基于卷积神经网络的双极化气象雷达冰雹检测方法

针对现有冰雹检测算法过分依赖专家经验的问题。本文提出一种基于卷积神经网络的双极化气象雷达冰雹检测方法。首先对单个雷达分辨单元分割并利用相邻分辨单元的极化信息进行填充,将极化信息转化为数据矩阵。接着搭建卷积神经网络模型进行特征提取和分类,然后用样本数据对网络进行训练调整模型参数。最后使用训练好的模型进行冰雹检测。通过仿真数据和实测数据的实验结果表明,该方法能够在提取数据特征和自适应调节网络参数基础上有效进行冰雹检测。

一种基于谱极化参数的双极化气象雷达杂波抑制方法

针对双极化气象雷达中非气象回波的滤除问题,该文提出一种基于谱极化参数(SPP)的杂波滤波方法。不同于传统时域或频域的杂波抑制方法,该方法根据气象和杂波在距离-多普勒(RD)域内的特征不同进行前者的保留和后者的抑制。首先利用频谱极化特征构造SPP,结合形态学方法,在RD域内生成一个2元掩模。基于面向对象的思想,将2元掩模标记为气象对象掩模和杂波对象掩模。然后引入谱宽作为额外的参数,筛选出所有气象对象掩模,将其进行叠加可以获取完整的气象信息,最终生成SPP杂波滤波器。实测X波段和C波段气象雷达数据验证了所提方法的有效性。与移动双重谱线性退极化比(MDsLDR)滤波器和基于时域的门限因子杂波抑制方法相比,SPP滤波器在保留弱气象信息方面效果更好。此外,该方法计算复杂度低,可以实时应用于同时发射同时接收(STSR)和交替发射同时接收(ATSR)双极化气象雷达。

基于RCNN的双极化气象雷达天气信号检测

为检测混杂在地杂波、生物杂波中的天气信号,提高定量降水精度,提出了基于残差卷积神经网络(residual convolutional neural network, RCNN)的天气信号检测算法。首先,将采集的极化参数水平反射率因子、差分反射率、相关系数、差分相移率堆叠为三维数组后进行预处理,将其分为天气信号与杂波信号。然后,开发并优化RCNN,给出详细的网络结构。最后,通过多次实际的降水过程对所提算法的检测效果进行评价。结果表明,相比支持向量机以及卷积神经网络(convolutional neural network, CNN),所提算法对天气信号的检测效果更好,并且在不同仰角以及全年的实测数据上均表现出良好的检测性能。

基于最优极化空时自适应处理的低空风切变风速估计方法

针对机载双极化相控阵气象雷达的低空风切变风速估计问题,本文提出了一种基于最优极化空时自适应处理(Polarization Space-Time Adaptive Processing,PSTAP)的低空风切变风速估计方法。本方法首先利用最大似然估计出适用于低空风切变这类分布式目标的极化空时导向矢量,其次通过构造PSTAP处理器最优权矢量对回波信号进行杂波抑制的同时积累风切变目标信号,最后精确估计出低空风切变的风速。仿真结果证明所提方法可以有效地实现杂波抑制并精确估计低空风切变的风速。

基于KA-SRCN-pSTAP的低空风切变风速估计方法

针对由于独立同分布(IID)样本严重不足,导致极化空时自适应(pSTAP)处理性能下降,进而导致低空风切变风速估计不准确的问题,本文提出了一种基于知识辅助的稀疏表示杂波零陷极化空时自适应(KA-SRCN-pSTAP)的低空风切变风速估计方法。该方法首先利用杂波脊的先验知识辅助构造极化空时稀疏字典,然后利用极化空时稀疏字典,通过SRCN算法挑选原子并对到杂波线性子空间补空间上的投影矩阵进行估计,从而得到pSTAP权矢量,最后构造pSTAP滤波器对地杂波进行抑制,准确估计低空风切变风速。该方法仅使用少量IID样本,将SRCN算法与极化-空时域相结合,完成对风切变风速的有效估计。仿真实验结果证明该方法可以有效实现少样本情况下的风速准确估计。

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。