基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf

上传人:小** 文档编号:10435846 上传时间:2021-06-21 格式:PDF 页数:9 大小:406.59KB
收藏 版权申诉 举报 下载
基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf_第1页
第1页 / 共9页
基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf_第2页
第2页 / 共9页
基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf_第3页
第3页 / 共9页
文档描述:

《基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf》由会员分享,可在线阅读,更多相关《基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf(9页完成版)》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010406708.2 (22)申请日 2020.05.14 (71)申请人 中国科学院国家空间科学中心 地址 100190 北京市海淀区中关村南二条1 号 (72)发明人 白伟华王斯嘉孙越强杜起飞 刘黎军李伟王先毅蔡跃荣 曹光伟夏俊明孟祥广柳聪亮 赵丹阳尹聪胡鹏王冬伟 刘成吴春俊李福乔颢 程双双朱光武 (74)专利代理机构 北京方安思达知识产权代理 有限公司 11472 代理人 陈琳琳杨青 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(。

2、2006.01) G06K 9/62(2006.01) (54)发明名称 一种基于BP神经网络的GNSS-R海面风速反 演方法及系统 (57)摘要 本发明公开了一种基于BP神经网络的GNSS- R海面风速反演方法及系统, 所述方法包括: 将待 测的DDM图输入预先训练好的海面风速反演模 型, 输出对应的反演风速; 所述海面风速反演模 型为一个BP神经网络。 本发明利用BP神经网络反 演GNSS-R海面风速, 模型简单, 缩短了建模时间 和反演时间, 并进一步提高了反演精度; 本发明 的BP神经网络充分利用DDM图中与风速相关的物 理量进行特征学习, 在保证反演精度的情况下降 低了计算量、 缩短。

3、了耗时, 具有模型简单、 快速、 结果精度高等特点。 权利要求书2页 说明书5页 附图1页 CN 111639747 A 2020.09.08 CN 111639747 A 1.一种基于BP神经网络的GNSS-R海面风速反演方法, 所述方法包括: 将待测的DDM图输入预先训练好的海面风速反演模型, 输出对应的反演风速; 所述海面 风速反演模型为一个BP神经网络。 2.根据权利要求1所述的基于BP神经网络的GNSS-R海面风速反演方法, 其特征在于, 所 述BP神经网络的输入为DDM图, 输出为海面风速; 其激活函数为ReLU函数, 输入层节点数是 2560; , 所述BP神经网络包括三个隐层:。

4、 第一个隐藏层有1024个神经元, 第二个隐藏层有256 个神经元, 第三个隐藏层有64个神经元; 输出层节点数为1, 相邻层的所有神经元之间采取 全连接的方式相连, 损失函数为MSE函数, 评价指标为均方根误差RMSE。 3.根据权利要求2所述的基于BP神经网络的GNSS-R海面风速反演方法, 其特征在于, 所 述方法还包括: BP神经网络的训练步骤, 具体包括: 选取多组GNSS-R数据和ECMWF分析场数据, 进行时空匹配得到原始样本集, 每组样本均 由一个DDM图和对应的风速构成; 对原始样本集进行预处理并切分成训练集与测试集; 通过训练集数据训练BP神经网络, 使得该网络能够持续捕获。

5、DDM图中的数据特征并建 立与风速之间的映射关系; 用测试集数据对训练好的BP神经网络进行测试。 4.根据权利要求3所述的基于BP神经网络的GNSS-R海面风速反演方法, 其特征在于, 所 述对原始样本集进行预处理并切分成训练集与测试集; 具体包括: 基于经纬度、 风速和信噪比对原始样本集数据进行筛选; 基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理; 将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。 5.根据权利要求4所述的基于BP神经网络的GNSS-R海面风速反演方法, 其特征在于, 所 述通过训练集数据训练BP神经网络, 使得该网络能够持续捕获DDM图中的数据特征。

