基于RBF神经网络的航海雷达图像反演海面风速方法技术

本发明专利技术公开了一种基于RBF神经网络的航海雷达图像反演海面风速的方法，属于利用遥感手段反演海洋面风速领域。基于RBF神经网络的航海雷达图像反演海面风速方法，所述发明专利技术包含航海雷达图像数据预处理、RBF神经网络输入层构建、RBF神经网络模型确定和海面风速信息提取四个部分。海面风速反演过程是基于单隐层RBF神经网络训练得到的模型完成的，RBF神经网络输入层样本采用海面风场能量谱、传感器信息及海况信息的归一化结果构建；同时提出应用减聚类算法,根据输入样本的密度指标及聚类判断条件确定神经网络确定隐层单元数和基函数的中心及扩展常数，利用递推最小二乘获得网络输出层连接权值。

【技术实现步骤摘要】
基于RBF神经网络的航海雷达图像反演海面风速方法
本专利技术涉及属于海面风速遥感
，具体涉及一种基于RBF神经网络的航海雷达图像反演海面风速方法。
技术介绍
海面风场对航海作业和海洋动力学研究有重要的意义，且是了解海洋变化与预知风险的重要手段。海面风场信息主要包括海面风向和海面风速两个方面，本专利技术是用于反演海面风速信息的。传统的提取海面风速信息的方式主要有两大类：站点式观测和遥感反演。站点式观测通常在船上或岸边使用测风仪，但由于船体结构及船上建筑物的或是岸基等影响而产生的湍流效应，使风速测量的误差较大，不能满足实际应用。若测风仪安装在浮标上，其测量结果虽较为准确，但测得的仅是浮标位置及附近局部区域的风速信息，还易受海上天气或是海上交通的影响，在时间上和空间上缺乏连续性。现有遥感观测主要有散射计、机载或星载合成孔径雷达(SAR)和卫星高度计等。散射计存在分辨率较低的问题，卫星遥感重复采样率低，且受到云层的干扰，导致测量数据可能不是海表面所要探测的风速信息。X波段雷达具有不受光线影响、实时连续反馈和高分辨率等优点，成为现阶段风场信息获取的重要手段。目前国内外已应用X-band导航雷达实现了海面浪、流，降雨量，海面漏油面积等方面的研究。现有基于航海雷达图像反演海面风速主要算法有两种：一种是模型函数法，一种是神经网络法。Horstmann首次提出应用地球物理模型函数(GMF)得到海面风速信息，但此模型是针对SAR回波强度进行建模，不能准确表达航海雷达回波截面积(RCS)与海面风速的关系，但足已证明海面风场与雷达回波强度具有一定的模型函数关系。Lund等针对FurunoFAR2117BB型号航海雷达，将RCS与海面风速单幅图像进行数据拟合，得到两者之间存在三次多项式非线性关系，并利用计算出风速。Bueno等针对Furuno2117BB型号雷达，利用线性积分法得到雷达回波强度水平与海面风速函数关系获得海面风速信息。LiuY等针对Decca和Furono两种雷达，提出应用双曲线拟合应用实测航海雷达数据提取出海面风速信息。HuangW等针对Decca雷达，提出了利用RCS谱分析算法、RCS与海面风速经验模态分解方法，建立函数模型得到海面风速。陈忠彪等针对9.3GHzFuruno雷达，将RCS、有效波高与海面风速拟合成线性概率分布函数，由此获得海面风速信息。但是，模型函数法不具有普遍应用性，需要针对不同雷达型号对海面风速和RCS进行建模；若建模时应用的数据不能包含各种海况条件，对于同一雷达型号在不同海况下反演误差也会很大，制约了该方法的发展前景。2002年Dankert首先提出神经网络法，根据雷达散射截面积与风速之间存在的关系，利用海面风向信息和NRCS作为输入量，基于BP神经网络反演出海面风速。2006年，Dankert考虑了湿度、温度、信噪比等海洋因素作为BP神经网络的输入量，以提高雷达数据的适用性。2007年Horstmann提出利用提取出的雷达图像序列中的风信息和NRCS做为BP神经网络的输入量，以提高海面风速的反演精度。哈尔滨工程大学贾瑞才采用双隐层单极型S函数BP神经网络法反演出海面风速信息，提高了神经网络的收敛速度及网络推广能力。但BP神经网络存在固有的不足之处，主要表现为易限于局部极小值，学习过程收敛速度慢，隐层和隐层节点数难以确定的问题，从而导致网络对于部分雷达数据不适用，反演精度低及运算时间无法达到工程要求的缺陷。
