据作为网络输入，网络输出的非海洋波形类型如图4，包括：尖峰位于回波下降沿、回波后沿抬升、尖峰位于平顶区、尖锥状波形、回波上升沿存在尖峰、似陆地波形。基于BP神经网络的非海洋回波分类具体包括BP神经网络构建、BP神经网络训练和BP神经网络分类三部分，见图5。具体流程为：
(1)ANN的前向传播过程：将训练样本(Xo的75％)输入到ANN的输入层，隐藏层第h个神经元接收到来自输入层的输入为输出层第j个神经元接收到来自隐藏层的输入为/>Vih为输入层第i个神经元与隐藏层第h个神经元之间的连接权重，Whj为隐藏层第h个神经元与输出层第j个神经元之间的连接权重，bh为隐藏层经过激活函数后第h个神经元的输出；
(2)计算输出层估计值zk与实际值zi之间的均方误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
(3)在反向传播的过程中，根据误差调整参数权重；
(4)不断迭代直至满足预设终止条件，获得网络最优参数组合。图6、7、8展示了部分神经网络参数结果：当训练样本数为3000，隐藏层为10时，精度和召回率均达到0.96；tanh作为激活函数时，模型的准确率最高，迭代300次后达到了97％；模型的损失函数曲线显示了在迭代的前100次，损失函数取值迅速下降，然后缓慢收敛，在迭代次数达到300次以后，函数的变化量很小，表明模型最后趋于平稳。
步骤2：进一步地，依据所述最优参数组合构建非海洋波形分类器，并分析待测样本，输出最终的非海洋回波类型，将非海洋回波类型添加到近岸波形数据库中。
实施例2
本发明的实施例2提出了一种星载雷达高度计的近岸非海洋波形检测分类系统，所述系统包括：训练好的非海洋波形检测模型、训练好的非海洋波形分类器、数据预处理及特征提取模块、非海洋波形检测模块和非海洋波形分类模块；其中，
所述数据预处理及特征提取模块，用于接收星载雷达高度计采集的测量数据，根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
所述非海洋波形检测模块，用于将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
所述非海洋波形分类模块，用于将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库。
以上模块的实现过程同实施例1。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种星载雷达高度计的近岸非海洋波形检测分类方法，所述方法包括：
接收星载雷达高度计采集的测量数据；
根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库；
所述方法还包括非海洋波形检测模型的训练步骤；具体为：
建立训练集，所述训练集T＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xN,yN)}，xi为第i个波形特征向量，yi为类标记，yi∈{-1,+1},i＝1,2,...,N,-1表示非海洋波形，+1表示海洋波形；N为样本数；
采用最优决策超平面求解关于权值和松弛变量的代价函数：
其中，(x1,x2,…xi,…xN)为输入特征向量，为权值向量，b为偏置，ξi为松弛变量，
利用Lagrange系数方法解决约束最优问题：
其中，α＝(α1,α2,…αi,…αN)为拉格朗日向量，αi为第i个拉格朗日乘子；
转化为对偶问题，并使用RBF核函数代替内积：
其中，xj为第j个波形特征向量，σ为扩展参数，得到最优解/>并代入分类决策函数：
其中，
不断迭代直至收敛，得到训练好的非海洋波形检测模型。
2.根据权利要求1所述的星载雷达高度计的近岸非海洋波形检测分类方法，其特征在于，所述根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；具体包括：
根据经纬度截取近岸区域的测量数据，进行时空匹配得到近岸测高波形；
对近岸测高波形进行特征提取；所述特征数据包括：自动增益控制、重心位置、峰度、波形峰值、偏度、标准差、有效波高和宽度；
将提取得到的特征数据转化为同一尺度，对于缺失的特征数据进行填充，其中有效波高的缺失值用0填充，其他特征的缺失值用该特征的均值填补，进而得到规范化的波形特征数据；
计算规范化的波形特征数据之间的相关系数，根据相关系数，使用主成分分析法，通过正交变换得到降维后的波形特征数据。
3.根据权利要求1所述的星载雷达高度计的近岸非海洋波形检测分类方法，其特征在于，所述非海洋波形检测模型的输入为波形特征数据，输出为检测结果，所述检测结果为海洋数据或非海洋数据，所述非海洋波形检测模型为基于RBF核支持向量机构造的非线性支持向量机。
4.根据权利要求1所述的星载雷达高度计的近岸非海洋波形检测分类方法，其特征在于，所述非海洋波形分类器的输入为非海洋波形特征数据，输出为非海洋波形类型；所述非海洋波形分类器为人工神经网络，包括输入层、隐藏层和输出层。
5.根据权利要求4所述的星载雷达高度计的近岸非海洋波形检测分类方法，其特征在于，所述非海洋波形类型包括：尖峰位于回波下降沿的波形、回波后沿抬升的波形、尖峰位于平顶区的波形、尖锥状波形的波形、回波上升沿存在尖峰的波形和似陆地波形。
6.根据权利要求5所述的星载雷达高度计的近岸非海洋波形检测分类方法，其特征在于，所述方法还包括非海洋波形分类器的步骤；具体为：
建立训练集；
将训练集中的训练样本输入人工神经网络的输入层，隐藏层第h个神经元接收到来自输入层的输入为输出层第j个神经元接收到来自隐藏层的输入为/>
其中，Vih为输入层第i个神经元与隐藏层第h个神经元之间的连接权重，Whj为隐藏层第h个神经元与输出层第j个神经元之间的连接权重，bh为隐藏层经过激活函数后第h个神经元的输出；
计算输出层估计值zk与实际值zi之间的均方误差，并将该均方误差从输出层向隐藏层反向传播，直至输入层，并根据均方误差调整参数权重，不断迭代直至满足预设终止条件，获得网络最优参数组合，从而得到训练好的非海洋波形分类器。