6、并建立 与风速之间的映射关系, 具体包括: 所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后, 训练集数据 由输入层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进行求和计算, 得到 的结果经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中最后一个隐藏层的计 算结束时, 将结果传递至输出层, 通过损失函数计算输出风速与真实风速间的误差, 将该结 果从输出层反向逐层传递并调整各隐藏层的权重; 重复以上正向传播和反向传播过程, 损失函数的结果逐渐减小, 直到该结果处于期望 误差范围内或是达到设定的训练次数, BP神经网络训练完成, 实现DDM图到海面风速的非线 性映射。

7、。 6.一种基于BP神经网络的GNSS-R海面风速反演系统, 其特征在于, 所述系统包括: 训练 好的海面风速反演模型和风速反演模块; 所述海面风速反演模型为一个BP神经网络; 所述风速反演模块, 用于将待测的DDM图输入预先训练好的海面风速反演模型, 输出对 应的反演风速。 7.根据权利要求6所述的基于BP神经网络的GNSS-R海面风速反演系统, 其特征在于, 所 述BP神经网络的输入为DDM图, 输出为海面风速; 其激活函数为ReLU函数, 输入层节点数是 2560; , 所述BP神经网络包括三个隐层: 第一个隐藏层有1024个神经元, 第二个隐藏层有256 权利要求书 1/2 页 2 C。

8、N 111639747 A 2 个神经元, 第三个隐藏层有64个神经元; 输出层节点数为1, 相邻层的所有神经元之间采取 全连接的方式相连, 损失函数为MSE函数, 评价指标为均方根误差RMSE。 8.根据权利要求7所述的基于BP神经网络的GNSS-R海面风速反演方法, 其特征在于, 所 述BP神经网络的训练步骤, 具体包括: 选取多组GNSS-R数据和ECMWF分析场数据, 进行时空匹配得到原始样本集, 每组样本均 由一个DDM图和对应的风速构成; 对原始样本集进行预处理并切分成训练集与测试集; 通过训练集数据训练BP神经网络, 使得该网络能够持续捕获DDM图中的数据特征并建 立与风速之间的。

9、映射关系; 用测试集数据对训练好的BP神经网络进行测试。 9.根据权利要求8所述的基于BP神经网络的GNSS-R海面风速反演系统, 其特征在于, 所 述对原始样本集进行预处理并切分成训练集与测试集; 具体包括: 基于经纬度、 风速和信噪比对原始样本集数据进行筛选; 基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理; 将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。 10.根据权利要求9所述的基于BP神经网络的GNSS-R海面风速反演系统, 其特征在于, 所述通过训练集数据训练BP神经网络, 使得该网络能够持续捕获DDM图中的数据特征并建 立与风速之间的映射关系, 具体包括。

10、: 所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后, 训练集数据 由输入层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进行求和计算, 得到 的结果经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中最后一个隐藏层的计 算结束时, 将结果传递至输出层, 通过损失函数计算输出风速与真实风速间的误差, 将该结 果从输出层反向逐层传递并调整各隐藏层的权重; 重复正向传播和反向传播过程, 损失函数的结果逐渐减小, 直到该结果处于期望误差 范围内或达到设定的训练次数, BP神经网络训练完成, 实现DDM图到海面风速的非线性映 射。 权利要求书 2/2 页 3 CN 1116。

11、39747 A 3 一种基于BP神经网络的GNSS-R海面风速反演方法及系统 技术领域 0001 本发明涉及大气科学研究领域, 具体涉及一种基于BP神经网络的GNSS-R海面风速 反演方法及系统。 背景技术 0002 海面风速是海洋状态信息中至关重要的物理参数, 目前可以通过GNSS-R卫星遥感 技术进行探测。 由于GNSS-R技术具有高全球覆盖率、 高时空分辨率等特点, 能得到高质量的 海面风速探测资料。 目前GNSS-R风速反演方法主要有以下两种: 0003 波形匹配法: 首先需要根据实测数据提取系统状态信息, 然后再生成理论模型模 拟波形, 最后进行归一化处理得到理论波形图, 基于大量理。

