专利交易市场

本发明公开了一种基于复数卷积神经网络和时频分析的多普勒雷达定位方法，包括构建多人移动多普勒穿墙解调后回波信号，采用已构建的回波信号，构建对应的理想时频谱图，同时构建训练数据集；以深度学习网络为基本构架，构建时频谱图初步预测模型，同时采用训练数据集，针对模型进行训练，得到最终的时频谱图预测模型；采用得到的模型，针对实时获取的雷达回波信号进行预测，获取预测时频谱图；采用获取的预测时频谱图，针对墙内目标进行轨迹预测，实现雷达定位；本发明方法通过将深度学习与时频分析相结合，压制频率模糊问题；通过引入带有跳跃残差结构的网络，进一步提升时频分辨率；本发明方法的精度提高、偏移减少、鲁棒性增强、抗噪性能提升。

本发明公开了一种基于数据驱动的时频分析的多普勒穿墙雷达定位方法，包括获取多目标移动的多普勒穿墙调解回波信号，通过STFT针对获取的多目标移动的多普勒穿墙调解回波信号进行分析处理，构建时频分布矩阵数据集；构建神经网络模型，采用获取的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型；采用构建的最优时频分布预测模型，针对构建的时频分布矩阵数据集进行预测处理，获取预测时频分布；采用获取的预测时频分布针对多目标移动的多普勒穿墙调解回波信号完成定位处理。本发明实现对目标的实时跟踪定位处理，能够较好的解决时频模糊的问题，提高时频分辨率；而且精准度高、抗过拟合性能强、识别能力显著提升。

本发明公开基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，包括提取基数据中的雷达反射率ZH、差分反射率ZDR、相关系数ρHV和差分传播相移率KDP数值数据；将提取的数值数据预处理生成数据集；构建SE‑Res2Net‑101模型；将训练集数据输入到SE‑Res2Net‑101中进行模型训练；将测试数据集输入到训练好的模型中，通过模型给出的预测概率来进行杂波判断。解决当前需要通过地面地形数字化模拟且需要提供DEM的杂波检测技术难题，从ZH、ZDR、ρHV和KDP变量进行建立杂波预测模型，基于SE注意力机制的残差卷积网络的识别多普勒雷达中的杂波并进行生物杂波与地杂波分类方法，提高准确度、加快预测速度更快。

本发明公开了一种双波束多普勒雷达风场遥感仿真方法，包括以下步骤：建立数据模拟模型；利用数据模拟模型，针对给定风矢量，生成包含前向波束雷达散射系数、后向波束雷达散射系数、前向波束多普勒频移和后向波束多普勒频移的合成观测数据集；计算归一化雷达后向散射系数的理论值，基于DopRIM模型计算多普勒频移的理论值；构建包含四项观测数据的代价函数，将生成的观测数据集代入风矢量反演算法，获得海面10m高度处的风速和相对风向解；对比给定风矢量与反演风矢量的偏差和均方根误差，评估反演精度随风速、相对风向、入射角及天线夹角的变化情况；本发明为后续风矢量反演算法的鲁棒性评估提供仿真模型。

本发明涉及深度学习定量降水估计技术领域，具体是综合多时空尺度多普勒雷达数据的降雨强度估计方法，其方法步骤包括：获取多普勒单偏振雷达数据和地面自动气象站观测数据；获取雷达反射率因子、气象因子和地理因子；极坐标转笛卡尔坐标；K近邻插值和数据切片；制作标签；设计自注意模块并搭建模型；训练模型以及调整参数；调整最优模型进行测试集降水强度估计；与传统方法降雨估计方法进行对比分析，本发明能够很好的结合多尺度中有利于降雨估计的气象因子，对不利因子进行了一定程度的抑制，设计的模型能够学习到降雨场中的微物理特性，有效利用气象因子和地理因子，与雷达反射率因子相结合，减少误差，进行了更准确的估计。