基于深度回归网络的雷达海浪参数测量方法技术

本发明专利技术公开了一种基于深度回归网络的雷达海浪参数测量方法，其特征在于，包括以下步骤：(1)雷达通过天线发射射频调制脉冲信号，射频脉冲遇到目标物体后被反射，再经天线接收，射频回波信号经限幅器限幅后；(2)对步骤(1)中雷达获得的海杂波回波进行选取，选取海杂波特征明显的区域进行海浪参数反演；(3)对步骤(2)选取的测量区域获得的海杂波数据进行抗干扰信号处理；(4)对经过步骤(3)处理的测量区域获得的海杂波数据进行坐标转换；(5)对步骤(4)传递进来的在直角坐标系下的待反演数据，进行时

【技术实现步骤摘要】
基于深度回归网络的雷达海浪参数测量方法


[0001]本专利技术属于海浪参数无线电测量
，尤其涉及一种新型的基于深度回归网络的雷达海浪参数测量方法。

技术介绍

[0002]随着世界人口的增长、环境的恶化，以及陆地上资源大量消耗，世界各国开始把开发海洋作为重要战略，开发海洋的“蓝色革命”已经形成，我国也加快了对海洋开发与研究。
[0003]在对海洋资源的开发和利用中，人类迫切需要了解海洋的各种运动现象(如潮、流、浪等)，对海浪的环境参数进行监测及深入研究海洋参数的监测方法已势在必行，海洋中海浪对海上作业及资源开发的影响最大。海浪参数的准确测量对航路选择、船舶航行安全、海洋安全、海洋军事科学技术以及海洋灾害防治等方面具有重要意义。针对海洋全方位、立体监测需求，需要研究海洋监测技术及海洋参数测试仪器，为海洋的保护和开发提供技术保障。
[0004]通过测波雷达可以进行实时遥测海浪，具有实时、成本低、便捷、易操作的特点。雷达获得的雷达回波图像中包含的海浪回波信息异常丰富，具有较高的分辨率。深度神经网络最近成为解决各种工程问题的一个研究热点，并在很多研究领域获得了成功应用。深度神经网络通过在复杂数据集上进行学习，能获得数据集上高层次的特征信息，从而大大提高了多个科学领域中诸多难题解决的现有技术水平。利用 DNN网络来进行海浪参数估计，能获得比传统方法更高的准确性和稳定性。

