基于核密度估计的贝叶斯模型冰雹检测方法

针对冰雹检测方法中大量带标签数据不易获取的问题,本文提出一种基于核密度估计(Kernel Density Estimation,KDE)的贝叶斯模型冰雹检测方法,利用大量无标签数据和少量带标签数据,根据概率对冰雹进行检测。该方法首先根据大量无标签数据的密集程度将其初步分成若干集合,然后每个集合采用高斯核密度函数以及最佳固定带宽值,计算得到每个集合的类条件概率,其次利用少量带标签数据以及降水粒子的融化层信息建立类先验概率,最后根据每个集合的最大后验概率匹配降水粒子类型,实现冰雹与其他降水粒子类型的检测结果。通过实测数据对模型的验证结果表明,该方法能够较好的实现冰雹检测。

卷积神经网络STAP低空风切变风速估计

由于机载气象雷达前视阵下存在非均匀性地杂波,导致难以获得足够的独立同分布样本,影响杂波协方差矩阵准确估计,进而影响风速估计。对此,该文提出一种基于卷积神经网络STAP的低空风切变风速估计方法,通过少量样本就能够实现高分辨杂波空时谱估计。首先,基于卷积神经网络模型训练好高分辨杂波空时谱卷积神经网络,接着计算杂波协方差矩阵,进而计算卷积神经网络STAP最优权矢量进行杂波抑制,达到对低空风切变风速精确估计。该文在小样本情况下,将稀疏恢复问题通过卷积神经网络实现,完成对高分辨杂波空时谱有效估计,仿真实验结果表明该方法可以有效估计空时谱,并完成风速估计。