-
公开(公告)号：CN118797376A
公开(公告)日：2024-10-18
申请号：CN202411027149.9
申请日：2024-07-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的SuperDARN雷达目标回波聚类方法，其特征在于，包括如下步骤：步骤1、获取SuperDARN雷达探测数据并对其进行预处理，构成SuperDARN雷达回波特征数据集；步骤2、对数据中多普勒速度与谱宽的负值进行绝对值操作，使用Z‑score标准化将数据进行标准化处理；步骤3、搭建基于变分自编码器的深度聚类模型，并使用标准化处理后的数据进行训练；步骤4、使用完成预训练的基于变分自编码器的深度聚类模型得到聚类结果；步骤5、基于变分自编码器的深度聚类模型的聚类结果进行效果评估。该方法将深度学习技术和SuperDARN雷达回波数据应用到目标聚类中，从而获得更加干净清晰的各种回波。
-
公开(公告)号：CN118965022A
公开(公告)日：2024-11-15
申请号：CN202411028422.X
申请日：2024-07-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种SuperDARN雷达对流图对流反转边界自动识别方法，包括如下步骤|：步骤1、分别通过RST软件和NASA的空间物理数据设备获取SuperDARN雷达探测数据和OMNI卫星观测数据，分别对其进行预处理，删除异常值以及无效值；步骤2、将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集。步骤3、使用Matlab绘制出MLAT‑MLT地磁坐标系下的视线速度图，并按照空间平均网格划分地磁坐标区域；步骤4、利用广度优先搜索算法对全部网格中的视线速度方向进行判断，寻找数据集中满足特定条件的点，并在坐标上用红色菱形标记这些点的中点位置。本发明在SuperDARN雷达获得的海量具有丰富信息的数据的基础上，采用广义搜索遍历算法，稳定高效地将对流反转边界自动识别出来。
-
Search Results
2
records
(took 0.019 seconds)
