-
公开(公告)号：CN115774246A
公开(公告)日：2023-03-10
申请号：CN202211369814.3
申请日：2022-11-03
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种降雨强度等级反演方法。首先，离线采集不同降雨强度下的雷达图像，选取合适的降雨检测区域，利用二维离散傅里叶变换(2D‑DFT)得到对应的波数能量谱图像。提取不同降雨强度下的能量谱图像特征参数，送入构建的GA‑BPNN模型中进行训练，获得满足实验要求的模型。然后，选取待检测的雷达图像，计算其波数能量谱图像和特征参数。最后，将特征参数送入离线获得的GA‑BPNN模型中，得到待检测图像的降雨强度等级。本发明实现了船舶航行及海上作业中海上降雨信息实时获取的需求。
-
公开(公告)号：CN111624605B
公开(公告)日：2022-07-15
申请号：CN202010461180.9
申请日：2020-05-27
Applicant: 哈尔滨工程大学
IPC: G01S13/937 , G01S13/89 , G01S7/41
Abstract: 本发明提供的是一种基于角度维回波特征的航海雷达目标检测方法。离线状态下，以雷达图像中取同心环，定义为距离相同、方位不同的一维数组，选取n个同心环上的两类角度维回波样本，一类为含有目标雷达回波的样本，另一类为不含目标的纯海杂波雷达回波样本，完成远近衰减补偿，选择一个回波特征参数R，计算出两类样本的概率密度曲线，得到能够对两类样本进行区分的检测阈值T；收集X波段导航雷达单一同心环上的数据，计算得到每个环上的雷达回波特征值K；将得到的回波特征值K和检测阈值T进行比较，判断圈上是否存在目标。本发明能够更加准确快速地对航海过程中的目标进行判断，进而减少因虚警、漏警对航行造成的影响。
-
公开(公告)号：CN111624606A
公开(公告)日：2020-09-04
申请号：CN202010461226.7
申请日：2020-05-27
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种雷达图像降雨识别方法，首先，对不同降雨强度下的雷达原始图像进行同频干扰抑制，选取图像中海浪监测区域的笛卡尔框图像作为数据集样本，利用数据集样本对改进的LeNet-5模型进行迭代训练；然后，将待检测的雷达图像经同频干扰处理并提取该图像海浪监测区的笛卡尔框图像，输入到训练完成的模型中得到输出结果概率；最后，通过模型输出结果概率与检测阈值作比较，确定图像是否为降雨图像。本发明使得降雨图像与非降雨图像的识别更加简便，准确率更高。
-
公开(公告)号：CN111624606B
公开(公告)日：2022-06-21
申请号：CN202010461226.7
申请日：2020-05-27
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种雷达图像降雨识别方法，首先，对不同降雨强度下的雷达原始图像进行同频干扰抑制，选取图像中海浪监测区域的笛卡尔框图像作为数据集样本，利用数据集样本对改进的LeNet‑5模型进行迭代训练；然后，将待检测的雷达图像经同频干扰处理并提取该图像海浪监测区的笛卡尔框图像，输入到训练完成的模型中得到输出结果概率；最后，通过模型输出结果概率与检测阈值作比较，确定图像是否为降雨图像。本发明使得降雨图像与非降雨图像的识别更加简便，准确率更高。
-
Patent Agency Ranking
公开(公告)号：CN111624605A
公开(公告)日：2020-09-04
申请号：CN202010461180.9
申请日：2020-05-27
Applicant: 哈尔滨工程大学
IPC: G01S13/937 , G01S13/89 , G01S7/41
Abstract: 本发明提供的是一种基于角度维回波特征的航海雷达目标检测方法。离线状态下，以雷达图像中取同心环，定义为距离相同、方位不同的一维数组，选取n个同心环上的两类角度维回波样本，一类为含有目标雷达回波的样本，另一类为不含目标的纯海杂波雷达回波样本，完成远近衰减补偿，选择一个回波特征参数R，计算出两类样本的概率密度曲线，得到能够对两类样本进行区分的检测阈值T；收集X波段导航雷达单一同心环上的数据，计算得到每个环上的雷达回波特征值K；将得到的回波特征值K和检测阈值T进行比较，判断圈上是否存在目标。本发明能够更加准确快速地对航海过程中的目标进行判断，进而减少因虚警、漏警对航行造成的影响。
