基于多维特征挖掘神经网络的GNSS-R海风反演方法技术

本发明专利技术公开了一种基于多维特征挖掘神经网络的GNSS

【技术实现步骤摘要】
基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法


[0001]本专利技术涉及大气科学与计算机科学学科研究领域，具体涉及基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法。

技术介绍

[0002]海洋表面风速是一项重要的海洋状态物理参数，对全球以及局部气候有着重要影响，不仅是研究物理海洋学、海洋气象学以及海洋动力学等多个学科的重要物理参数，在海洋灾害的监测预报，保障海洋渔业安全以及军事活动等方面也离不开对海面的风场的监测研究。
[0003]全球导航卫星系统反射信号遥感(Global Navigation Satellite System Reflectometry,简写为GNSS
‑
R)技术是将导航卫星视作发射源，通过搭载的接收机接受处理导航卫星反射信号来获取相应物理特征信息的相对新型的遥感探测技术。相较传统测风方式，其具有低成本、全天候、全天时、全球覆盖且受云雨影响小等优势。
[0004]基于GNSS
‑
R反演海洋表面风速的传统方式是通过从GNSS
‑
R的主要观测指标之一延迟多普勒映射(Delay
‑
Doppler map,简写为DDM)中提取例如归一化雷达截面(Normalized bistatic radar cross
‑
section,简写为NBRES)或前沿斜率(Leading edge of the slope,简写为LES)等特征，构建观测值与风速的映射关系，建立地球物理模型函数来反演风速。然而该方法通常所选择使用的特征参数较为单一，使得构造的函数模型较为简单，进而导致反演精度有限。
[0005]随着计算机算法的发展、计算机硬件数据存储能力以及计算能力的提升，基于数据驱动的深度学习技术已经广泛应用于计算机视觉、自然语言处理以及语音分析等多个计算机研究方向。此外，将深度学习技术应用于遥感、医学、军事、农业以及安全等众多研究领域已成为研究的热点与趋势。

