【技术实现步骤摘要】
本专利技术属于海杂波散射系数预测，尤其涉及一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法。
技术介绍
1、微波雷达在海面遥感及海洋监控领域起着至关重要的作用，海杂波是影响海面微弱目标探测准确性的重要因素。研究海杂波特性在雷达参数选择及性能评估中起着至关重要的作用。海杂波散射系数是海杂波重要特性之一，能够反应海杂波的功率水平。因此，在雷达信号逐渐精细化处理的发展过程中，对海杂波散射系数高精度的预测至关重要。
2、海面散射机理研究和试验数据表明散射系数与雷达波段、极化方式、空间分辨率、照射的擦地角以及海况等众多因素有关。传统的海况划分依据只有有效波高这一种海洋环境要素，当仅使用海况作为海面粗糙度的描述时，海面反射率经验模型的精度可能会有所偏差。在相同海况下，最大波高、波周期、风速等海洋环境要素差异较大时，海浪结构也不尽相同，对应的海杂波后向散射性也不同。
3、雷达参数固定时，海洋环境要素(有效波高、最大波高、波周期、最大波周期、风速等)的不确定性以及海浪运动的随机性，海浪的不同结构使得雷达探测的得到的回波也不尽相同。传统的基于数据和物理浅层局限性认知方法应用范围窄、可推广性差，使得不同海域海杂波特性难以利用传统经验模型进行预测，不能从根本上解决实际应用的需求，亟需建立适合我国重点海域的海杂波散射系数预测模型，为雷达系统设计及其感知平台提供技术支撑。
4、由此可见，针对海杂波特性研究，现有的海杂波反射率模型中存在预测精度不高的技术问题，急需更有效的方法进行海杂波散射系数预测。
>技术实现思路
1、为了克服上述现有技术的不足，本专利技术提供一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法，用来解决海杂波散射系数预测精度不高的问题，可应用于黄海海杂波散射系数预测，能够提升雷达技术指标设计及杂波抑制水平。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法，先基于带预测海域内的定点浮标实测有效波高、最大波高、波周期、最大波周期、风速的海洋环境要素数据进行包含k-mean算法、gmm算法、谱聚类算法、fuzzy c-means算法、affinity propagation(ap)算法的聚类分析，每一类代表一种海浪结构，再结合聚类有效性指标进行评估，选出适用于数据集最优的聚类算法，得到基于多种海洋环境要素的精细划分的海浪结构，然后在此海浪结构的标准上进行判别分析，建立海浪结构判别模型，用于新数据海浪结构类型的判别，最后基于雷达实测海杂波数据，结合nrl-msinn模型，建立不同海浪结构对应的海杂波散射系数预测模型，实现海杂波散射系数的预测，具体包括如下步骤：
4、s1、数据集构建：
5、收集待预测海域内定点浮标的实测有效波高、最大波高、平均波高，波向、波周期、平均波周期、最大波周期、风速和风向海洋环境要素数据构建数据集，并将数据集划分为训练集、验证集和测试集，其中训练集和测试集用于海浪结构的聚类分析和海浪结构判别模型的构建，验证集用于验证海浪结构判别模型对新海洋环境要素数据的可用性；
6、s2、最优聚类方法的确定：选择affinity propagation(简称ap)聚类对有效波高、最大波高、波周期、最大波周期、风速五种海洋环境要素数据聚类分析；
7、s3、精细化划分多种类型的海浪结构：使用in-group proportion指标作为affinity propagation聚类有效性指标，运用交叉验证的方法对偏向参数p和阻尼因子lamda选择合适的超参数值，在最优聚类有效性指标值下ap聚类得到的聚类簇数为6，得到6类基于实测有效波高、最大波高、波周期、最大波周期、风速5五种海洋环境要素的精细划分的海浪结构；
8、s4、生成海浪结构判别模型：根据步骤s3得到的聚类结果，对每组海洋环境要素进行1～6的类别标记，标记后的数据使用支持向量机(svm，support vector machine)进行判别分析，训练得到海浪结构判别模型，并使用验证集对判别模型进行验证，得到验证集的判别结果；
9、s5、搭建nrl-msinn散射系数关联模型：同一种海洋环境参数下，雷达采集不同距离的海杂波数据。在雷达参数固定的情况下，基于6类海浪结构对应的多参数数据，逐一进行每类海杂波散射系数预测模型的训练得到nrl-msinn散射系数关联模型；