技术实现思路
针对以上问题，本专利技术公开了一种基于RBF神经网络的航海雷达图像反演海面风速方法，首先，结合传感器及图像信息构建RBF神经网络输入层样本，提高了网络的鲁棒性。其次，利用减聚类算法对样本目标矩阵选取中心，由聚类密度指数判定条件终止反向判定，得到基函数参数和扩展常数，利用递推最小二乘法获得输出层连接权值，从而有效确定RBF神经网络模型。最后，通过实验数据证明该方法从航海雷达图像中提取出海面风速信息结果的可行性。具体包括步骤如下：步骤1，航海雷达图像数据预处理。采集航海雷达图像序列，航海雷达图像序列中包含N幅雷达图像，同时采集对应时间和位置同步传感器获得的实际风向、风速及海况信息，对每幅雷达图像进行中值滤波，抑制同频、雨雪噪声对图像的影响。步骤2，RBF神经网络输入层构建。对航雷达图像序列进行全局低通滤波得到海面静态特征图像，选取风条纹特征明显图像，利用风条纹尺度带通滤波器获得海面风场能量谱，结合传感器及图像信息构建RBF神经网络输入层样本。步骤3，RBF神经网络模型确定。对获取的样本数据海面风场能量谱平均值、海面风向、风速信息及海况信息进行归一化映射，建立RBF神经网络框架，利用减聚类算法对样本目标矩阵选取中心，由聚类密度指数终止反向判定，得到基函数参数和扩展常数，利用递推最小二乘法获得输出层连接权值，最终确定RBF神经网络模型。本专利技术提出基于RBF神经网络的航海雷达图像反演海面风速方法，所述步骤3包括以下步骤：步骤3.1，海面风场能量谱平均值、海面风向信息及海况信息进行归一化映射；①对获得的海面风场能量谱F(kx,ky)沿x和y轴归一化，得到能量谱均值Si：其中，i是对应的雷达图像序列数。②获得每幅雷达图像信噪比rt，以雷达图像时间序列进行归一化，得到海况信息归一化值Ri：其中为二维波数谱经校正后的海浪谱，为雷达图像海浪信号以外的噪声谱。③对风力计获得的海面风向信息di、海面风速信息pi，按雷达图像时间序列进行归一化，得到海面风向、风速信息归一化值Di及Pi：步骤3.2，建立RBF神经网络框架；①对步骤3.1获得的Si、Ri、Di和Pi的所有数据分成两个部分，一部分用于RBF神经网络模型的训练得到海面风速经验模型，另一部分用于模型的测试。②依据海面风场与相关信息的关联性，建立RBF神经框架；该方法设计的RBF神经网络第一层输入层为信号源节点。所述的信号源节点由海面风场能量谱、实测风向、实测风速和海况信息组成，即：xi＝[SiDiRiPi]，(i＝1,2,L,n)(4)第二层隐含层的函数是非线性基函数，非线性基函数的中心就是指实测风速，根据非线性基函数的特点可知，当输入层的数据越靠近实测风速，即越靠近中心时，隐含层对应的数据就会越大。第三层是输出层，它随着输入模式的作用而响应。③RBF输入层到隐含层是一种非线性的映射关系，它按照输入值与中心点的欧式距离乘以一个常数来计算的，随着中心点的确定，权重也随之确定。而隐含层到输出层的连接方式则采用了线性加权。其中，非线性基函数一般选择高斯基函数，公式如下：其中，xi为第一层的信号源节点，bj是指径向基函数的中心，即实测风速的中心向量，σi是第i个隐层单元的扩展常数。RBF神经网络隐含层到输出层的权值向量为：w＝[w1,w2,w3,L,wp](5)可以得出RBF神经网络的输出Gm(x)为：RBF网络训练过程分为两步，第一步是确定隐本文档来自技高网...

