[发明专利]基于卷积神经网络的海况等级判断方法及装置

说明书

本发明实施例提供一种基于卷积神经网络的海况等级判断方法及装置，所述方法包括：获取待判断海域的海杂波数据图，所述海杂波数据图是由所述待判断海域的原始海杂波数据构建而成；将所述待判断海域的海杂波数据图，输入至预设卷积神经网络模型，输出所述待判断海域的海况等级。本发明实施例提供的基于卷积神经网络的海况等级判断方法及装置，通过训练好的卷积神经网络模型对海杂波数据图进行处理，得到海况等级，提高了海况等级判断的效率和准确性。

技术领域

本发明涉及海洋环境监测技术领域，尤其涉及一种基于卷积神经网络的海况等级判断方法及装置。

背景技术

海洋资源利用与海上活动开展等均需要对海洋环境进行监测，其中，海洋表面动力参数是一类重要的海洋环境参数，主要包括海洋近表面流、海浪和海面风场等。浪高是用来描述海表面状况的重要参数，是海浪预报的重要内容，常用波级进行定义。

现有技术中，针对海况等级的测量，通常采用以下两种方法：

一、现场点测量法，主要是通过浮标、座底式压力传感器、潜标、海流计等工具现场实地测量。二、遥感法，将海杂波机理与海洋学联系起来，使用Bragg谐振散射机理合理解释无线电波与海浪的一阶相互作用过程，通过进一步实验建立了一阶散射截面方程与二阶散射截面方程。从高频雷达海洋回波谱中完整地提取海浪参数，必须反演二阶散射截面方程。反演海浪参数的方法可以分为两类：经验公式法，利用经验公式直接从海洋回波谱中求解浪高与浪周期，如Barrick法、Maresca法、Heron法等；谱积分法，先采用线性或非线性的方法从海洋回波谱中求解海浪谱，再对海浪谱进行积分得到有效浪高与浪周期参数，如Barrick法、Lipa法、Wyatt曲线拟合法等。

但是，现有的现场点测量法，只能得到特定时间内局部点线上的数据，对大面积海域的情况反映不全面，无法得到实时的连续变化的海洋环境数据，测量作业受气象、海况条件的限制，因此，无法满足大规模、长时间实时监控海况变化的需要。而现有的遥感法中，经验公式法的浪高测量范围受到工作频率的限制，积分方程法无法保证实时性，并且对信噪比要求高，需要多雷达共同测量消除浪向模糊性。此外，经验公式法和积分方程法都有各自适用的海况范围，根据雷达系统和海洋环境不同，都需要进行相应的参数调整，并且还涉及到一阶谱与二阶谱的分离问题，因此，导致海况等级判断结果准确性低。

发明内容

本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的基于卷积神经网络的海况等级判断方法及装置。

为了解决上述技术问题，一方面，本发明实施例提供一种基于卷积神经网络的海况等级判断方法，包括：

获取待判断海域的海杂波数据图，所述海杂波数据图是由所述待判断海域的原始海杂波数据构建而成；

将所述待判断海域的海杂波数据图，输入至预设卷积神经网络模型，输出所述待判断海域的海况等级。

进一步地，获取所述预设卷积神经网络模型的具体步骤如下：

获取多张海杂波数据图样本，以及每一海杂波数据图样本对应的海况等级；

根据多张海杂波数据图样本，以及每一海杂波数据图样本对应的海况等级，对目标卷积神经网络进行训练，得到所述预设卷积神经网络模型。

进一步地，所述获取待判断海域的海杂波数据图，具体包括：

获取待判断海域的原始海杂波数据，所述原始海杂波数据为二维矩阵数据；

以所述原始海杂波数据中元素的行作为像素的横坐标，以所述原始海杂波数据中元素的列作为像素的纵坐标，以所述原始海杂波数据中元素的值作为像素值，构建出所述海杂波数据图。

进一步地，所述原始海杂波数据包括时间-距离二维数据或方位-距离二维数据。