买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学

摘要：本发明属于海洋遥感探测领域，公开了一种非相参雷达海杂波图像相位平均反演方法及系统，该方法包括雷达反演部分和随船波浪测量部分；雷达反演部分中，从雷达的海杂波图像实现海浪有义波高参数的测量，包括图像预处理、三维傅里叶变换、图像滤波、经验调制传递以及海浪参数计算；随船波浪测量部分中，根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，再利用域内海浪有义波高信息对雷达测量的有义波高进行修正。本发明基于船舶运动数据修正的非相参雷达海杂波图像相位平均反演方法，相较于传统雷达反演方法，通过将随船运动数据替代浮标标定，可以采集任意航行区域数据，数据充足；随船测量，位置灵活，大大提高了适用性。

主权项：1.一种非相参雷达海杂波图像相位平均反演方法，其特征在于，该方法包括：S1，雷达反演：从雷达海杂波图像中实现海浪谱测量，根据海浪谱谱距实现有义波高值测量；S2，随船波浪测量：根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，对雷达测量的有义波高进行修正；在步骤S2中，根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，对雷达测量的有义波高进行修正，包括：1随船波浪测量模型构建：将惯导测量的船舶摇荡数据作为输入，通过神经元得到每个输入xmotion对应的权值w1，w2…wn，b为该神经元的偏置，得到输出h，输出h由如下公式计算： 式中，f为激活函数，g为权值和偏置线性求和方程，h为神经网络输出，为神经网络第n个输入，wn为神经元第n个输入对应的权值，b为偏置；2定义模型损失函数，在得到神经网络的输出h后，将输出与实际海浪数据ywabe相对比，通过损失函数衡量两者之间的误差调整权重矩阵；3利用随船测量的HS_real对雷达测量的HS_radar进行相除得到修正系数c，表达式为： HS＝cHS_radar式中，c为修正系数，HS_real为随船测量的有义波高，HS_radar为雷达测量得到的有义波高，HS为有义波高；损失函数定义为J，表达式为： 式中，J为损失函数，W为权值矩阵，b为神经网络偏置矩阵，xmotion为输入，ywave为随船有义波高的标签值，hL为第L层神经网络的输出；得到： 式中，F为神经网络层间传递函数，WL为第L层神经网络权值矩阵，hL-1为第L-1层神经网络的输出，bL为第L层神经网络偏置矩阵；通过对损失函数求导，获得神经网络权值矩阵的梯度；在计算得到权值矩阵的梯度后，沿负梯度方向对参数进行调整，完成权值矩阵的更新；依次循环，直至最终达到设定的循环次数或输出结果误差小于设定阈值，完成模型的构建，最后输出的数据h为域内海浪有义波高Hs-real。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心 哈尔滨工程大学 一种非相参雷达海杂波图像相位平均反演方法及系统