[发明专利]基于RBF神经网络的航海雷达图像反演海面风速方法

权利要求书

1.基于RBF神经网络的航海雷达图像反演海面风速方法，其特征在于，包括如下步骤：

步骤1，航海雷达图像数据预处理，采集航海雷达图像序列，航海雷达图像序列中包含N幅雷达图像，同时采集对应时间和位置同步传感器获得的实际风向、风速及海况信息，对每幅雷达图像进行中值滤波，抑制同频、雨雪噪声对图像的影响；

步骤2，RBF神经网络输入层构建，对航雷达图像序列进行全局低通滤波得到海面静态特征图像，选取风条纹特征明显图像，利用风条纹尺度带通滤波器获得海面风场能量谱，结合传感器及图像信息构建RBF神经网络输入层样本；

步骤3，RBF神经网络模型确定，对获取的海面风场能量谱平均值、海面风向、风速信息及海况信息等样本数据进行归一化映射，建立RBF神经网络框架，利用减聚类算法对样本目标矩阵选取中心，由聚类密度指数终止反向判定，得到基函数参数和扩展常数，利用递推最小二乘法获得输出层连接权值，最终确定RBF神经网络模型；

步骤4，海面风速信息提取，对测试航海雷达图像序列得到的海面风场能量谱平均值，海面风向信息和海况信息进行归一化映射，输入到RBF神经网络模型中，得到海面风速信息；

所述步骤3包括以下步骤：

步骤3.1，海面风场能量谱平均值、海面风向、风速信息及海况信息进行归一化映射；

①对获得的海面风场能量谱I(k_x,k_y)沿x和y轴归一化，得到能量谱均值S_i：

式(1)中，i是对应的雷达图像序列数；

②获得每幅雷达图像信噪比r_t，以雷达图像时间序列进行归一化，得到海况信息归一化值R_i：

式(2)中为二维波数谱经校正后的海浪谱，为雷达图像海浪信号以外的噪声谱；

③对风力计获得的海面风向信息d_i、海面风速信息p_i，按雷达图像时间序列进行归一化，得到海面风向、风速信息归一化值D_i及P_i：

步骤3.2，建立RBF神经网络框架；

①对步骤3.1获得的S_i、R_i、D_i和P_i的所有数据分成两个部分，一部分用于RBF神经网络模型的训练得到海面风速经验模型，另一部分用于模型的测试；

②依据海面风场与相关信息的关联性，建立RBF神经框架，该RBF神经网络第一层输入层为信号源节点，第二层隐含层的函数是非线性基函数，非线性基函数的中心就是指实测风速，第三层是输出层，它随着输入模式的作用而响应；

③RBF输入层到隐含层是一种非线性的映射关系，它按照输入值与中心点的欧式距离乘以一个常数来计算，随着中心点的确定，权重也随之确定；而隐含层到输出层的连接方式则采用了线性加权；其中，非线性基函数为高斯基函数，公式如下：

式(4)中，x_i为第一层的信号源节点，b_j是指径向基函数的中心，即实测风速的中心向量，σ_i是第i个隐层单元的扩展常数；

RBF神经网络隐含层到输出层的权值向量为：

w＝[w₁,w₂,w₃,…,w_p]                     (5)

可以得出RBF神经网络的输出G_m(x)为：

RBF网络训练过程分为两步，第一步是确定隐层单元数和基函数的中心及扩展常数；第二步是确定隐层到输出层的连接权值w_i；

步骤3.3，数据点密度指标计算；

该方法采用减聚类算法确定设计网络中隐层单元数、扩展常数，利用递归最小二乘算法确定w_i；为了确定聚类中心，首先要计算输入样本的密集度指标，计算公式如下：

I_i为输入样本x_i密度值指标，λ_a为密度指标领域，该领域外的数据点对I_i的影响可以忽略，λ_a定义为一个常数；通过公式(7)得到的最大I_i的点最为第一个聚类中心，并将其对应的数据点标记为x_c1，相对应的密度指标标记为I_c1，由此，更新各数据点密度指标公式如下：

式(8)中，λ_b与λ_a定义相同，但通常大于λ_a；

步骤3.4，减聚类算法得到节点中心和扩展常数；

随着不断更新数据点密度指标，不断的确定聚类中心I_cs，直到满足聚类判定条件，即：

其中，γ为很小的数值；

最终，获得的聚类中心为数据节点中心，得到的λ_b为扩展常数；

步骤3.5，RBF神经网络中输出层连接权值的确定；

应用训练样本数据S_i、R_i、D_i作为数据值，P_i为观测值，利用递推最小二乘获得网络连接权值w_i,即：

w(i)＝w(i-1)+K(i)e_p^*(i)          (10)

式(10)中，e_p(i)为先验误差，K(i)为卡尔曼增益，两者均由数据值和观测值递推得到。