12、论波形图建立仿真波形数据库; 反演时由实测数据生成待测波形图, 并进行降噪和归一化处理。 将待测波形图和数据库中 的理论波形图进行匹配, 从匹配成功的理论波形图对应的风速就是待测数据的海面风速。 但是该方法的缺陷在于计算量大, 精细的数据库建立极为耗时。 0004 经验函数法: 通过对大量实测数据的经验总结, 从DDM中选取与海面风速相关性高 的某一、 两个物理参数, 进行回归线性拟合, 从而建立其与海面风速的函数映射来获取风 速。 但是海面风速往往不只是由一、 两个参数决定的结果, 因此该方法的精度会由于忽视其 他物理参数而受到影响。 发明内容 0005 本发明的目的在于克服上述两种方法的不。

13、足, 主要包括波形匹配法, 计算量大, 反 演时间长; 经验函数法, 反演精度不佳; 提出一种基于BP神经网络的海面风速反演方法, 与 波形匹配方法相比, 该算法无需要建立庞大的仿真数据库, 与经验函数方法相比, 该算法可 以建立多个观测量与海面风速的关系, 可以充分利用与风速反演相关的物理量, 所以, 该方 法能够进一步缩短反演时间并提高反演精度。 0006 为实现上述目的, 本发明的实施例1提供了一种基于BP神经网络的GNSS-R海面风 速反演方法, 所述方法包括: 0007 将待测的DDM图输入预先训练好的海面风速反演模型, 输出对应的反演风速; 所述 海面风速反演模型为一个BP神经网络。

14、。 0008 作为上述方法的一种改进, 所述BP神经网络的输入为DDM图, 输出为海面风速; 其 激活函数为ReLU函数, 输入层节点数是2560; , 所述BP神经网络包括三个隐层: 第一个隐藏 层有1024个神经元, 第二个隐藏层有256个神经元, 第三个隐藏层有64个神经元; 输出层节 点数为1, 相邻层的所有神经元之间采取全连接的方式相连, 损失函数为MSE函数, 评价指标 为均方根误差RMSE。 0009 作为上述方法的一种改进, 所述方法还包括: BP神经网络的训练步骤, 具体包括: 0010 选取多组GNSS-R数据和ECMWF分析场数据, 进行时空匹配得到原始样本集, 每组样 。

15、本均由一个DDM图和对应的风速构成; 说明书 1/5 页 4 CN 111639747 A 4 0011 对原始样本集进行预处理并切分成训练集与测试集; 0012 通过训练集数据训练BP神经网络, 使得该网络能够持续捕获DDM图中的数据特征 并建立与风速之间的映射关系; 0013 用测试集数据对训练好的BP神经网络进行测试。 0014 作为上述方法的一种改进, 所述对原始样本集进行预处理并切分成训练集与测试 集; 具体包括: 0015 基于经纬度、 风速和信噪比对原始样本集数据进行筛选; 0016 基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理; 0017 将预处理后的原始样本集按。

16、照7:3的比例切分成训练集和测试集。 0018 作为上述方法的一种改进, 所述通过训练集数据训练BP神经网络, 使得该网络能 够持续捕获DDM图中的数据特征并建立与风速之间的映射关系, 具体包括: 0019 所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后, 训练集 数据由输入层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进行求和计算, 得到的结果经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中最后一个隐藏层 的计算结束时, 将结果传递至输出层, 通过损失函数计算输出风速与真实风速间的误差, 将 该结果从输出层反向逐层传递并调整各隐藏层的权重; 0020 重复。

