一种基于局部线性嵌入算法的GNSS-R海冰检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于局部线性嵌入算法的GNSS

【技术实现步骤摘要】
一种基于局部线性嵌入算法的GNSS
‑
R海冰检测方法及装置


[0001]本专利技术涉及海洋气象监测
，具体地，涉及一种基于局部线性嵌入算法的GNSS
‑
R海冰检测方法及装置。

技术介绍

[0002]全球卫星导航系统(Global Navigation Satellite System，GNSS)经历了几十年的发展，已经在国家的社会、军事和经济生活发挥越来越重要的作用。GNSS不仅可以为用户提供导航定位信息、授时等功能，其反射信号也可以被接收与处理，利用GNSS反射信号进行目标遥感测量的技术，被称为GNSS
‑
R技术，利用GNSS经过反射后的信号对反射面的物理特性和参数进行反演已经成为导航应用领域的新的研究热点，主要应用包括海面高度、海浪、海风、海水盐度、海冰、土壤湿度、森林覆盖、移动目标探测等。其中海冰探测是探索、检测海洋重要参数之一，也是海洋气象监测和预报领域一直的关注重点。
[0003]由于在海冰上收集到的扩散系数比在海水上收集到的扩散系数要小，因此，在扩散系数中具有高归一化值的扩散系数像素的数量被认为是检测标准，即根据多普勒频移和时间延迟图像(Delay Doppler Map，DDM)进行海冰探测主要有两种途径，一种是通过评估分布式数据处理和波形中的相干性的方式对海冰的存在性进行验证，另一种是直接利用获取的DDM图像来判别海冰。
[0004]现有的海冰检测方法基本都是利用从星载接收机上获取的DDM，当转化为图像进行处理时，会出现数据量增大，降低处理速度，以使用卷积神经网络技术进行海冰检测为例，使用DDM图像作为输入数据，处理时间一般在两个小时以上，但直接使用原始数据，处理时间一般在四十分钟以内，严重限制利用星载接收机数据对海冰的检测效率。并且由于数据形式为图像，在传输中会出现数据失真，失效等问题。实际实验中，对于海冰的检测需要极高的实时性，使用原始数据和转化的DDM图片数据的处理速度无法满足。针对以上可能出现的问题，提出基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，对原始数据进行降维，将二维的数据转化为一维数据，通过对一维数据进行特征提取，进一步降低数据量，将大批量数据的处理时间缩短到十分钟，单个数据的处理时间缩短到1秒以内，完成对于海冰检测时的实时性，提高海冰检测效率。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的在于提供一种可实现对海冰与海水的分类并可降低数据处理量、具有极高准确率的基于局部线性嵌入算法的GNSS
‑
R海冰检测方法及装置。
[0006]为解决上述问题，本专利技术的技术方案为：
[0007]一种基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，所述方法包括以下步骤：
[0008]对获取的延迟多普勒频移图像数据集进行预处理，筛选合适数据进行调整并生成数据集；
[0009]搭建用于降维的局部线性嵌入算法；
[0010]搭建分类器并完成训练与测试；以及
[0011]利用训练并测试好的分类器对数据集中的数据进行预测，完成海冰与海水的分类。
[0012]可选地，所述对获取的延迟多普勒频移图像数据集进行预处理，筛选合适数据进行调整并生成数据集的步骤具体包括：获取星载接收机上的延迟多普勒频移功率谱数据集，筛选出具备完整特征的延迟多普勒频移功率谱，对筛选出来的延迟多普勒频移功率谱进行噪底处理，减少噪声的干扰，并进行多普勒积分，获得积分延迟波形，对积分延迟波形进行归一化，将归一化的积分延迟波形和类型标签放入数据集中。
[0013]可选地，所述搭建用于降维的局部线性嵌入算法的步骤具体包括：确定表示一个样本所需要的邻域样本个数k，通过距离度量来选择一个样本的k个最近邻，某个样本x
i
和其k个最近邻之间的线性关系中的权重系数w
ij
，所述权重系数w
ij
，满足公式：使用均方差作为损失函数J(w)：
[0014][0015]其中，m表示样本x个数，X
i
表示第i个高维n维度样本，w
ij
表示第i个高维n维度样本的第j个权重系数，Y
i
表示第i个低维d维度样本。
[0016]可选地，对所述损失函数J(w)和权重系数w
