基于深度学习网络的实孔径辐射计定标方法技术

基于深度学习网络的实孔径辐射计定标方法，属于微波辐射计定标技术领域。两点定标是建立在输入亮温与辐射计输出电压这一线性关系的基础上，实际上的辐射计不是理想线性的。微波辐射计中的天线、噪声源等核心部件的物理温度会影响辐射计输出电压，造成定标精度下降。针对这些不足，本发明专利技术提出了基于深度学习网络的实孔径辐射计定标方法。本发明专利技术公开的定标方法包括下述步骤：获得辐射计核心器件物理温度；生成原始场景亮温；生成输出电压；构建数据集；训练深度学习网络；验证网络定标效果。本发明专利技术提供的定标方法可根据辐射计运行期间器件性能变化自适应调节输入亮温、输出电压与核心器件物理温度的映射关系，提升系统的稳定性与鲁棒性。与鲁棒性。与鲁棒性。

【技术实现步骤摘要】
基于深度学习网络的实孔径辐射计定标方法


[0001]本专利技术涉及基于深度学习网络的实孔径辐射计定标方法，属于微波辐射计定标


技术介绍

[0002]微波辐射计定标技术发展到现在，已经有多种方法，但是本质上都是两点定标。两点定标通常需要使用液氮作为冷源，定标过程繁琐且液氮为消耗品。此外，两点定标是建立在输入亮温与辐射计输出电压这一线性关系的基础上，实际上的辐射计不是理想线性的。微波辐射计中的天线、噪声源等核心部件的物理温度会影响辐射计输出电压，造成定标精度下降。