17、以上正向传播和反向传播过程, 损失函数的结果逐渐减小, 直到该结果处于 期望误差范围内或是达到设定的训练次数, BP神经网络训练完成, 实现DDM图到海面风速的 非线性映射。 0021 本发明的实施例2提供了一种基于BP神经网络的GNSS-R海面风速反演系统, 所述 系统包括: 训练好的海面风速反演模型和风速反演模块; 所述海面风速反演模型为一个BP 神经网络; 0022 所述风速反演模块, 用于将待测的DDM图输入预先训练好的海面风速反演模型, 输 出对应的反演风速。 0023 作为上述系统的一种改进, 所述BP神经网络的输入为DDM图, 输出为海面风速; 其 激活函数为ReLU函数, 输入。

18、层节点数是2560; , 所述BP神经网络包括三个隐层: 第一个隐藏 层有1024个神经元, 第二个隐藏层有256个神经元, 第三个隐藏层有64个神经元; 输出层节 点数为1, 相邻层的所有神经元之间采取全连接的方式相连, 损失函数为MSE函数, 评价指标 为均方根误差RMSE。 0024 作为上述系统的一种改进, 所述BP神经网络的训练步骤, 具体包括: 0025 选取多组GNSS-R数据和ECMWF分析场数据, 进行时空匹配得到原始样本集, 每组样 本均由一个DDM图和对应的风速构成; 0026 对原始样本集进行预处理并切分成训练集与测试集; 0027 通过训练集数据训练BP神经网络, 使。

19、得该网络能够持续捕获DDM图中的数据特征 并建立与风速之间的映射关系; 0028 用测试集数据对训练好的BP神经网络进行测试。 0029 作为上述系统的一种改进, 所述对原始样本集进行预处理并切分成训练集与测试 集; 具体包括: 0030 基于经纬度、 风速和信噪比对原始样本集数据进行筛选; 说明书 2/5 页 5 CN 111639747 A 5 0031 基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理; 0032 将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。 0033 作为上述系统的一种改进, 所述通过训练集数据训练BP神经网络, 使得该网络能 够持续捕获DDM。

20、图中的数据特征并建立与风速之间的映射关系, 具体包括: 0034 所述BP神经网络中神经元之间的权值以及每个神经元中的阈值初始化后, 训练集 数据由输入层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进行求和计算, 得到的结果经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中最后一个隐藏层 的计算结束时, 将结果传递至输出层, 通过损失函数计算输出风速与真实风速间的误差, 将 该结果从输出层反向逐层传递并调整各隐藏层的权重; 0035 重复正向传播和反向传播过程, 损失函数的结果逐渐减小, 直到该结果处于期望 误差范围内或达到设定的训练次数, BP神经网络训练完成, 实现DDM图。

21、到海面风速的非线性 映射。 0036 本发明的优势在于: 0037 1、 本发明提出一种基于BP(Backward Propagation)神经网络的GNSS-R海面风速 反演方法, 与波形匹配方法相比, 该算法无需要建立庞大的仿真数据库, 与经验函数方法相 比, 该算法可以建立多个观测量与海面风速的关系, 可以充分利用与风速反演相关的物理 量, 所以, 该方法能够进一步缩短反演时间并提高反演精度; 0038 2、 本发明利用BP神经网络反演GNSS-R海面风速, 模型简单, 缩短了建模时间和反 演时间, 并进一步提高了反演精度; 0039 3、 本发明基于BP神经网络模型, 充分利用DDM图。

22、中与风速相关的物理量进行特征 学习, 在保证反演精度的情况下降低了计算量、 缩短了耗时, 具有模型简单、 快速、 结果精度 高等特点; 0040 4、 本发明的方法具备可以相对高效地基于BP神经网络模型反演海面风速的优点, 能够满足利用大量GNSS-R卫星数据进行海面风场相关的大气学研究的需求。 附图说明 0041 图1为本发明的基于BP神经网络的GNSS-R海面风速反演方法流程图; 0042 图2为BP神经网络海面风速反演模型示意图。 具体实施方式 0043 下面结合附图对本发明的技术方案进行详细说明。 0044 实施例1 0045 如图1所示, 本发明的实施例1提供了一种基于BP神经网络的。