-
公开(公告)号：CN115063675B
公开(公告)日：2024-11-12
申请号：CN202210591637.7
申请日：2022-05-27
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/084 , G06N3/0499 , G01W1/14 , G01S13/95 , G01S13/89
Abstract: 本发明公开了一种航海雷达图像降雨强度等级反演方法，机挑选包含不同降雨量的航海雷达图像并确定其降雨强度等级；在图像中分别选取笛卡尔框图像，并将极坐标图象转化为直角坐标图像；分别求取每幅图像的海浪波数能量占比P海浪；将P海浪组成的向量o作为输入，降雨强度等级组成的向量do作为出结果期望，利用向量o对BP神经网络进行训练，并记录训练好的BP神经网络模型；在待检测图像中选取笛卡尔框图像，并求取其海浪波数能量占比P海浪；将待检测航海雷达图像的P海浪输入到训练好的BP神经网络模型，得到待检测航海雷达图像的降雨强度等级。本发明实现了自学习、自适应的降雨强度反演，具有较高的可靠性和准确性。
-
公开(公告)号：CN117452397A
公开(公告)日：2024-01-26
申请号：CN202311393077.5
申请日：2023-10-25
Applicant: 哈尔滨工程大学
Abstract: 一种基于雷达图像二维海浪谱的风涌波浪分离方法，它属于海洋遥感技术领域。本发明解决了现有方法在难以获取风速风向参数时无法实现风涌波浪分离，以及现有方法对风涌分离的准确性差的问题。通过标定的谱分割技术得到波浪系统的位置信息，并进行数据平滑与波峰合并，得到有效波浪系统的二维海浪谱，能够减少传统的波浪系统划分方法由于海浪谱中存在许多虚假的波峰峰值，造成频率方向谱波浪系统的过度分割；在二维海浪谱领域实现了风浪成分与涌浪成分的判定，与传统风涌分离方法相比，不仅能够有效的分离出风浪谱和涌浪谱，而且不需要风速风向信息，同时提高了对风涌分离的准确性。本发明可以应用于风涌波浪分离。
-
公开(公告)号：CN116805134A
公开(公告)日：2023-09-26
申请号：CN202310168563.0
申请日：2023-02-27
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06N3/0499 , G01P5/00 , G01P13/02 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明的目的在于提供一种基于深度学习的多风速仪舰面稳态风参数估计方法，包括如下步骤：离线获取风参数偏差规律，离线进行BP神经网络模型训练，偏差校正，风参数最优估计。本发明不但可以很好的降低偏差校正组合四风速仪加权融合算法的风速相对误差均值，还大幅度的降低了该误差最值，而且该方法受传感器噪声的影响更小，一定程度上提高了风向和风速的估计精度，能够更加有效的进行舰面稳态风参数的估计。
-
公开(公告)号：CN115063675A
公开(公告)日：2022-09-16
申请号：CN202210591637.7
申请日：2022-05-27
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/08 , G06N3/04 , G01W1/14 , G01S13/95 , G01S13/89
Abstract: 本发明公开了一种航海雷达图像降雨强度等级反演方法，机挑选包含不同降雨量的航海雷达图像并确定其降雨强度等级；在图像中分别选取笛卡尔框图像，并将极坐标图象转化为直角坐标图像；分别求取每幅图像的海浪波数能量占比P海浪；将P海浪组成的向量o作为输入，降雨强度等级组成的向量do作为出结果期望，利用向量o对BP神经网络进行训练，并记录训练好的BP神经网络模型；在待检测图像中选取笛卡尔框图像，并求取其海浪波数能量占比P海浪；将待检测航海雷达图像的P海浪输入到训练好的BP神经网络模型，得到待检测航海雷达图像的降雨强度等级。本发明实现了自学习、自适应的降雨强度反演，具有较高的可靠性和准确性。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.03 seconds)
