【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于cnn-lstm模型的地波雷达数据质量控制方法。
技术介绍
1、目前海流数据的获取主要来自数值模拟和实际观测。数值模拟虽然可以实时模拟出整个海区的海流状况，但是其精度较低。实际定点观测数据虽然准确，但是往往只能得到一个点或者一个垂直剖面的数据，难以获得大范围海区的观测数据，并且易受环境影响。高频地波雷达具有超视距、大范围、全天候以及低成本的优点，并且其受天气影响小。在使用地波雷达反演计算海流这一领域，现在正在不断改进，逐渐趋于成熟。虽然现有技术可以在地波雷达观测高精区获得准确度较高的海流信息，但是由于传统的计算方法都是基于雷达回波信息，没有考虑实际海洋环境的影响，这个高精度区的范围相较于雷达实际获取的海域数据范围要小很多。
2、在利用高频地波雷达数据获取海流数据这一领域上，主要存在以下问题：
3、1、现有的大部分反演算法都是基于电子信息理论，这种方法存在一定的局限性。在沿岸地区，雷达电磁波容易受到海岸线以及岛屿的干扰，海底地形也比较复杂，并且潮汐、径流、风等多方面因素也会造成影响，雷达电磁回波并不能有效解析这些物理因子之间的相互作用，因此利用电子信息理论得到的海流信息准确度比较低。
4、2、目前存在的利用神经网络对雷达数据进行校正的技术，大部分的神经网络的输入层中只用到了雷达高精度区的回波参数，没有加入影响海流的物理过程的海洋环境信息。少部分加入了潮汐和风场，但在对受地形影响区域的雷达数据进行校正时，由于既没有考虑地形的影响，也没有对数据的空间特征进行提取
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于cnn-lstm模型的地波雷达数据质量控制方法，能够提高雷达探测数据合成的海流方向准确性。
2、为实现上述目的，本专利技术实施例的一方面提出了一种基于cnn-lstm模型的地波雷达数据质量控制方法，包括以下步骤：
3、根据雷达回波数据的准确度差异，确定受地形影响的雷达探测数据范围；
4、根据所述雷达探测数据范围，对cnn-lstm神经网络进行训练，得到目标模型；
5、根据所述目标模型对受地形影响区域的雷达数据进行校正，得到校正后的雷达数据。
6、在一些实施例中，所述根据雷达回波数据的准确度差异，确定受地形影响的雷达探测数据范围，包括以下步骤：
7、根据雷达回波数据的准确度差异，在靠近海岸线和岛屿的雷达探测区域内探测数据；
8、将合成海流的经验正交函数的椭圆方向角误差大于40°的区域判定为受地形影响的雷达探测数据范围。
9、在一些实施例中，所述根据所述雷达探测数据范围，对cnn-lstm神经网络进行训练，得到目标模型，包括以下步骤：
10、根据cnn-lstm神经网络建立初始模型；
11、以需校正数据点为中心点的9×9的矩阵作为cnn-lstm神经网络的输入数据；
12、将cnn-lstm神经网络的训练周期设置为200轮，网络模型的权重参数使用adam优化算法进行更新，初始学习速率设置为0.001；
13、在对网络模型进行的训练中，对卷积层层数、卷积核大小以及lstm模块的隐藏层层数进行调整；
14、确定最终的网络结构，将所有输入训练数据作为训练集，训练神经网络，当达到目标最小误差并保持相对稳定时结束训练，生成雷达数据校正模型作为所述目标模型。
15、在一些实施例中，在对cnn-lstm神经网络进行训练的过程中，还包括以下步骤：
16、根据eof椭圆方向角误差、平均流方向角误差以及eof椭圆长短轴误差，确定评估指标，对所述目标模型进行验证；该步骤具体为：
17、建立数据矩阵，第一列和第二列分别是u分量和v分量，然后通过eof分析将速度矩阵分解为第一模态和第二模态；其中，椭圆的长轴代表流速的最大标准差的特征值的第一模态，短轴为特征值的第二模态；
18、椭圆的方向角使用公式计算获得，其中v1和v2分别是第一模态和第二模态的特征向量：
19、eof椭圆方向角误差、平均流方向角误差计算公式为：
20、δθ＝|(θ1-θ2+180°)mod360°-180°|，其中，θ1和θ2分别代表观测值和校正值的eof椭圆方向或平均流方向的角度，mod为取模运算，δθ为误差角度；
21、eof椭圆长短轴误差e的计算公式为：
22、其中，lmajradar代表雷达数据eof椭圆的长轴；lmajobservation代表观测数据eof椭圆的长轴；lminradar代表雷达数据eof椭圆的短轴；lminobservation代表观测数据ef椭圆的短轴。