技术实现思路

[0005]本专利技术提供了一种基于深度回归网络的雷达海浪参数测量方法，采用深度回归网络对雷达回波数据进行处理，从而获得海浪参数信息，即有效波高、波峰周期、波峰峰向、流速和流向，是一种新型的 X波段海浪参数测量方法，改变了传统雷达测波处理方式，将人工智能方法带入雷达测波。
[0006]本专利技术是通过以下技术方案实现的：
[0007]基于深度回归网络的雷达海浪参数测量方法，包括以下步骤：
[0008](1)雷达通过天线发射射频调制脉冲信号，射频脉冲遇到目标物体后被反射，再经天线接收，通过环形器进入雷达接收通道，射频回波信号经限幅器限幅后，由射频前端低噪声放大、下变频为中频调制信号，雷达通过抗干扰、脉冲压缩等信号处理后获得海杂波回波图像数据；
[0009](2)对步骤(1)中雷达获得的海杂波回波进行选取，选取海杂波特征明显的区域进行海浪参数反演；
[0010](3)对步骤(2)选取的测量区域获得的海杂波数据进行抗干扰信号处理，去除同频异步干扰，结合目标检测去除舰船等目标回波，以及滤除云雨等气象杂波信号，并通过小波变换去除噪声；
[0011](4)对经过步骤(3)处理的测量区域获得的海杂波数据进行坐标转换，采用技术将雷达获得的距离
‑
角度极坐标系数据转换为直角坐标系数据；
[0012](5)对步骤(4)传递进来的在直角坐标系下的待反演数据，进行时
‑
频转换；
[0013](6)将经过步骤(5)处理的三维谱数据输入训练好的深度回归网络获得浪高、浪向、浪周期、流速和流向信息，在使用进行计算之前需要利用浮标标定好的雷达三维谱数据对深度回归网络进行训练。
[0014]作为优选实施例，所述步骤(3)中的小波变换去除噪声的步骤如下：
[0015](a)对回波图像二维小波分解，并选择小波基进行三层分解；
[0016](b)对分解后高频系数进行阈值量化，选择合适的阈值；
[0017](c)重构经过量化处理的小波信号，获得去噪后的回波图像。
[0018]作为优先实施例，所述步骤(5)中利用三维傅里叶变换将其进行时
‑
频转换：
[0019][0020]将图像序列从时间和空间域转化到波数频率域，三维波数频率能量谱：
[0021][0022]作为优选实施例，所述步骤(6)中的深度回归网络的配置，包括如下步骤：
[0023](Ⅰ)深度回归网络的输入是雷达回波数据经过3维FFT后的3 维数据，该3维数据是待测区域坐标转换后的图像序列。数据大小与待测区域大小以及海浪观测积累次数决定；
[0024](Ⅱ)第一层卷积层包含32个卷积核，每个卷积核的大小为5
×
5。第二层卷积层包含16个卷积核，每个卷积核大小为32
×3×
3；
[0025](Ⅲ)两个池化层都采用的都是最大池化函数，池化滤波器的大小是3
×
3，池化层的步进是2；
[0026](Ⅳ)第一层全连接层有30个网络节点，第二个全连接层作为整个深度回归网络的的输出层，拥有5个网络节点，并配备了整流激活函数。输出层的5个节点分别为浪高、浪向、浪周期、流速和流向的回归。
[0027]作为优选实施例，在使用深度回归网络进行海浪参数测量之前，需要用标定好的样本对深度回归网络进行训练，训练中，采用反向传播算法和随机梯度下降法进行训练。
[0028]有益效果：本专利技术是针对海洋中的海浪参数测量，利用深度回归网络对浪高、浪周期、浪向、流速、流向进行估计。测波雷达系统首先通过数字采样对雷达回波中频信号进行数字化，并通过信号处理获得海杂波的雷达图像。利用海杂波雷达图像反演海浪参数信息。
附图说明
[0029]图1为海浪的雷达回波示意图。
[0030]图2为雷达海浪测量算法流程框图。
[0031]图3为海浪参数反演深度回归网络的网络结构框图。
[0032]图4为选取区域极坐标雷达回波图像示意图。
[0033]图5为经过线性插值后获得的笛卡尔坐标系雷达图像示意图。
具体实施方式
[0034]下面结合附图对本专利技术的实施例作详细说明：本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0035]本专利技术基于深度回归网络的雷达海浪参数测量方法，包括以下步骤：
[0036](1)雷达通过天线发射射频调制脉冲信号，射频脉冲遇到目标物体后被反射，再经天线接收，通过环形器进入雷达接收通道，射频回波信号经限幅器限幅后，由射频前端低噪声放大、下变频为中频调制信号，雷达通过抗干扰、脉冲压缩等信号处理后获得海杂波回波图像数据；
[0037](2)对步骤(1)中雷达获得的海杂波回波进行选取，选取海杂波特征明显的区域进行海浪参数反演；
[0038](3)对步骤(2)选取的测量区域获得的海杂波数据进行抗干扰信号处理，去除同频异步干扰，结合目标检测去除舰船等目标回波，以及滤除云雨等气象杂波信号，并通过小波变换去除噪声；
[0039]所述步骤(3)中的小波变换去除噪声的步骤如下：
[0040](a)对回波图像二维小波分解，并选择小波基进行三层分解；
[0041](b)对分解后高频系数进行阈值量化，选择合适的阈值；
[0042](c)重构经过量化处理的小波信号，获得去噪后的回波图像。
[0043](4)对经过步骤(3)处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度回归网络的雷达海浪参数测量方法，其特征在于，包括以下步骤：(1)雷达通过天线发射射频调制脉冲信号，射频脉冲遇到目标物体后被反射，再经天线接收，通过环形器进入雷达接收通道，射频回波信号经限幅器限幅后，由射频前端低噪声放大、下变频为中频调制信号，雷达通过抗干扰、脉冲压缩等信号处理后获得海杂波回波图像数据；(2)对步骤(1)中雷达获得的海杂波回波进行选取，选取海杂波特征明显的区域进行海浪参数反演；(3)对步骤(2)选取的测量区域获得的海杂波数据进行抗干扰信号处理，去除同频异步干扰，结合目标检测去除舰船等目标回波，以及滤除云雨等气象杂波信号，并通过小波变换去除噪声；(4)对经过步骤(3)处理的测量区域获得的海杂波数据进行坐标转换，采用技术将雷达获得的距离
‑
角度极坐标系数据转换为直角坐标系数据；(5)对步骤(4)传递进来的在直角坐标系下的待反演数据，进行时
‑
频转换；(6)将经过步骤(5)处理的三维谱数据输入训练好的深度回归网络获得浪高、浪向、浪周期、流速和流向信息，在使用进行计算之前需要利用浮标标定好的雷达三维谱数据对深度回归网络进行训练。2.根据权利要求1所述的基于深度回归网络的雷达海浪参数测量方法，其特征在于，所述步骤(3)中的小波变换去除噪声的步骤如下：(a)对回波图像二维小波分解，并选择小波基进行三层分解；(b)对分解后高频系数进行阈值量化，选择合适的阈值；(c)重构经过...

【专利技术属性】
技术研发人员：王力，何志伟，允亮，孙珂，胡晨曦，周少杰，马涛，谢天，
申请(专利权)人：上海广电通信技术有限公司，
类型：发明
国别省市：