基于人工神经网络的HFSWR多海况有效波高提取方法与装置

技术特征：
1.一种基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述基于人工神经网络的hfswr多海况有效波高提取方法通过获取并分析雷达海浪回波信号的一阶谱、二阶谱及hfswr海浪回波信号与有效波高的关系特性，确定不同海况下的有效波高提取方案以及神经网络分类器的分类特征；通过引入双无迹卡尔曼滤波器，对长短时记忆神经网络中的可调参数进行递归估计，对有效波高的时间序列进行去噪；最终依据hfswr的海浪回波信号识别不同的海况信息并进行有效波高提取。2.根据权利要求1所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述基于人工神经网络的hfswr多海况有效波高提取方法具体包括以下步骤：步骤一，利用hfswr系统获取hfswr回波信号；步骤二，在雷达回波中抑制电台干扰；步骤三，获取海浪回波一阶谱和二阶谱；步骤四，多海况信息的确定；步骤五，多海况下的有效波高提取；步骤六，对提取的有效波高进行去噪。3.根据权利要求2所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述步骤一利用hfswr系统获取hfswr回波信号具体包括：hfswr接收机将均匀直线接收天线阵接收到的雷达回波信号进行混频和滤波，并经a/d变换后进行正交变换，得到回波信号的复信号；然后对复信号进行脉压处理，再将距离数据按时间积累进行多普勒处理得到速度信息，最后进行数字波束的形成，获得hfswr距离-多普勒频谱图；所述步骤二在雷达回波中抑制电台干扰包括：电台干扰在距离-多普勒频谱图上具有确定的方向和距离门特征，根据电台干扰在距离-多普勒频谱图上确定的方向和距离门特征剔除回波信号中的电台干扰。4.根据权利要求2所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述步骤三获取海浪回波一阶谱和二阶谱具体包括：利用布拉格频率确定hfswr海浪回波一阶布拉格峰和二阶布拉格峰在频谱中的位置，进行一阶谱、二阶谱的获取；当海浪满足布拉格散射条件时，得到由雷达载波频率f0表示的多普勒频率为：ω
b
＝2πf
b
其中，λ为雷达发射电磁波的波长，g为重力加速度，f
b
为布拉格频率，单位为hz，ω
b
为布拉格峰的角频率；“ ”代表海浪的传播方向为朝向雷达，
“‑”
代表海浪的传播方向为背离雷达；一阶布拉格峰在频谱中的理论位置为：二阶布拉格峰在频谱中的理论位置为：
根据一阶布拉格峰在频谱中的理论位置、二阶布拉格峰在频谱中的理论位置分别确定海浪回波一阶谱、二阶谱的频谱范围，分离出海浪回波一阶谱和二阶谱；最终获取海浪回波一阶谱和二阶谱。5.根据权利要求2所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述步骤四多海况信息的确定具体包括：利用海浪回波数据进行神经网络分类器分类特征的提取，提取的分类特征为布拉格频率处的无向波高谱值q
b
和海浪回波频谱中二阶谱与一阶谱能量比值r；其中，海浪回波频谱中二阶谱与一阶谱能量比值即hfswr距离-多普勒频谱图中二阶谱与一阶谱能量比值，记为r＝p2/p1；利用海浪回波一阶谱获取布拉格角频率处的无向波高谱值，为：b