技术实现思路

[0003]本专利技术解决的技术问题是：克服现有技术的不足，提供了基于深度学习网络的实孔径辐射计定标方法，降低了对外部液氮定标的依赖，提升系统的稳定性以及鲁棒性。
[0004]本专利技术的技术解决方案是：基于深度学习网络的实孔径辐射计定标方法，包括：
[0005]S1：获得实孔径辐射计核心器件物理温度；
[0006]S2：获得原始场景亮温图像；
[0007]S3：由原始场景亮温图像以及实孔径辐射计核心器件物理温度生成输出电压；
[0008]S4：由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集；
[0009]S5：使用构建的数据集训练深度学习网络；所述深度学习网络的输入为辐射计输出电压和核心器件物理温度，输出为天线温度；
[0010]S6：将测试数据输入训练好的深度学习网络，验证其有效性后，使用训练好的深度学习网络进行实孔径辐射计定标。
[0011]进一步地，所述获得实孔径辐射计核心器件物理温度的方法包括：
[0012]根据温度特性，模拟生成各个核心器件的物理温度；以及
[0013]在各个核心器件部位贴热敏电阻，实际测量其物理温度。
[0014]进一步地，所述核心器件包括天线、前端电缆、波导、接收机低噪放、噪声源、匹配负载、中频输出电缆。
[0015]进一步地，通过温控设施改变实孔径辐射计系统温度，通过核心器件部位的热敏电阻记录不同温度数据。
[0016]进一步地，所述获得原始场景亮温图像的方法包括：
[0017]模拟自然场景生成原始场景亮温，通过仿真生成均匀场景，亮温值映射到2.73k到300k，作为原始场景亮温Tb；以及
[0018]实际观测自然场景，通过热敏电阻、浮标或探空气球得到自然场景的实际亮温，作为原始场景亮温Tb；以及
[0019]利用变温源实现从低温到高温的微波辐射，作为原始场景亮温Tb。
[0020]进一步地，所述输出电压由实孔径仿真程序或者实孔径系统实测生成。
[0021]进一步地，所述输出电压对应的输入包括原始场景亮温、匹配负载、噪声源。
[0022]进一步地，所述噪声源用于提供多级噪声注入温度，对应多级输出电压。
[0023]一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述基于深度学习网络的实孔径辐射计定标方法中S3～S5的步骤。
[0024]基于深度学习网络的实孔径辐射计定标设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述基于深度学习网络的实孔径辐射计定标方法中S3～S5的步骤。
[0025]本专利技术与现有技术相比的优点在于：
[0026](1)本专利技术通过热敏电阻获得核心器件物理温度，构建深度学习网络，获得了输入亮温与辐射计输出电压的非线性关系，实现了更高的定标精度；
[0027](2)本专利技术通过仿真、实测或者变温源得到动态的输入亮温，与输出电压构建数据集，降低对外部液氮定标的依赖，简化了定标流程，提升了系统的稳定性。
附图说明
[0028]图1为本专利技术实施例提供的实孔径辐射计示意图；
[0029]图2为本专利技术实施例提供的基于深度学习网络的实孔径辐射计定标方法流程图；
[0030]图3为本专利技术实施例提供的多层感知机网络结构示意图；
[0031]图4为本专利技术实施例提供的卷积神经网络结构示意图。
具体实施方式
[0032]为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
[0033]以下结合说明书附图对本申请实施例所提供的基于深度学习网络的实孔径辐射计定标方法做进一步详细的说明，具体实现方式可以包括(如图1～4所示)：
[0034]S1：模拟或者实际测量获得实孔径辐射计核心器件物理温度；
[0035]S2：模拟或者实际观测自然场景、变温源生成原始场景亮温图像；
[0036]S3：由原始场景亮温图像以及实孔径辐射计核心器件物理温度生成输出电压；
[0037]S4：由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集；
[0038]S5：训练深度学习网络；
[0039]S6：将测试数据输入训练好的深度学习网络，以验证其有效性。
[0040]更进一步地，在步骤S1中，辐射计核心器件物理温度可根据温度特性模拟生成或者在各个核心器件部位贴热敏电阻，实际测量其物理温度。核心器件包括天线、前端电缆、波导、接收机低噪放、噪声源、匹配负载、中频输出电缆等。
[0041]更进一步地，在步骤S2中，原始场景亮温图像可由模拟的自然场景、实际观测的自然场景或者实际观测的变温源生成。
[0042]更进一步地，在步骤S3中，输出电压由实孔径仿真程序或者实孔径系统实测生成。输出电压对应的输入包括原始场景亮温、匹配负载、噪声源等。噪声源能够提供多级噪声注入温度，对应多级输出电压。
[0043]更进一步地，在步骤S4中，由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集按照比例分为训练数据集以及测试数据集，训练数据集用于训练深度学习网络。
[0044]更进一步地，所述步骤S5的具体实现方式为：
[0045]网络结构依次为1个输入层，多个隐藏层，1个输出层。输入层将系统输出电压以及实孔径辐射计核心器件物理温度输入到网络，多个隐藏层负责提取系统的输出电压与原始场景亮温图像以及实孔径辐射计核心器件物理温度之间的映射关系。输出层输出原始场景亮温图像。网络结构可以是多层感知机、卷积神经网络、Transformer等常规深度学习网络结构。激活函数层可以是Relu、Tanh、Sigmoid等激活函数。
[0046]在本申请实施例所提供的方案中，图1示出了实孔径辐射计示意图。为了便于说明，仅示出了与本专利技术相关的部分，详述如下：
[0047]实孔径辐射计包括天线，接收通道，数据处理器等。其中天线接收来自观测场景的辐射信号。接收通道将天线单元接收到的信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习网络的实孔径辐射计定标方法，其特征在于，包括：S1：获得实孔径辐射计核心器件物理温度；S2：获得原始场景亮温图像；S3：由原始场景亮温图像以及实孔径辐射计核心器件物理温度生成输出电压；S4：由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集；S5：使用构建的数据集训练深度学习网络；所述深度学习网络的输入为辐射计输出电压和核心器件物理温度，输出为天线温度；S6：将测试数据输入训练好的深度学习网络，验证其有效性后，使用训练好的深度学习网络进行实孔径辐射计定标。2.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，所述获得实孔径辐射计核心器件物理温度的方法包括：根据温度特性，模拟生成各个核心器件的物理温度；以及在各个核心器件部位贴热敏电阻，实际测量其物理温度。3.根据权利要求2所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，所述核心器件包括天线、前端电缆、波导、接收机低噪放、噪声源、匹配负载、中频输出电缆。4.根据权利要求3所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，通过温控设施改变实孔径辐射计系统温度，通过核心器件部位的热敏电阻记录不同温度数据。5.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于...

【专利技术属性】
技术研发人员：李一楠，窦昊锋，刘淑波，党鹏举，宋广南，吴袁超，李浩，
申请(专利权)人：西安空间无线电技术研究所，
类型：发明
国别省市：