23、GNSS-R海面风速反演 方法, 主要包括以下步骤: 0046 第一步: 原始数据样本集构建。 将GNSS-R数据和ECMWF数据进行时空匹配, 构成原 始样本集; 0047 选取大量的GNSS-R数据和ECMWF分析场数据进行时空匹配得到原始样本集, 每组 样本都是由一个DDM图和对应的风速信息构成。 0048 第二步: 生成训练集和测试集。 对原始样本集进行预处理并切分成训练集与测试 说明书 3/5 页 6 CN 111639747 A 6 集; 0049 为了避免数据异常以及噪声干扰, 需要对数据的经纬度、 风速、 信噪比(SNR)做筛 选; 筛选后, 基于采样算法和归一化算法解决数据集。

24、分布不均匀、 量纲不一致的问题, 再按 照7:3将预处理后的样本集切分成训练集和测试集。 0050 第三步: BP神经网络搭建。 搭建以DDM图为输入, 风速为输出的BP神经网络模型; 0051 首先确定网络的激活函数, 再根据不断试验分别确定网络层数、 各层网络节点数 以及模型的最优迭代次数, 接着选定模型的评价指标, 最后搭建以DDM图为输入, 风速为输 出的BP神经网络模型。 0052 第四步: BP神经网络训练。 通过训练集数据不断训练BP模型, 使得模型能够持续捕 获DDM图中的数据特征并建立与风速之间的映射关系; 0053 网络中神经元之间的权值以及每个神经元中的阈值初始化后, 训。

25、练集数据由输入 层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进行求和计算, 得到的结果 经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中最后一个隐藏层的计算结束 时, 将结果传递至输出层, 通过损失函数计算输出风速与真实风速间的误差, 将该结果从输 出层反向逐层传递并调整各隐藏层的权重。 重复以上正向传播和反向传播过程, 损失函数 的结果逐渐减小, 直到该结果处于模型的期望误差范围内或是达到模型设定的训练次数, 预测风速逼近真实风速, 视为模型训练完成, 实现DDM图到海面风速的非线性映射。 0054 第五步: 模型训练测试。 通过测试集验证训练完成的模型的准确性与可靠性;。

26、 0055 用测试集数据对训练好的模型进行测试, 如果几个测试集的误差结果相近, 则模 型具有鲁棒性, 再根据模型得到的RMSE是否在2m/s以内来评判模型反演结果的准确性与可 靠性, 若上述条件都满足则得到了BP神经网络海面风速反演模型。 0056 第六步: 数据反演。 将待测的DDM图输入BP神经网络海面风速反演模型, 获得对应 的反演风速。 0057 利用TDS-1卫星上的SGR-ReSI GNSS-R接收机的观测数据, 采用本发明的基于BP神 经网络反演GNSS-R海面风速。 TDS-1卫星于2014年发射, 运行在高度为635km、 倾角为98.4 的轨道上, 采用SSTL-150平。

27、台, 卫星上的8个有效载荷进行周期性轮流作业, 其中在一个工 作周期中, SGR-ReSI的工作时间为1-2天, 期间接收并处理了来自地表的GNSS卫星的反射信 号。 TDS-1卫星将反射信号附带的属性数据非相干累加生成多普勒(Delay-Doppler Map, DDM)图, DDM图的大小为128个延迟像素乘以20个多普勒像素, 多普勒分辨率为500Hz, 延迟 分辨率为0.25chips。 0058 如图1, 包括如下六个步骤: 0059 第一步原始数据样本构建: GNSS-R数据与ECMWF数据进行时空匹配。 本实例使用了 2018年2-10月的TDS-1卫星数据与ECMWF分析场数据。