【技术保护点】
1.基于RBF神经网络的航海雷达图像反演海面风速方法，其特征在于，包括如下步骤：/n步骤1，航海雷达图像数据预处理，采集航海雷达图像序列，航海雷达图像序列中包含N幅雷达图像，同时采集对应时间和位置同步传感器获得的实际风向、风速及海况信息，对每幅雷达图像进行中值滤波，抑制同频、雨雪噪声对图像的影响；/n步骤2，RBF神经网络输入层构建，对航雷达图像序列进行全局低通滤波得到海面静态特征图像，选取风条纹特征明显图像，利用风条纹尺度带通滤波器获得海面风场能量谱，结合传感器及图像信息构建RBF神经网络输入层样本；/n步骤3，RBF神经网络模型确定，对获取的海面风场能量谱平均值、海面风向、风速信息及海况信息等样本数据进行归一化映射，建立RBF神经网络框架，利用减聚类算法对样本目标矩阵选取中心，由聚类密度指数终止反向判定，得到基函数参数和扩展常数，利用递推最小二乘法获得输出层连接权值，最终确定RBF神经网络模型。/n步骤4，海面风速信息提取，对测试航海雷达图像序列得到的海面风场能量谱平均值，海面风向信息和海况信息进行归一化映射，输入到RBF神经网络模型中，得到海面风速信息。/n

【技术特征摘要】
1.基于RBF神经网络的航海雷达图像反演海面风速方法，其特征在于，包括如下步骤：
步骤1，航海雷达图像数据预处理，采集航海雷达图像序列，航海雷达图像序列中包含N幅雷达图像，同时采集对应时间和位置同步传感器获得的实际风向、风速及海况信息，对每幅雷达图像进行中值滤波，抑制同频、雨雪噪声对图像的影响；
步骤2，RBF神经网络输入层构建，对航雷达图像序列进行全局低通滤波得到海面静态特征图像，选取风条纹特征明显图像，利用风条纹尺度带通滤波器获得海面风场能量谱，结合传感器及图像信息构建RBF神经网络输入层样本；
步骤3，RBF神经网络模型确定，对获取的海面风场能量谱平均值、海面风向、风速信息及海况信息等样本数据进行归一化映射，建立RBF神经网络框架，利用减聚类算法对样本目标矩阵选取中心，由聚类密度指数终止反向判定，得到基函数参数和扩展常数，利用递推最小二乘法获得输出层连接权值，最终确定RBF神经网络模型。
步骤4，海面风速信息提取，对测试航海雷达图像序列得到的海面风场能量谱平均值，海面风向信息和海况信息进行归一化映射，输入到RBF神经网络模型中，得到海面风速信息。


2.根据权利要求1所述的基于RBF神经网络的航海雷达图像反演海面风速方法，其特征在于：
所述步骤3包括以下步骤：
步骤3.1，海面风场能量谱平均值、海面风向、风速信息及海况信息进行归一化映射；
①对获得的海面风场能量谱I(kx,ky)沿x和y轴归一化，得到能量谱均值Si：



式(1)中，i是对应的雷达图像序列数；
②获得每幅雷达图像信噪比rt，以雷达图像时间序列进行归一化，得到海况信息归一化值Ri：



式(2)中为二维波数谱经校正后的海浪谱，为雷达图像海浪信号以外的噪声谱；
③对风力计获得的海面风向信息di、海面风速信息pi，按雷达图像时间序列进行归一化，得到海面风向、风速信息归一化值Di及Pi：



步骤3.2，建立RBF神经网络框架；
①对步骤3.1获得的Si、Ri、Di和Pi的所有数据分成两个部分，一部分用于RBF神经网络模型的训练得到海面风速经验模型，另一部分用于模型的测试；
②依据海面风场与相关信息的关联性，建立RBF神经框架，
该RBF神经网络第一层输入层为信号源节点，第二层隐含层的函数是非线性基函数，非线性基函数的中心就是指实测风速，第三层是输出层，它随着输入模式的作用而响应；
③RBF输入层到隐含层是一种非线性的映射关系，它按照输入值与中心点的欧式距...

【专利技术属性】
技术研发人员：王慧，邱海洋，智鹏飞，朱琬璐，鲍晓明，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32