ij
进行矩阵化：
[0017][0018][0019]其中，Z
i
＝(x
j
‑
x
j
)
T
(x
i
‑
x
j
)。
[0020]可选地，对所述损失函数J(w)和权重系数w
ij
使用拉格朗日乘法合为一个优化目标：
[0021][0022]并进行权重系数求导，计算得出最终的权重系数为：
[0023]可选地，根据获取的高维数据权重系数，在降维后，这些高维数据权重系数的线性关系依旧要得到保持，高维n维样本为{x1，x2，
…
，x
m
}，其对应的低维d维对应投影为{y1，y2，
…
，y
m
}，对应均方差损失函数J(Y)：
[0024][0025]约束条件为
[0026]可选地，对所述均方差损失函数J(Y)进行矩阵化：
[0027][0028]式中M＝(I
‑
W)
T
(I
‑
W)，tr为迹函数，此处约束函数矩阵化为Y
T
Y＝mI。
[0029]可选地，对矩阵化后均方差损失函数使用拉格朗日乘法合为一个优化目标：
[0030]L(Y)＝tr(Y
T
MY)+λ(Y
T
Y
‑
mI)
[0031]并对Y进行求导，得到MY＝λY。
[0032]可选地，所述搭建分类器并完成训练与测试的步骤具体包括：所述分类器采用SVM分类器，利用数据集的百分八十对所述SVM分类器进行训练，训练出用于海冰分类的SVM分类器，利用数据集的百分二十进行测试。
[0033]进一步地，本专利技术还提供一种基于局部线性嵌入算法的GNSS
‑
R海冰检测装置，所述装置包括：
[0034]数据处理筛选模块：用于对获取的延迟多普勒频移图像数据集进行预处理，筛选合适数据进行调整并生成数据集；
[0035]算法搭建模块：用于搭建用于数据降维的局部线性嵌入算法；
[0036]训练测试模块：用于利用训练集对分类器进行训练并利用测试集进行测试；
[0037]预测分类模块：用于利用训练并测试好的分类器对数据集中的数据进行预测，完成海冰与海水的分类；
[0038]其中，所述基于局部线性嵌入算法的GNSS
‑
R海冰检测装置用于实现如上所述的基于局部线性嵌入算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，其特征在于，所述方法包括以下步骤：对获取的延迟多普勒频移图像数据集进行预处理，筛选合适数据进行调整并生成数据集；搭建用于降维的局部线性嵌入算法；搭建分类器并完成训练与测试；以及利用训练并测试好的分类器对数据集中的数据进行预测，完成海冰与海水的分类。2.根据权利要求1所述的基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，其特征在于，所述对获取的延迟多普勒频移图像数据集进行预处理，筛选合适数据进行调整并生成数据集的步骤具体包括：获取星载接收机上的延迟多普勒频移功率谱数据集，筛选出具备完整特征的延迟多普勒频移功率谱，对筛选出来的延迟多普勒频移功率谱进行噪底处理，减少噪声的干扰，并进行多普勒积分，获得积分延迟波形，对积分延迟波形进行归一化，将归一化的积分延迟波形和类型标签放入数据集中。3.根据权利要求1所述的基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，其特征在于，所述搭建用于降维的局部线性嵌入算法的步骤具体包括：确定表示一个样本所需要的邻域样本个数k，通过距离度量来选择一个样本的k个最近邻，某个样本x
i
和其k个最近邻之间的线性关系中的权重系数w
ij
，所述权重系数w
ij
，满足公式：使用均方差作为损失函数J(w)：其中，m表示样本x个数，X
i
表示第i个高维n维度样本，w
ij
表示第i个高维n维度样本的第j个权重系数，Y
i
表示第i个低维d维度样本。4.根据权利要求3所述的基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，其特征在于，对所述损失函数J(w)和权重系数w
ij
进行矩阵化：进行矩阵化：其中，Z
i
＝(x
j
‑
x
j
)
T
(x
i
‑
x
j
)。5.根据权利要求4所述的基于局部线性嵌入算法的GNSS
‑
R海冰检测方法，其特征在于，对所述损失函数J(w)和权重系数w
ij
使用拉格朗日乘法合为一个优化目...

【专利技术属性】
技术研发人员：胡媛，江志豪，刘卫，袁鑫泰，顾世森，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：