28、, 按照时间、 经度、 纬度进行匹配得到原 始样本集, 整个样本集的数据量达到二百多万个样本, 基本覆盖了全部的海洋区域, 风速范 围在020m/s之间。 0060 第二步生成训练集和测试集: 对原始样本集进行筛选, 剔除南北半球纬度高于55 的海冰区域的样本点, 同时, 为了避免噪声影响风速反演精度, 只留下位于3到18m/s范围 内、 信噪比(SNR)大于3的数据。 筛选后的样本数据约为37万个, 风速大部分在3-10m/s, 采用 混合采样算法使其分布均匀, 采用归一化算法将样本集风速映射到01范围以保证量纲一 说明书 4/5 页 7 CN 111639747 A 7 致, 最后将处理得。

29、到的样本集按照7:3切分成训练集与测试集, 其中训练集数量为73500个, 测试集数量为31500个。 0061 第三步BP神经网络搭建: 首先确定网络的激活函数为ReLU函数, 再根据不断试验 确定网络具有三个隐藏层, 如图2所示。 输入层节点数是2560, 第一个隐藏层有1024个神经 元, 第二个隐藏层有256个神经元, 第三个隐藏层有64个神经元, 输出层节点数为1, 相邻层 的所有神经元之间采取全连接的方式相连, 损失函数选择MSE函数, 接着选定模型的评价指 标为均方根误差RMSE, 就此搭建了以DDM图为输入, 风速为输出的BP神经网络模型。 0062 第四步BP神经网络训练: 。

30、网络中神经元之间的权值以及每个神经元中的阈值初始 化后, 训练集数据由输入层传递至第一个隐藏层的各神经元, 对该数据与权向量的内积进 行求和计算, 得到的结果经过激活函数的非线性处理后输出至第二个隐藏层, 当网络中第 三个隐藏层的计算结束时, 将结果传递至输出层, 通过损失函数MSE计算输出风速与真实风 速间的误差, 将该结果从输出层反向逐层传递并调整各隐藏层的权重。 重复以上正向传播 和反向传播过程, 神经网络模型的计算误差不断下降, 使得预测值逐渐逼近真实风速。 当计 算误差不再随着训练次数的增加而下降时, 才能获得最优模型, 视为模型训练完成, 实现 DDM图到海面风速的非线性映射。 0。

31、063 第五步模型测试: 用测试集数据对训练好的模型进行测试, 如果几个测试集的误 差结果相近, 则模型具有鲁棒性, 再根据模型得到的RMSE是否在2m/s以内来评判模型反演 结果的准确性与可靠性, 本实例中的误差范围在1.7-2m/s, 满足精度要求, 由此得到了BP神 经网络海面风速反演模型。 0064 第六步数据反演: 将待测的DDM图输入BP神经网络海面风速反演模型中, 输出获得 对应的反演风速, 得到的RMSE为1.76m/s, 表明本发明的方法反演精度很高。 0065 实施例2 0066 本发明的实施例2提供了一种基于BP神经网络的GNSS-R海面风速反演系统, 所述 系统包括: 。

32、训练好的海面风速反演模型和风速反演模块; 所述海面风速反演模型为一个BP 神经网络; 0067 所述风速反演模块, 用于将待测的DDM图输入预先训练好的海面风速反演模型, 输 出对应的反演风速。 0068 最后所应说明的是, 以上实施例仅用以说明本发明的技术方案而非限制。 尽管参 照实施例对本发明进行了详细说明, 本领域的普通技术人员应当理解, 对本发明的技术方 案进行修改或者等同替换, 都不脱离本发明技术方案的精神和范围, 其均应涵盖在本发明 的权利要求范围当中。 说明书 5/5 页 8 CN 111639747 A 8 图1 图2 说明书附图 1/1 页 9 CN 111639747 A 9 。

展开阅读全文
内容关键字: 基于 BP 神经网络 GNSS 海面 风速 反演 方法 系统
关于本文
本文标题:基于BP神经网络的GNSS-R海面风速反演方法及系统.pdf
链接地址:https://www.zhuanlichaxun.net/pdf/10435846.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1