-
题名基于深度学习的水平非均匀蒸发波导反演方法研究
- 1
-
-
作者
吴佳静
张金鹏
张玉石
魏志强
-
机构
中国电波传播研究所电波环境特性及模化技术重点实验室
中国海洋大学
-
出处
《电波科学学报》
CSCD
北大核心
2023年第4期665-672,共8页
-
基金
国家自然科学基金(U2006207)。
-
文摘
水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度和误差.为解决上述问题,首先提出了一维残差扩张因果卷积自编码器(one-dimensional residual dilated causal convolutional autoencoder,1D-RDCAE)网络实现低自由度的非均匀蒸发波导剖面建模,其次提出了多尺度卷积残差网络(multi-scale convolutional attention residual network,MSCA-ResNet)框架来实现水平非均匀蒸发波导剖面反演.为验证建模模型的有效性,在模拟海杂波功率数据集上验证降维模型的有效性,实验结果表明,基于1D-RDCAE比基于主分量分析法、堆栈自动编码器和一维卷积自动编码器降维重构后更接近原始数据,并且在模型训练过程中收敛速度更快.为了验证反演模型的有效性,在模拟的海杂波和实测海杂波数据上进行了测试,结果表明基于仿真海杂波和实测海杂波数据分别可实现蒸发波导高度反演准确率为96.98%和91.25%,优于目前典型的反演方法.本文提出的基于深度学习的水平非均匀蒸发波导反演方法具有模型反演效率高、模型复杂度低、反演误差小的特点,为海上反常传播环境实时高精度认知提供了新技术.
-
关键词
海杂波
蒸发波导
水平非均匀
深度学习
反演
主分量分析(PCA)法
一维残差扩张因果卷积自编码器
多尺度卷积残差网络
-
Keywords
sea clutter
evaporation duct
range direction inhomogeneous
deep learning
inversion
principal component analysis(PCA)
one-dimensional residual dilated causal convolutional autoencoder
multi-scale convolutional residual network
-
分类号
TN011
[电子电信—物理电子学]
P732
[天文地球—海洋科学]
-
