基于深度学习网络的实孔径辐射计定标方法

技术领域

本发明涉及基于深度学习网络的实孔径辐射计定标方法，属于微波辐射计定标技术领域。

背景技术

微波辐射计定标技术发展到现在，已经有多种方法，但是本质上都是两点定标。两点定标通常需要使用液氮作为冷源，定标过程繁琐且液氮为消耗品。此外，两点定标是建立在输入亮温与辐射计输出电压这一线性关系的基础上，实际上的辐射计不是理想线性的。微波辐射计中的天线、噪声源等核心部件的物理温度会影响辐射计输出电压，造成定标精度下降。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了基于深度学习网络的实孔径辐射计定标方法，降低了对外部液氮定标的依赖，提升系统的稳定性以及鲁棒性。

本发明的技术解决方案是：基于深度学习网络的实孔径辐射计定标方法，包括：

S1：获得实孔径辐射计核心器件物理温度；

S2：获得原始场景亮温图像；

S3：由原始场景亮温图像以及实孔径辐射计核心器件物理温度生成输出电压；

S4：由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集；

S5：使用构建的数据集训练深度学习网络；所述深度学习网络的输入为辐射计输出电压和核心器件物理温度，输出为天线温度；

S6：将测试数据输入训练好的深度学习网络，验证其有效性后，使用训练好的深度学习网络进行实孔径辐射计定标。

进一步地，所述获得实孔径辐射计核心器件物理温度的方法包括：

根据温度特性，模拟生成各个核心器件的物理温度；以及

在各个核心器件部位贴热敏电阻，实际测量其物理温度。

进一步地，所述核心器件包括天线、前端电缆、波导、接收机低噪放、噪声源、匹配负载、中频输出电缆。

进一步地，通过温控设施改变实孔径辐射计系统温度，通过核心器件部位的热敏电阻记录不同温度数据。

进一步地，所述获得原始场景亮温图像的方法包括：

模拟自然场景生成原始场景亮温，通过仿真生成均匀场景，亮温值映射到2.73k到300k，作为原始场景亮温Tb；以及

实际观测自然场景，通过热敏电阻、浮标或探空气球得到自然场景的实际亮温，作为原始场景亮温Tb；以及

利用变温源实现从低温到高温的微波辐射，作为原始场景亮温Tb。

进一步地，所述输出电压由实孔径仿真程序或者实孔径系统实测生成。

进一步地，所述输出电压对应的输入包括原始场景亮温、匹配负载、噪声源。

进一步地，所述噪声源用于提供多级噪声注入温度，对应多级输出电压。

一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述基于深度学习网络的实孔径辐射计定标方法中S3～S5的步骤。

基于深度学习网络的实孔径辐射计定标设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述基于深度学习网络的实孔径辐射计定标方法中S3～S5的步骤。

本发明与现有技术相比的优点在于：

(1)本发明通过热敏电阻获得核心器件物理温度，构建深度学习网络，获得了输入亮温与辐射计输出电压的非线性关系，实现了更高的定标精度；

(2)本发明通过仿真、实测或者变温源得到动态的输入亮温，与输出电压构建数据集，降低对外部液氮定标的依赖，简化了定标流程，提升了系统的稳定性。

附图说明

图1为本发明实施例提供的实孔径辐射计示意图；

图2为本发明实施例提供的基于深度学习网络的实孔径辐射计定标方法流程图；

图3为本发明实施例提供的多层感知机网络结构示意图；

图4为本发明实施例提供的卷积神经网络结构示意图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

以下结合说明书附图对本申请实施例所提供的基于深度学习网络的实孔径辐射计定标方法做进一步详细的说明，具体实现方式可以包括(如图1～4所示)：

S1：模拟或者实际测量获得实孔径辐射计核心器件物理温度；

S2：模拟或者实际观测自然场景、变温源生成原始场景亮温图像；

S3：由原始场景亮温图像以及实孔径辐射计核心器件物理温度生成输出电压；

S4：由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集；

S5：训练深度学习网络；

S6：将测试数据输入训练好的深度学习网络，以验证其有效性。

更进一步地，在步骤S1中，辐射计核心器件物理温度可根据温度特性模拟生成或者在各个核心器件部位贴热敏电阻，实际测量其物理温度。核心器件包括天线、前端电缆、波导、接收机低噪放、噪声源、匹配负载、中频输出电缆等。

更进一步地，在步骤S2中，原始场景亮温图像可由模拟的自然场景、实际观测的自然场景或者实际观测的变温源生成。

更进一步地，在步骤S3中，输出电压由实孔径仿真程序或者实孔径系统实测生成。输出电压对应的输入包括原始场景亮温、匹配负载、噪声源等。噪声源能够提供多级噪声注入温度，对应多级输出电压。

更进一步地，在步骤S4中，由原始场景亮温图像、实孔径辐射计核心器件物理温度与输出电压构建数据集按照比例分为训练数据集以及测试数据集，训练数据集用于训练深度学习网络。

更进一步地，所述步骤S5的具体实现方式为：

网络结构依次为1个输入层，多个隐藏层，1个输出层。输入层将系统输出电压以及实孔径辐射计核心器件物理温度输入到网络，多个隐藏层负责提取系统的输出电压与原始场景亮温图像以及实孔径辐射计核心器件物理温度之间的映射关系。输出层输出原始场景亮温图像。网络结构可以是多层感知机、卷积神经网络、Transformer等常规深度学习网络结构。激活函数层可以是Relu、Tanh、Sigmoid等激活函数。