23、在一些实施例中，所述根据cnn-lstm神经网络建立初始模型，包括以下步骤：
24、通过卷积操作对卷积神经网络cnn中的特征进行提取，卷积操作通过在输入数据上滑动一个卷积核，逐步提取局部特征，特征提取的计算公式为：其中，y(x，y)表示积神经网络提取的特征矩阵中(x，y)位置的值；r为relu激活函数；卷积核的大小为(m×n)；i(x+i，y+j)为输入数据矩阵中对应卷积核位置(i，j)的值；k(i，j)为卷积核中(i，j)位置的值；b为偏置项；
25、平均池化的计算公式如下：
26、
27、其中，o(x，y)表示输出特征矩阵中(x，y)位置的值；池化窗口的大小为(m×n)；s是步长，表示池化窗口每次滑动的步长；y(x·s+i，y·s+j)表示池化窗口覆盖的输入特征图中的元素；
28、lstm神经网络的网络参数的计算公式为：
29、ft＝σ(wf·[ht-1，xt]+bf)
30、it＝σ(wi·[ht-1，xt]+bi)
31、
32、ot＝σ(wo·[ht-1，xt]+bo)
33、ht＝ot*tanh(ct)
34、其中，σ表示sigmoid激活函数；tanh表示双曲正切激活函数；·表示点积；*表示哈达玛乘积；t是时间步；xt是第t时刻的输入数据；ht是第t时刻的隐藏状态；表示候选单元状态；ct是t时刻的单元状态；ft是遗忘门，决定从单元状态ct中丢弃哪些信息；it是输入门，控制当前时刻的候选状态有多少信息需要被保存到单元状态中；ot是输出门，输出门控制当前状态ct有多少信息被输出到隐藏状态ht；wf、wi、wc及wo是对应门和单元的权重；bf、bi、bc及bo是对应门和单元的偏置项；
35、神经网络训练时所用损失函数的计算公式为：
36、
37、其中，n为样本数量；yi为观测值在第i个样本文档来自技高网...
【技术保护点】
1.一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，所述根据雷达回波数据的准确度差异，确定受地形影响的雷达探测数据范围，包括以下步骤：
3.根据权利要求1所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，所述根据所述雷达探测数据范围，对CNN-LSTM神经网络进行训练，得到目标模型，包括以下步骤：
4.根据权利要求3所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，在对CNN-LSTM神经网络进行训练的过程中，还包括以下步骤：
5.根据权利要求3所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，所述根据CNN-LSTM神经网络建立初始模型，包括以下步骤：
6.根据权利要求3所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，所述以需校正数据点为中心点的9×9的矩阵作为CNN-LSTM神经网络的输入数据，
7.根据权利要求1所述的一种基于CNN-LSTM模型的地波雷达数据质量控制方法，其特征在于，所述根据所述目标模型对受地形影响区域的雷达数据进行校正，得到校正后的雷达数据，具体为：
8.一种基于CNN-LSTM模型的地波雷达数据质量控制系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于cnn-lstm模型的地波雷达数据质量控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于cnn-lstm模型的地波雷达数据质量控制方法，其特征在于，所述根据雷达回波数据的准确度差异，确定受地形影响的雷达探测数据范围，包括以下步骤：
3.根据权利要求1所述的一种基于cnn-lstm模型的地波雷达数据质量控制方法，其特征在于，所述根据所述雷达探测数据范围，对cnn-lstm神经网络进行训练，得到目标模型，包括以下步骤：
4.根据权利要求3所述的一种基于cnn-lstm模型的地波雷达数据质量控制方法，其特征在于，在对cnn-lstm神经网络进行训练的过程中，还包括以下步骤：
5.根据权利要求3所述的一种基于cnn-lstm模型的地波雷达数据质量控制方法，其特征在于，所...
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。