和b-分别是海浪回波一阶谱左右一阶峰的强度，s的典型值为2；ξ为给定的探测距离，为常数，λ
c
为归一化因子；将上述无向波高谱值q
b
和海浪回波中二阶谱与一阶谱能量比值r两个分类特征的数据经滑动平均滤波器预处理后，作为径向基神经网络分类器的输入；径向基神经网络分类器的输出为海况类别的类标签，训练数据的类标签由浮标测量有效波高数据和公式确定；其中k0为雷达波数，h是均方根波高；使用由雷达数据获得的分类特征和由浮标数据获得的类标签作为训练数据对径向基神经网络分类器进行训练，训练算法采用正交最小二乘法，使用训练好的径向基神经网络分类器确定海况信息。6.根据权利要求2所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述步骤五多海况下的有效波高提取具体包括：依据海况信息选取基于海浪回波二阶谱的有效波高提取算法或者基于海浪回波一阶谱的有效波高提取算法进行有效波高提取；然后使用递归神经网络对提取的有效波高时间序列进行建模，结合无迹卡尔曼滤波器对该有效波高时间序列进行去噪；所述基于海浪回波二阶谱的有效波高提取算法为：所述基于海浪回波二阶谱的有效波高提取算法为：其中h
s
为有效波高，σ
(1)
和σ
(2)
分别是一阶和二阶散射截面积，k0是雷达波数，ω
d
和ω
b
分别是多普勒频移和布拉格频率；w(ω
d
/ω
b
)是一个权重函数，当0.5≤|ω
d
/ω
b
|≤1.5时可以视为常数，n是基底噪声的谱密度，ξ是拟合参数；所述基于海浪回波一阶谱的有效波高提取算法为：其中α和β是拟合参数，通过最小均方算法确定，基于海浪回波二阶谱的有效波高提取
算法适用于高海况，即k0h＞0.2时；基于海浪回波一阶谱的有效波高提取算法适用于中低海况，即k0h≤0.2时；然后使用长短时记忆神经网络对提取的有效波高时间序列进行建模，并结合双ukf对该有效波高时间序列进行去噪，提取出高精度有效波高。7.根据权利要求2所述的基于人工神经网络的hfswr多海况有效波高提取方法，其特征在于，所述步骤六对提取的有效波高进行去噪具体包括：采用长短时记忆神经网络对有效波高时间序列进行建模，并采用双ukf对长短时记忆神经网络的权重进行估计，最终获得去噪后的有效波高；所述双ukf的第一个ukf用于系统估计，其状态方程和观测方程为：所述双ukf的第一个ukf用于系统估计，其状态方程和观测方程为：其中，y
k
表示k时刻步骤五提取的有效波高，即含噪声的有效波高，x
k
表示k时刻无噪声的有效波高；f(x
k-1
,
…
,x
k-m
,w
k
)指的是长短时记忆神经网络，为非线性函数，利用前m个时刻的无噪声的有效波高预测下一个时刻无噪声的有效波高；w
k
是k时刻长短时记忆神经网络的权重，v
k
是k时刻的状态噪声，n
k
是k时刻的观测噪声；所述长短时记忆神经网络的权重由第二个ukf得到，第二个ukf用于长短时记忆神经网络的权重估计，其状态方程和观测方程为：w
k
＝w
k-1
u
k
y
k
＝f(x
k-1
,
…
,x
k-m
,w
k
) e
k
其中，w
k
、w
k-1
分别为k时刻和k-1时刻的长短时记忆神经网络的权重，f(x
k-1
,
…
,x
k-m
,w
k
)指的是长短时记忆神经网络，u
k
为k时刻的状态噪声，e
k
为k时刻的观测噪声。8.一种实施权利要求1～7任意一项所述基于人工神经网络的hfswr多海况有效波高提取方法的基于人工神经网络的hfswr多海况有效波高提取装置，其特征在于，所述基于人工神经网络的hfswr多海况有效波高提取装置包括hfswr系统和多海况有效波高提取系统；所述多海况有效波高提取系统包括hfswr系统回波信号采样与模数转换模块、距离-多普勒频谱信号处理模块、多海况有效波高提取模块、波高信息的统计观测显示模块、数据记录模块和脱机处理模块；hfswr系统回波信号采样与模数转换模块用于接收hfswr系统处理后的激励信号进行模数转换；距离-多普勒频谱信号处理模块用于对模数转换后的激励信号进行距离-多普勒频谱信号处理；多海况有效波高提取模块用于对距离-多普勒频谱信号处理后的激励信号进行多海况有效波高提取；
波高信息的统计观测显示模块用于对多海况有效波高提取后的激励信号进行波高信息的统计显示；数据记录模块用于对hfswr系统回波信号采样与模数转换模块转换信息进行记录存储；脱机处理模块用于对数据记录模块记录数据中出现故障时进行调试维修；所述hfswr系统包括：垂直极化振子构成的对数周期发射天线、单边带短波发射机、均匀直线接收天线阵、接收机、激励机、数字采集与信号处理机、数据处理机以及姿态显示器；激励机将激励信号发送至单边带短波发射机，同时也直接发送至接收机的多通道接收前端；单边带短波发射机将接收的激励信号发送对数周期发射天线；均匀直线接收天线阵将对数周期发射天线接收的激励信号发送至接收机的多通道接收前端；数字采集与信号处理机、数据处理机对接收机的多通道接收前端发送来的激励信号进行处理并进行显示；同时数字采集与信号处理机、数据处理机处理后的激励信号发送至多海况有效波高提取系统的hfswr系统回波信号采样与模数转换模块。9.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～7任意一项所述基于人工神经网络的hfswr多海况有效波高提取方法。10.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～7任意一项所述基于人工神经网络的hfswr多海况有效波高提取方法。

技术总结
本发明属于雷达、海态遥感与人工智能技术领域，公开了基于人工神经网络的HFSWR多海况有效波高提取方法与装置。通过获取并分析雷达海浪回波信号的一阶谱、二阶谱及雷达海浪回波信号与有效波高的关系特性，确定不同海况下的有效波高提取方案以及神经网络分类器的分类特征；通过引入双无迹卡尔曼滤波器，对长短时记忆神经网络中的可调参数进行递归估计，对有效波高的时间序列进行去噪，最终依据HFSWR的海浪回波信号识别不同的海况信息并进行有效波高提取。本发明充分融合了基于海浪回波一阶谱和二阶谱的有效波高提取方法，进而实现了多海况下HFSWR的有效波高提取，在该研究领域中取得了新突破。取得了新突破。取得了新突破。


技术研发人员：于长军 王榕 刘爱军 李晓东 权太范
受保护的技术使用者：哈尔滨工业大学（威海）
技术研发日：2021.12.29
技术公布日：2022/4/8