7.一种星载雷达高度计的近岸非海洋波形检测分类系统，其特征在于，所述系统包括：训练好的非海洋波形检测模型、训练好的非海洋波形分类器、数据预处理及特征提取模块、非海洋波形检测模块和非海洋波形分类模块；其中，
所述数据预处理及特征提取模块，用于接收星载雷达高度计采集的测量数据，根据经纬度截取近岸区域的测量数据，经预处理及特征提取得到波形特征数据，根据波形特征数据的相关系数，使用主成分分析法得到降维后的波形特征数据；
所述非海洋波形检测模块，用于将降维后的波形特征数据输入预先训练好的非海洋波形检测模型，检测出非海洋波形数据；
所述非海洋波形分类模块，用于将非海洋波形数据输入预先训练好的非海洋波形分类器，得到非海洋回波类型，并添加至近岸波形数据库；
所述非海洋波形检测模型的训练步骤具体为：
建立训练集，所述训练集T＝{(x1,y1),(x2,y2),…,(xi,yi),...,(xN,yN)}，xi为第i个波形特征向量，yi为类标记，yi∈{-1,+1},i＝1,2,...,N,-1表示非海洋波形，+1表示海洋波形；N为样本数；
采用最优决策超平面求解关于权值和松弛变量的代价函数：
其中，(x1,x2,…xi,…xN)为输入特征向量，为权值向量，b为偏置，ξi为松弛变量，
利用Lagrange系数方法解决约束最优问题：
其中，α＝(α1,α2,…αi,…αN)为拉格朗日向量，αi为第i个拉格朗日乘子；
转化为对偶问题，并使用RBF核函数代替内积：
其中，xj为第j个波形特征向量，σ为扩展参数，得到最优解/>并代入分类决策函数：
其中，
不断迭代直至收敛，得到训练好的非海洋波形检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049595.XA CN112782690B (zh) | 2021-01-14 | 2021-01-14 | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049595.XA CN112782690B (zh) | 2021-01-14 | 2021-01-14 | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112782690A CN112782690A (zh) | 2021-05-11 |
| CN112782690B true CN112782690B (zh) | 2023-10-13 |
Family
ID=75756744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110049595.XA Active CN112782690B (zh) | 2021-01-14 | 2021-01-14 | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112782690B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117518089B (zh) * | 2024-01-08 | 2024-03-12 | 国家卫星海洋应用中心 | 一种近岸构造波形重跟踪方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
| CN102565767A (zh) * | 2011-12-23 | 2012-07-11 | 中国科学院空间科学与应用研究中心 | 一种星载海洋雷达高度计地面检定仪 |
| CN105738881A (zh) * | 2016-03-09 | 2016-07-06 | 中国石油大学(华东) | 基于波形分类的近海Envisat卫星测高波形重定方法 |
| JP2018146540A (ja) * | 2017-03-09 | 2018-09-20 | 三菱重工業株式会社 | 観測システム、水上観測システムおよび観測方法 |
| CN110907907A (zh) * | 2019-10-19 | 2020-03-24 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种海杂波多普勒谱特性分析对比方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7929375B2 (en) * | 2007-06-26 | 2011-04-19 | The United States Of America As Represented By The Secretary Of The Navy | Method and apparatus for improved active sonar using singular value decomposition filtering |
| US9494675B2 (en) * | 2013-04-17 | 2016-11-15 | Applied Signals Intelligence, Inc. | System and method for nonlinear radar |
| WO2020056073A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
-
2021
- 2021-01-14 CN CN202110049595.XA patent/CN112782690B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
| CN102565767A (zh) * | 2011-12-23 | 2012-07-11 | 中国科学院空间科学与应用研究中心 | 一种星载海洋雷达高度计地面检定仪 |
| CN105738881A (zh) * | 2016-03-09 | 2016-07-06 | 中国石油大学(华东) | 基于波形分类的近海Envisat卫星测高波形重定方法 |
