(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111213180.8 (22)申请日 2021.10.19 (65)同一申请的已公布的文献号 申请公布号 CN 114065607 A (43)申请公布日 2022.02.18 (73)专利权人 中国电波传播研究所 （中国电子 科技集团公司第二十二研究所） 地址 266107 山东省青岛市城阳区仙山 东 路36号 (72)发明人 张金鹏　吴佳静　张玉石　李清亮　 朱秀芹　魏志强　李艳　夏晓云　 许心瑜　张浙东　尹志盈　赵鹏　 尹雅磊　黎鑫　万晋通　(74)专利代理 机构 青岛博雅知识产权代理事务 所(普通合伙) 37317 专利代理师 封代臣 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) 审查员 郭一浓 (54)发明名称 一种基于深度卷积网络的海上非均匀蒸发 波导剖面反演方法 (57)摘要 本发明公开了一种基于深度卷积网络的海 上非均匀蒸发波导剖面反演方法， 其改进之处在 于， 包括如下步骤： 步骤1， 蒸发波 导垂直M剖面的 参数化建模： 步骤2， 距离向非均匀蒸发波导垂直 M剖面样本的高斯 ‑马尔科夫过程生成： 步骤3， 构 建一维残差 卷积自动编码器网络模型： 步骤4， 计 算多个海杂波接收功率： 步骤5， 构建深度卷积网 络模型： 步骤6， 获得网络模型的最优神经元权重 系数； 步骤7， 开展非均匀蒸发波导的反演测试和 评估。 本发明所公开的方法， 采用一维残差卷积 自编码器进行 非均匀蒸发波导的特征提取， 实现 了蒸发波导垂直M剖面随距离方向的参数建模。 权利要求书2页 说明书6页 附图3页 CN 114065607 B 2022.11.29 CN 114065607 B 1.一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法， 其特征在于， 包括如 下步骤： 步骤1， 蒸发波导垂直M剖面的参数化建模： 模型使用波导 高度δ、 波导厚度ΔM、 波导顶M梯度调 节因子ρ 三个参数进行描述， 具体如 下： 在z≤ δ 高度范围内的修 正折射率M(z)计算公式为： 其中， 在z≥δ 高度范围内的修 正折射率为： 其中， 上式中， z为海 面以上垂直高度， z0为空气动力学粗糙度因子， 取1.5 ×10‑4m； M0为海面高 度处的大气修 正折射率； 步骤2， 距离向非均匀蒸发波导垂直M剖面样本的高斯 ‑马尔科夫过程生成： 对步骤1中的三个参数进行距离向马尔科夫链模拟， 代入垂直M剖面模型中， 形成多个 非均匀蒸发波导剖面空间结构， 马尔科 夫链模拟方法如下： d(xk+1)＝d(xk)+ ηk d(x1)＝d(x0) 其中， d(xk)代表xk处的蒸发波导垂直M剖面参数， d(x0)是初始距离处的剖面参数， ηk服 从均值为0， 方差为 的高斯分布， N表示高斯分布； 步骤3， 构建一维残差卷积自动编码器网络模型， 用于进行非均匀蒸发波导垂直M剖面 高维度参数的特 征提取， 具体包括： 步骤3a， 构建编码器： 应用卷积层、 池化层和瓶颈层将非均匀蒸发波导垂直M剖面参数 编码为低自由度参数矩阵； 步骤3b， 构建解码器： 解码器由瓶颈层、 反卷积层和上采样层重构得到蒸发波导在距离 方向上的垂直M剖面 参数； 定义均方根 误差为原 始输入与重构特 征之差， 调整网络迭代次数及训练数量； 步骤4， 根据雷达电波传播理论和抛物方程方法， 计算多个非均匀蒸发波导垂直M剖面 空间结构情况 下的海杂波接收功率PC(X， M‘)： PC(x， M‘)＝‑2L(x， M‘)+σ0[ θ(x， M‘)]+10log10(x)+C权　利　要　求　书 1/2 页 2 CN 114065607 B 2上式中， x表示海面散射单元与雷达天线之间的距离， M ‘表示蒸发波导垂直M剖面空间 结构， θ 为擦地角， σ0为海面后向散射系数， C为常数项， L 为电磁波单程传播损耗， 表示 为： L(x， M‘)＝32.44+20log10f(MHz)+20log10x(km)‑20log10Fp(x， M‘) 上式中， f为雷达频率， Fp代表海浪有效高度处的方向图传播因子； 步骤5， 构建非均匀蒸发波导垂直M剖面与海杂波功率间非线性映射的深度卷积网络模 型： 深度卷积网络配置4个卷积层、 4个池化层和1个全连接层， 每个卷积层都包含三个基本 模块： 一维卷积操作层、 批量归一化层和非线性激活层， 选择ReLU函数作为激活函数， 学习 率为0.02， 网络的输入为海杂波功率数据， 输出为低自由度的蒸发波导垂直M剖面 参数； 步骤6， 由步骤4得到的海杂波功率数据和步骤3得到的低自由度距离向非均匀蒸发波 导垂直M剖面参数数据， 组成训练数据集， 输入步骤5构建的深度卷积网络， 开展网络模型训 练， 训练过程中， 将均方根误差RMSE作为损失函数， 利用Adam梯度下降法优化损失函数， 获 得网络模型的最优神经 元权重系数； 步骤7， 基于步骤6训练好的深度卷积网络模型， 开展非均匀蒸发波导的反演测试和评 估， 具体包括： 步骤7a， 利用步骤2中方法， 生成新的非均匀蒸发波导垂直M剖面空间结构， 并通过步骤 4计算对应的海杂波功率， 形成测试 数据集； 步骤7b， 将测试数据集中的海杂波功率数据， 输入步骤6的深度卷积网络模型， 预测得 到低自由度的蒸发波导垂直M剖面 参数； 步骤7c， 将步骤7b预测得到的参数输入步骤3构 建的解码器， 获得重构的高维度蒸发波 导垂直M剖面参数， 包括随距离变化的蒸发波导高度、 波导 强度和波导顶M梯度调节因子， 并 进一步基于步骤1， 计算得到非均匀蒸发波导垂直M剖面空间结构， 为反演结果； 步骤7d， 计算上述反演结果与 步骤7a测试数据集中M剖面空间结构的均方根误差， 评估 非均匀蒸发波导垂直M剖面的反演精度。权　利　要　求　书 2/2 页 3 CN 114065607 B 3