没有合适的资源?快使用搜索试试~ 我知道了~
气象雷达回波图中区域地物杂波检测算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 109 浏览量
2023-02-23
20:13:38
上传
评论
收藏 1.16MB DOCX 举报
温馨提示
试读
14页
气象雷达回波图中区域地物杂波检测算法.docx
资源推荐
资源详情
资源评论
摘要
针对多普勒气象雷达回波图中的地物杂波只能通过肉眼识别且效率低下的问题,提出一种结合卷积
神经网络模型与区域重 叠灰 度共 生矩 阵的 算法 ,以 实现 对雷 达回 波图 中特 定杂 波区 域的 高效 识别 。
首先设计一个卷积神经网络模型,利用数据集对卷积神经网络进行训练,从而对雷达回波图的俯仰
角进行识别;然后利用区域重叠灰度共生矩阵算法对低仰角的气象雷达回波图进行特征提取,检测
出存在地物杂波的具体 区域 ;最 后得 出地 物杂 波所 在具 体区 域的 坐标 。经 过大 量实 验, 结果 表明 ,
该算法可对气象雷达回波图中的地物杂波进行有效识别。
Abstract
To solve the problem that the ground clutter in Doppler weather radar echo map can
only be recognized by naked eye, an algorithm based on convolution neural
network model and area overlap gray level symbiosis matrix is presented to identify
the specific area where the clutter exists in the radar echo map. Firstly, a
convolution neural network model is designed, and the convolution neural network
is trained with the dataset to recognize the pitch angle of the radar echo map.
Then, the area overlap gray level symbiosis matrix algorithm is used to extract the
features of low elevation weather radar echo map, and detect the specific area of
ground clutter. Finally, the coordinates of the specific area where there is ground
clutter are obtained. Tests show that this design can effectively identify the clutter
in the meteorological radar echo map.
译
关键词
气象雷达回波图; 卷积神经网络模型; 区域重叠灰度共生矩阵算法; 地物杂波
Keywords
meteorological radar echo map; convolutional neural network model; region overlap
gray level co-occurrence matrix algorithm; ground clutter
译
0 引言
当下是人工智能的时代,随着万物皆互联的呼声越来越高,很多需要手工作业完成的工作都开始思
考如何用人工智能来替代。随着全国各地天气雷达网的逐步完善,国内已建成覆盖人口密集区的天
气雷达网。气象状况与人类的生产生活息息相关,天气状况预测在农业、民航等各个领域也发挥着
重要作用。虽然天气雷达可通过识别静止像素判断目标是否运动,从而消除大部分地物杂波,但在
低角度区域仍会受到地物杂波的干扰,无法完全识别。当前,仍然需要依靠相关从业人员通过肉眼
判别出地物杂波的存在,很明显该工作需要浪费一定人力且效率低下。
为解决该问题,杜言霞等
[ 1]
提出通过综合识别法去除风廓线雷达地物杂波的可行性研究;侯庆禹
等
[ 2 ]
提出一种结合 keystone 变换在频率域—多普勒域联合提取目标信号和抑制杂波的新方法,
但都没有很好地解决块状地物杂波与杂散地物杂波同时存在的问题。在参考 Mohanaiah 等
[ 3]
、Gao
等
[ 4]
提出的 GLCM 算法基础上,黄云仙等
[ 5]
提出的灰度共生矩阵自适应雷达杂波抑制方法可识别
整幅雷达回波图中的地物杂波是否存在,但无法判断雷达回波图中具体区域的地物杂波。
本文在前人研究的基础上,提出一种区域重叠灰度共生矩阵算法,以识别雷达回波图中具体区域存
在的地物杂波。另外, 因为 地物 杂波 基本 存在 于雷 达扫 描低 仰角 区域 ,而 在高 仰角 区域 鲜有 存在 ,
所以利用深度学习算法训练神经网络,对截取的雷达回波图中特定低仰角范围内的回波图进行角度
识别,过滤高仰角度区域,以减少计算量。采用区域重叠灰度共生矩阵算法与深度学习算法相结合
的方式,可较准确地找出雷达气象回波图中具体区域存在的地物杂波情况,减少了计算冗余,让算
法的运行更加流畅,较完美地实现了以机器视觉代替肉眼识别,降低了对人的依赖程度,从而节约
了成本
[ 6-1 6]
。
1 基本原理
卷积神经网 络 模 型 采 用 3 个卷积层 ( Convolution)、2 个池化 层 ( Pooling) 和 2 个 全连接层
(Pooling)构成,采用 5*5 的卷积核运算。首先将 32*32 的训练数据经过第一层卷积层,得到
第一次卷积之后的特征图;然后经过第二层卷积,再经过池化层对提取的特征进行压缩,得到第二