| JP2018146540A (ja) * | 2017-03-09 | 2018-09-20 | 三菱重工業株式会社 | 観測システム、水上観測システムおよび観測方法 |
| CN110907907A (zh) * | 2019-10-19 | 2020-03-24 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种海杂波多普勒谱特性分析对比方法 |
Non-Patent Citations (5)
| Title |
|---|
| An Innovative Approach for the Calibration of Wide Swath Altimeters;Xi-Yu Xu.et.al;IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium;全文 * |
| HY-2卫星高度计有效波高反演算法研究;徐莹;中国优秀硕士学位论文全文数据库;全文 * |
| 中国近岸海域高度计JASON-1测量数据的波形重构算法研究;杨乐 等;海洋学报;第32卷(第6期);全文 * |
| 基于聚类分析的卫星雷达测高波形分类研究;汪海洪 等;武汉大学学报;第35卷(第7期);全文 * |
| 近海卫星测高波形分类与判别;周浩 等;测绘科学;第40卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112782690A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Poisson et al. | Development of an ENVISAT altimetry processor providing sea level continuity between open ocean and Arctic leads | |
| CN111695440B (zh) | 基于雷达高度计的ga-svr湖泊水位测量与预测方法 | |
| CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
| JP2019211342A (ja) | 気象解析装置、気象解析方法、およびプログラム | |
| CN117274831B (zh) | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 | |
| CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
| Chen et al. | A novel scheme for extracting sea surface wind information from rain-contaminated x-band marine radar images | |
| CN112782690B (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 | |
| Tang et al. | CYGNSS soil moisture estimations based on quality control | |
| Park et al. | Estimation of significant wave heights from X-band radar using artificial neural network | |
| CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
| Mounet et al. | Deriving spatial wave data from a network of buoys and ships | |
| CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 | |
| CN112434590A (zh) | 一种基于小波变换的sar影像风条纹识别方法 | |
| CN115859840B (zh) | 一种海洋环境动力要素区域极值分析方法 | |
| CN112380984B (zh) | 一种基于遥感的盐沼植被缓流能力空间评价方法 | |
| CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
| Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
| Liu et al. | Detection of rain/no rain condition on the ground based on radar observations | |
| Sinurat et al. | Waveform classification and retracking of Jason-2 and Jason-3 in Halmahera Sea | |
| CN113534085B (zh) | 一种干涉成像高度计的海面风速和有效波高联合反演方法 | |
| Peng et al. | Validation of wind speeds from brown-peaky retracker in the Gulf of Mexico and east coast of north America | |
| Xu et al. | Classification of coastal altimetric waveforms using machine learning technology | |
| CN118470562B (zh) | 基于星载激光雷达点云的水深反演方法 | |
| CN118607417B (zh) | 沿海地区海洋环境风险识别方法、产品、介质及设备 |
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 |