[发明专利]一种降雨强度等级反演方法

权利要求书

1.一种降雨强度等级反演方法，其特征在于：

步骤1：离线获取适用于降雨强度等级反演的GA-BPNN模型

离线采集多幅不同降雨强度下的雷达图像，对图像进行筛选，选取降雨检测区域，利用临近插值法获得笛卡尔图像，再通过二维离散傅里叶变换得到笛卡尔图像对应的波数能量谱；将能量谱划分不同的波数段，统计不同降雨强度下各波数段内波数能量占总能量的比例作为特征参数，将特征参数送入构建的GA-BPNN模型中进行训练及验证，得到满足实验要求的模型；

步骤2：读取待检测的雷达图像，选取降雨检测区域，利用和步骤1相同的临近插值方法计算笛卡尔图像；

步骤3：利用和步骤1相同的2D-DFT计算波数能量谱，并计算不同波数段的能量占比作为特征参数；

步骤4：将特征参数送入步骤1训练完成的GA-BPNN模型中，得到待检测图像的降雨强度等级。

2.根据权利要求1所述的一种降雨强度等级反演方法，其特征在于：步骤1所述利用临近插值法获得笛卡尔图像具体为：

式中，r是雷达图像中某一点与中心点的距离，θ为与船头方向成的角度。

3.根据权利要求1所述的一种降雨强度等级反演方法，其特征在于：步骤1所述通过二维离散傅里叶变换得到笛卡尔图像对应的波数能量谱具体为：

步骤1.1.1：2π长度上出现的全波数目定义为波数k，满足：

式中，(k_x,k_y)为能量谱域的坐标，即k在x和y轴的波数分量，单位为rad/m；λ为雷达图像呈现的海面条纹波长；

步骤1.1.2：对笛卡尔图像z＝f(x,y)进行2D-DFT，其数学模型可以表示为：

式中，N为子图像z的采样点数，x,y＝1,2,…,N为频率变量，F(k_x,k_y)为子图像z的傅里叶系数，(k_x,k_y)为波数域坐标k_x和k_y分别为波数向量在x和y方向的分量，对F(k_x,k_y)取矢量绝对值得到波数能量谱具体为：

式中，Re(F(k_x,k_y))和Im(F(k_x,k_y))为F(k_x,k_y)的实部和虚部。

4.根据权利要求1所述的一种降雨强度等级反演方法，其特征在于：步骤1所述将能量谱划分不同的波数段，统计不同降雨强度下各波数段内波数能量占总能量的比例作为特征参数具体为：

步骤1.2.1：用λ_d表示海浪波长尺度最小值，λ_t表示海浪波长尺度最大值，则海浪的能量谱波数下限为：

海浪的能量谱波数上限为：

波数能量谱被分为低、中、高三个波数段，其中，低波数段的能量谱为海浪波数段(中波数段)的能量谱为高波数段能量谱为

步骤1.2.2：各波数段的能量表示为：

式中，En_L、En_M、En_H分别为低、中、高波数段的能量，波数能量谱的总能量为：

因此，低、中、高波数段能量占总能量占比为：

式中，P_L、P_M、P_H分别为低、中、高波数段的能量占比，其被作为特征参数。

5.根据权利要求1所述的一种降雨强度等级反演方法，其特征在于：步骤1所述将特征参数送入构建的GA-BPNN模型中进行训练及验证具体为：

步骤1.3.1：BPNN模型初始化，将特征参数数据送入网络模型中，数据被分为训练集和验证集，模型生成初始权值和阈值；

步骤1.3.2：利用GA对生成的初始值进行二进制编码，随机生成N个个体作为初始化种群；

步骤1.3.3：建立适应度函数Fitness：

式中，和分别表示第k个训练样本通过神经网络得到的第i个预测输出和实际输出，Nt和Ns分别表示训练集样本数和输出节点个数；

步骤1.3.4：对初代种群进行选择、交叉和变异操作；

步骤1.3.5：经过几代选择、交叉和变异操作后，如果计算误差达到允许误差，则停止计算，将计算的最优权值和阈值替换BPNN中的初始权值和阈值；

步骤1.3.6：通过BPNN的训练对权值和阈值进行调整，如果完成设定的训练次数或达到设置的精度，则训练终止，并输出模型预测数据的精度。