在本申请实施例所提供的方案中，图1示出了实孔径辐射计示意图。为了便于说明，仅示出了与本发明相关的部分，详述如下：

实孔径辐射计包括天线，接收通道，数据处理器等。其中天线接收来自观测场景的辐射信号。接收通道将天线单元接收到的信号进行下变频、滤波和放大。数据处理器将接收通道中的模拟信号转换为数字信号，并进行检波输出得到电压信号。

如图3所示，本发明提供的基于深度学习网络的实孔径辐射计定标方法具体包括下述步骤：

1.获得辐射计核心器件物理温度

获得辐射计核心器件物理温度有两种方法，第一种是根据温度特性，模拟生成各个核心器件的物理温度；第二种是在各个核心器件部位贴热敏电阻，实际测量其物理温度。核心器件包括天线、前端电缆、接收机低噪放、噪声源、匹配负载、中频输出电缆等。

2.生成原始场景亮温

生成原始场景亮温有三种方法，第一种是模拟自然场景生成原始场景亮温，通过仿真生成均匀场景，亮温值映射到2.73k到300k，作为原始场景亮温Tb；第二种是实际观测自然场景，通过热敏电阻、浮标、探空气球等辅助手段得到自然场景的实际亮温，作为原始场景亮温Tb；第三种是利用变温源实现从低温到高温的微波辐射，作为原始场景亮温Tb。

3.生成输出电压

生成输出电压有两种方法，第一种是利用辐射计仿真程序进行仿真，获得仿真的输出电压；第二种是通过实孔径微波辐射计系统实际观测自然场景，获得实测的输出电压；第三种是通过实孔径微波辐射计系统观测变温源，获得实测的输出电压。

4.构建数据集

由原始场景亮温、实孔径微波辐射计核心器件物理温度与输出电压共同构建数据集，从中随机选取90％的数据作为训练数据集，用于训练网络，10％的数据作为测试数据集，用于测试网络的定标效果。

5.训练深度学习网络

5.1网络结构主要包括1个输入层，多个隐藏层、1个输出层。

5.2将输出电压、实孔径微波辐射计核心器件物理温度作为输入，原始场景亮温作为训练时的标签，共同训练多层感知机网络。

5.3随后是具有整流非线性激活的隐藏层，隐藏层与输入层是全连接的，作用是对输出电压、核心器件物理温度与原始场景亮温进行映射，提取其高阶特征信息。假设输入层用向量X表示，则隐藏层的输出定义为：

Y(X

式中：*表示相关操作；F是非线性激活函数，包括双曲正切函数，定义为

5.4为了缩减网络定标亮温与原始场景亮温之间的差值，需要对网络参数权重θ＝{W

式中：m为训练样本的数量，使用标准的反向传播的随机梯度算法SGD最小化损失函数。

5.5经过多次训练迭代，当损失函数趋于稳定，保存最后训练好的网络参数权重。

6.验证网络定标效果

将测试数据集中的输出电压、核心器件物理温度，输入到训练好的深度学习网络中，获得网络定标的亮温，验证网络定标效果。

为了更进一步的说明本发明实施例提供的基于深度学习网络的实孔径辐射计定标方法，现结合具体实例详述如下：

实施例1：通过变温源生成原始场景亮温图像

该实施例中，深度学习网络采用多层感知机网络结构。

具体步骤如下：

(1)将变温源放置在实孔径辐射计前方正对位置；

(2)通过调节变温源温度，从20度到330度，每0.25度采集一次辐射计参数，包括输出电压：天线口对应电压，匹配负载对应电压，噪声源对应电压；热敏电阻读数：天线、前端电缆、接收机低噪放、噪声源、匹配负载、中频输出电缆。

(3)记录每一组变温源温度所对应的辐射计参数，组成数据集；

(4)将步骤3生成的数据集中90％的数据作为训练数据集，用于网络训练，剩下10％的数据作为测试数据集，用于测试网络的亮温定标效果；

(6)训练多层感知机网络，训练完成后，将实测的核心器件物理温度、输出电压输入到网路中，得到定标后的亮温；

(7)使用两点定标法对系统进行定标，与步骤6基于多层感知机的深度学习获得的定标亮温进行对比。

基于多层感知机的深度学习获得的定标精度为0.87K，传统两点定标方法的定标精度为1.23K，基于多层感知机的深度学习定标方法精度更高，提升系统的稳定性与鲁棒性。

实施例2：通过仿真生成原始场景亮温图像

该实施例中，深度学习网络采用卷积神经网络结构。

具体步骤如下：

(1)随机生成20000张均匀亮温场景，将数值映射到2.73k到300k，作为仿真时的原始场景亮温；

(2)根据温度特性，模拟生成各个核心器件的物理温度；

(3)将原始场景亮温，核心器件物理温度导入实孔径微波辐射计仿真程序中，得到仿真的输出电压；

(4)遍历每个原始场景亮温、核心器件物理温度以及对应的输出电压，生成仿真数据集；

(5)随机选择仿真数据集中90％的数据作为训练数据集，用于网络训练，剩下10％的数据作为测试数据集，用于测试网络的亮温定标效果；

(6)训练卷积神经网络，训练完成后，将实测的核心器件物理温度、输出电压输入到网路中，得到定标后的亮温；

(7)使用两点定标法对系统进行定标，与步骤6基于卷积神经网络的深度学习获得的定标亮温进行对比。

基于卷积神经网络的深度学习获得的定标精度为0.73K，传统两点定标方法的定标精度为1.12K，基于卷积神经网络的深度学习定标方法精度更高，提升系统的稳定性与鲁棒性。

以上实施例展示了本发明的效果：可降低对外部液氮定标的依赖，提升系统的稳定性以及鲁棒性。

本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行图1所述的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。