次提取的特征图;之后经过第三次卷积和池化层,得到第三次特征图;最后经过两次全连接层,得
到属于每一个 0-9 数字的概率,从而达到识别俯仰角的目的。利用训练好的模型对数字 0-9 进行
准确识别,可以很清晰地获取俯仰角度数。
在经过俯仰角判别之后,过滤高角度的雷达回波图,只对低角度的雷达回波图进行判别。利用区域
重叠灰度共生矩阵算法对低角度雷达回波图进行纹理特征提取,得到对比度(Contrast)、相关性
(Correlation)、能量(Energy)、熵(entropy)4 种不同阈值,通过不同阈值判断存在地物
杂波的具体区域。
实验结果表明,利用区域重叠灰度共生矩阵算法计算得到雷达回波图的 4 种不同阈值,可较好地判
断该区域是否存在地物杂波,并且得到地物杂波具体区域的坐标。
2 卷积神经网络
2.1 卷积神经网络简介
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构
的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算
法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输
入信息进行平移不变分类(Shift-invariant Classification),因此也被称为“平移不变人工神经
网络(Shift-Invariant Artificial Neural Networks, SIANN)”,通常包含数据预处理(Data
Preprocessing ) 、 卷 积 层 构 建 ( Convolution ) 、 池 化 层 构 建 ( Pooling ) 、 全 连 接 层 构 建
( Affine ) , 以 及 激 活 函 数 ( Activation ) 、 优 化 器 ( Optimizer ) 以 及 损 失 函 数 ( Loss
Function)几部分。其工作原理是先通过卷积计算层提取图像特征,接着利用激活函数对图像特征
进行非线性化操作。经过多次卷积层和激活层后,通过池化层对提取的特征进行压缩,最后通过全
连接层对提取的特征进行连接,最终得到属于各个类别的概率,从而达到识别的目的。
由于雷达在低仰角处更容易受到地物杂波信号的影响,因此利用卷积神经网络对雷达的仰角进行判
别,在低角度处利用区域重叠灰度共生矩阵算法识别杂波区域,而在高角度处基本不受地物杂波信
号的影响,从而大大降低了系统计算的复杂度,提高了效率。
2.2 模型介绍
该卷积神经网络模型采用 MINIST 数据集进行训练与测试,其模型结构包括 3 个卷积层、2 个池化
层和 2 个全连接层,如图 1 所示。输入层是 32*32 的灰度图像,卷积核大小是 3*3。
图 1 卷积神经网络模型
Fig. 1 Convolution neural network model
下载: 原图 | 高精图 | 低精图
首先,经过卷积层 C1。利用 6 个不同的 3*3 卷积核进行步长为 1 的卷积运算,以提取出 6 个不
同的 30*30 特征图,使得到的特征更加全面。当然也可以选择更多不同的卷积核进行特征提取,
使得到的特征更加全面,但无疑会增加训练时间,也有可能会出现过拟合现象。这一步不进行池化
的目的是为了不对得到的特征图进行特征压缩,尽可能保留比较全面的特征。
然后,经过卷积层 C2。在经过卷积层 C1 时得到了 6 个不同的 30*30 特征图,此层采用 2 个不同
的 3*3 卷积核对经过 C1 层所得的 6 个不同特征图进行卷积计算,得到 12 个不同的 28*28 特征
图。
之后,经过池化层 S1。池化层尺寸为 2×2。池化层的主要目的是为了压缩特征,有效缩小特征矩
阵的尺寸(主要为了减少特征矩阵的长和宽,一般不会减少矩阵深度),从而有效减少最后全连接
层中的参数,以加快计算速度,也可以防止过拟合。S1 所用的是最大池化层(Max-pooling),
其原理如图 2 所示。
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3588
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码+文档说明+界面截图+详细注释(95分以上课程大作业)
- 基于matlab实现眼部判别的疲劳检测系统+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于Matlab的异常姿势识别系统+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 隐藏文件展示工具,用来展示被病毒隐藏的文件
- 基于Matlab的图像分割系统+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于MATLAB指纹门禁GUI设计源码+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于Matlab的仪表指数识别系统霍夫曼变换+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于MATLAB 的霍夫曼变换答题卡识别带GUI界面+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于MATLAB 疲劳驾驶检测专识别GUI源码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
- 基于matlab的虫害侵蚀系统带Gui界面+源代码+全部数据+文档说明+详细注释+使用说明+截图(高分课程设计)
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功