10、s6、测试模型并优化网络结构：优化各类海浪结构对应的nrl-msinn散射系数预测模型中深度神经网络的隐层层数以及各隐层对应的神经网络个数，使各类散射系数预测模型测试集的均方误差值达到最小。
11、作为本专利技术的进一步技术方案，步骤s5搭建的散射系数预测模型包括输入层、多个全连接层和输出层，输入层的输入数据分别来自浮标、风速计、nrl模型中关于擦地角的函数以及计算参数，包括用于海浪结构分类的五种海洋环境要素(波高、最大波高、风速、波周期和最大波周期)及浪向和风向、nrl模型中关于擦地角的函数(擦地角的正弦函数和复合函数)以及计算参数(海情、擦地角和雷达照射面积相关参数)，全连接层采用深度神经网络，每个全连接层均由多个神经元组成，层内神经元无连接，层间神经元自前向后单向连接，模型中相邻两层隐含层的激活函数选择修正线性单元(relu)，修正线性单元(relu)在特征值比较大时，梯度为1，不会导致梯度消失的问题，散射系数预测的公式可表示如下：
12、
13、其中，w1，w2...wm...wout是dnn模型中待确定的两隐层之间的权值矩阵；是待确定的两隐层之间的偏置向量；是输入样本；为预测到的散射系数。
14、作为本专利技术的进一步技术方案，步骤s5训练散射系数预测模型时，将每一类海洋环境数据随机划分为训练集、验证集及测试集，训练其每一类海浪结构的海杂波散射系数预测模型，训练过程中采用的损失函数为均方误差(rmse)，利用adam算法训练模型中的参数。
15、本专利技术使用多种海洋环境要素(有效波高、最大波高、波周期、最大波周期、风速)和聚类算法精细化划分出6类海浪结构，并根据精细化划分的海浪结构进行判别分析，得到判别模型，这一判别模型可以对新的数据进行海浪结构类别的判别，再针对每一类海浪结构利用nrl-msinn模型进行散射系数的预测，实现了海域海杂波散射系数更高精度的预测。
16、与现有技术相比，本专利技术的有益效果是：
17、本专利技术提供了一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法。该方法本专利技术使用实测海浪及海杂波数据，先结合多种海洋环境要素(有效波高、最大波高、波周期、最大波周期、风速)和聚类算法精细化划分出多种海浪结构，并得到精细化划分的海浪结构判别模型，这一判别模型可以对新的数据进行新定义海浪结构类别的判别，再针对每一类海浪结构利用nrl-msinn模型进行散射系数的预测，得到和6类海浪结构一一对应的散射系数预测模型，本文档来自技高网...
【技术保护点】
1.一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述基于海洋环境要素聚类的海杂波散射系数高精度预测方法，其特征在于，步骤S5搭建的散射系数预测模型包括输入层、多个全连接层和输出层，输入层的输入数据分别来自浮标、风速计、NRL模型中关于擦地角的函数以及计算参数，包括用于海浪结构分类的波高、最大波高、风速、波周期和最大波周期五种海洋环境要素及浪向和风向、NRL模型中关于擦地角的擦地角的正弦函数和复合函数以及海情、擦地角和雷达照射面积相关参数，全连接层采用深度神经网络，每个全连接层均由多个神经元组成，层内神经元无连接，层间神经元自前向后单向连接，模型中相邻两层隐含层的激活函数选择修正线性单元，修正线性单元在特征值比较大时，梯度为1，不会导致梯度消失的问题，散射系数预测的公式可表示如下：
3.根据权利要求2所述基于海洋环境要素聚类的海杂波散射系数高精度预测方法，其特征在于，步骤S5训练散射系数预测模型时，将每一类海洋环境数据随机划分为训练集、验证集及测试集，训练其每一类海浪结构的海杂波散射系数预测模型，
...【技术特征摘要】
1.一种基于海洋环境要素聚类的海杂波散射系数高精度预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述基于海洋环境要素聚类的海杂波散射系数高精度预测方法，其特征在于，步骤s5搭建的散射系数预测模型包括输入层、多个全连接层和输出层，输入层的输入数据分别来自浮标、风速计、nrl模型中关于擦地角的函数以及计算参数，包括用于海浪结构分类的波高、最大波高、风速、波周期和最大波周期五种海洋环境要素及浪向和风向、nrl模型中关于擦地角的擦地角的正弦函数和复合函数以及海情、擦地角和雷达照射面积相关参数，全连接层采用深度...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。