技术实现思路

[0006]本专利技术的目的在于克服现有技术缺陷，提出了基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法。
[0007]为了实现上述目的，本专利技术提出了一种基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，所述方法包括：
[0008]从采集的全球导航卫星系统反射信号遥感GNSS
‑
R数据中选取不同种类的特征参数，进行预处理及格式转换；
[0009]将格式转换后的特征参数输入预先建立和训练好的风速反演模型，得到反演后的风速值；
[0010]所述风速反演模型通过挖掘不同种类特征参数之间的数据信息，提取数据时间的相关性，实现风速反演。
[0011]作为上述方法的一种改进，所述特征参数包括：雷达截面、前沿斜率、时空地理信
息、仪器信息和航天器姿态数据。
[0012]作为上述方法的一种改进，所述预处理及格式转换具体包括：
[0013]剔除数值为Nan或为负数的特征参数，并根据质量控制标签对选取的特征参数进行筛选；
[0014]对筛选后的不同种类特征参数进行归一化处理。
[0015]作为上述方法的一种改进，所述风速反演模型的输入为特征参数，输出为风速值，所述风速反演模型包括依次连接的输入层、卷积网络层、门控循环单元、全连接层以及输出层，其中，
[0016]所述输入层的隐藏层节点数目由输入特征参数的个数决定；
[0017]所述卷积网络层卷积核个数为32，卷积核大小为3，激活函数为relu函数；
[0018]所述门控循环网络层隐藏层节点数为32，激活函数为softsign函数；
[0019]所述全连接层隐藏层分别为16、16和8，激活函数为softsign函数；
[0020]所述输出层节点数为1，激活函数为linear函数。
[0021]作为上述方法的一种改进，所述方法还包括风速反演模型的训练步骤，具体包括：
[0022]步骤s1)选取一段时间内的飓风全球导航卫星系统L1波段的观测值，选取相应时间段内欧洲中期天气预报中心的再分析数据；
[0023]步骤s2)基于双线性插值的方式对L1波段的观测值和再分析数据进行时空匹配，基于反射点的经纬坐标以及时间进行数据时空匹配，生成原始数据样本集，每组原始数据样本包括由时间节点与空间位置所约束的GNSS
‑
R可观测值以及对应的风速真值；
[0024]步骤s3)对原始数据样本集进行预处理及格式转换，建立训练集；
[0025]步骤s4)将训练集输入风速反演模型，包括正向传播与误差反向传导，通过训练过程更新网络模型的参数直至达到最优模型，从而得到训练好的风速反演模型。
[0026]作为上述方法的一种改进，所述步骤s4)具体包括：
[0027]选取Adam优化器作为优化算法；
[0028]使用正向传播经过风速反演模型的层层计算得到计算风速；
[0029]通过MSE损失函数计算当前计算风速与风速真值之间的误差，基于该误差通过误差反向传导过程对风速反演模型的各层参数进行更新，直至误差在允许范围内或验证误差不再下降，则完成模型的训练，得到训练好的风速反演模型。
[0030]一种基于多维特征挖掘神经网络的GNSS
‑
R海风反演系统，所述系统包括：风速反演模型、预处理模块和反演输出模块，其中，
[0031]所述预处理模块，用于从采集的全球导航卫星系统反射信号遥感GNSS
‑
R数据中选取不同种类的特征参数，进行预处理及格式转换；
[0032]所述反演输出模块，用于将格式转换后的特征参数输入预先建立和训练好的风速反演模型，得到反演后的风速值；
[0033]所述风速反演模型通过挖掘不同种类特征参数之间的数据信息，提取数据时间的相关性，实现风速反演。
[0034]与现有技术相比，本专利技术的优势在于：
[0035]1、本专利技术提出基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，是一种基于数据驱动的反演模型，无较高的软硬件需求，可在单台工作机上实现模型的搭建、并完成模型
训练与反演过程，且模型易于移植，便于实现跨平台应用；
[0036]2、本专利技术通过深度学习技术搭建的深层神经网络可同时挖掘包括来自信号特征、仪器属性以及航天器姿态等多种属性的输入特征，建立多个特征与海面风速的复杂非线性关系，为GNSS
‑
R海面风速反演提供了新的特征参考；
[0037]3、本专利技术通过在网络模型中添加卷积网络层与门控循环机制，使得模型不仅能够通过卷积网络层基于特征维度挖掘特征之间的数据信息，同时通过门控循环机制实现基于时间维度的数据特征挖掘，提取数据的时间相关性信息，进而提升模型的总体反演精度。
附图说明
[0038]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，所述方法包括：从采集的全球导航卫星系统反射信号遥感GNSS
‑
R数据中选取不同种类的特征参数，进行预处理及格式转换；将格式转换后的特征参数输入预先建立和训练好的风速反演模型，得到反演后的风速值；所述风速反演模型通过挖掘不同种类特征参数之间的数据信息，提取数据时间的相关性，实现风速反演。2.根据利要求1所述的基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，其特征在于，所述特征参数包括：雷达截面、前沿斜率、时空地理信息、仪器信息和航天器姿态数据。3.根据权利要求1所述的基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，其特征在于，所述预处理及格式转换具体包括：剔除数值为Nan或为负数的特征参数，并根据质量控制标签对选取的特征参数进行筛选；对筛选后的不同种类特征参数进行归一化处理。4.根据权利要求1所述的基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，其特征在于，所述风速反演模型的输入为特征参数，输出为风速值，所述风速反演模型包括依次连接的输入层、卷积网络层、门控循环单元、全连接层以及输出层，其中，所述输入层的隐藏层节点数目由输入特征参数的个数决定；所述卷积网络层卷积核个数为32，卷积核大小为3，激活函数为relu函数；所述门控循环网络层隐藏层节点数为32，激活函数为softsign函数；所述全连接层隐藏层分别为16、16和8，激活函数为softsign函数；所述输出层节点数为1，激活函数为linear函数。5.根据权利要求1所述的基于多维特征挖掘神经网络的GNSS
‑
R海风反演方法，其特征在于，所述方法还包括...

【专利技术属性】
技术研发人员：白伟华，刘小煦，孙越强，杜起飞，刘黎军，李伟，王先毅，蔡跃荣，夏俊明，孟祥广，柳聪亮，谭广远，尹聪，胡鹏，黄飞雄，王冬伟，刘成，吴春俊，李福，乔颢，程双双，刘艳，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：