本技術(shù)涉及雷達(dá)降雨檢測，更具體地說，是涉及一種基于resnet50-pca-xgboost的雷達(dá)降雨檢測方法及系統(tǒng)。

背景技術(shù)：

1、本研究針對x波段導(dǎo)航雷達(dá)反演海面風(fēng)場參數(shù)時降雨噪聲干擾的問題，提出了一種高效的降雨檢測方法。降雨會嚴(yán)重影響雷達(dá)回波信號，降低風(fēng)場信息提取的精度，因此精準(zhǔn)識別降雨污染對于后續(xù)的雨污校正和風(fēng)場反演至關(guān)重要。傳統(tǒng)的海上降雨檢測通常依賴船載雨量計，而lund等人提出的基于x波段雷達(dá)圖像的降雨檢測方法，則通過計算灰度值小于5的像素數(shù)占比作為判斷標(biāo)準(zhǔn)。然而，這種方法對雷達(dá)系統(tǒng)參數(shù)依賴性強(qiáng)，難以獲得準(zhǔn)確、穩(wěn)定的降雨信息。此外，許多現(xiàn)有方法采用單一圖像處理技術(shù)或傳統(tǒng)機(jī)器學(xué)習(xí)模型，如基于淺層特征的手工提取或支持向量機(jī)（svm）分類，難以捕捉雷達(dá)圖像中復(fù)雜的紋理與強(qiáng)度模式，導(dǎo)致檢測精度和魯棒性受限?，F(xiàn)有技術(shù)中基于雷達(dá)進(jìn)行降雨檢測的典型方案有：

2、（1）聚類識別：公開號為cn113450308a的中國發(fā)明專利，公開了一種雷達(dá)降雨檢測方法、裝置、計算機(jī)設(shè)備和存儲介質(zhì)，包括獲取雷達(dá)圖像并進(jìn)行預(yù)處理；對雷達(dá)圖像進(jìn)行特征提取；計算雷達(dá)圖像的特征與預(yù)設(shè)的若干聚類類心的距離，聚類類心包括有雨雷達(dá)圖像的聚類類心以及無雨雷達(dá)圖像的聚類類心；判斷雷達(dá)圖像的特征與聚類類心的距離最小的聚類類心是否為有雨雷達(dá)圖像的聚類類心；若是，則獲取的雷達(dá)圖像為有雨雷達(dá)圖像，否則為無雨雷達(dá)圖像。該方法實際上是一種典型的k-means算法，其結(jié)果高度依賴于初始類心的選擇，在隨機(jī)選擇初始類心的情況下，不同初始類心可能收斂至局部最優(yōu)，導(dǎo)致分類結(jié)果波動。與該方案同類的方案有公開號為cn113920422a的中國發(fā)明專利，一種降雨雷達(dá)圖像的識別方法，存在相同的問題。

3、（2）閾值識別：公開號為cn110208806a的中國發(fā)明專利，公開了一種航海雷達(dá)圖像降雨識別方法，讀取雷達(dá)文件得到原始雷達(dá)圖像，去除同頻干擾；在待檢測雷達(dá)圖像的笛卡爾框區(qū)域范圍內(nèi)，用在空間上相距待計算點半個主波長距離的像素點來計算此點的回波差異值，求得雷達(dá)圖像中笛卡爾框區(qū)域的回波差異值均值；通過回波差異值均值與檢測閾值的比較，識別出降雨雷達(dá)圖像和非降雨雷達(dá)圖像。該方案依賴回波差異均值，容易受離群值（如局部強(qiáng)反射目標(biāo)）干擾，忽略空間分布特性可能導(dǎo)致將均勻非降水雜波誤判為降雨。

4、因而，仍然需要一種能夠準(zhǔn)確識別受到降雨影響的雷達(dá)回波信號的方法。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本技術(shù)采用的技術(shù)方案是一種基于resnet50-pca-xgboost的雷達(dá)降雨檢測方法，包括將雷達(dá)回波信號存儲為二維數(shù)據(jù)矩陣，還包括：

2、resnet50-pca特征提取：對二維數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)預(yù)處理得到張量作為resnet50的輸入，通過改進(jìn)后的resnet50算法進(jìn)行特征提取，而后通過主成分分析進(jìn)行降維得到降維后的resnet50-pca特征向量；

3、直方圖特征提?。航y(tǒng)計不同像素強(qiáng)度值在二維數(shù)據(jù)矩陣中的出現(xiàn)頻率得到強(qiáng)度直方圖，提取強(qiáng)度直方圖bin值組成的特征向量進(jìn)行歸一化，得到歸一化的直方圖特征向量；

4、特征拼接：將深度特征向量和直方圖特征向量進(jìn)行特征拼接，構(gòu)成xgboost分類的輸入向量，基于xgboost分類判斷雷達(dá)回波是否受降雨影響。

5、可選地，數(shù)據(jù)預(yù)處理包括：將二維數(shù)據(jù)矩陣經(jīng)過中值濾波和平滑處理，而后生成單通道灰度圖像，采用多輪最大池化進(jìn)行降維，通過雙線性插值調(diào)整至標(biāo)準(zhǔn)輸入尺寸，之后將降維后的單通道灰度圖像轉(zhuǎn)換為三通道偽rgb格式，并采用imagenet進(jìn)行標(biāo)準(zhǔn)化。

6、可選地，改進(jìn)后的resnet50算法移除resnet50的全連接層和softmax層，僅保留卷積層和平均池化層，直接輸出特征向量，通過改進(jìn)后的resnet50進(jìn)行特征提取的過程在評估模式下進(jìn)行，同時禁用梯度計算。

7、可選地，特征拼接包括對resnet50-pca特征和直方圖特征分別進(jìn)行z-score標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的特征向量采用直接拼接。

8、可選地，特征拼接包括對resnet50-pca特征和直方圖特征分別進(jìn)行z-score標(biāo)準(zhǔn)化，基于標(biāo)準(zhǔn)化后的數(shù)據(jù)按照優(yōu)化風(fēng)速分箱采用xgboost分類器進(jìn)行特征性能評估，對于優(yōu)化風(fēng)速分箱后得到的每個風(fēng)速區(qū)間，根據(jù)resnet50-pca特征和直方圖特征的準(zhǔn)確率對resnet50-pca特征和直方圖特征進(jìn)行權(quán)重分配，而后進(jìn)行加權(quán)拼接。

9、可選地，優(yōu)化風(fēng)速分箱包括：

10、初始分箱：按照等頻分箱將風(fēng)速劃分為k個區(qū)間，對于第i個區(qū)間，若其樣本量低于總樣本量的5%，則合并第i個區(qū)間和第i+1個區(qū)間；

11、準(zhǔn)確率合并：按照下式計算相鄰區(qū)間的準(zhǔn)確率差異，合并準(zhǔn)確率差異小于0.5%的區(qū)間：

12、;

13、式中，表示區(qū)間準(zhǔn)確率，表示在區(qū)間i中，resnet50-pca特征采用xgboost分類器進(jìn)行分類的準(zhǔn)確率，表示在區(qū)間i+1中，resnet50-pca特征采用xgboost分類器進(jìn)行分類的準(zhǔn)確率，表示在區(qū)間i中，直方圖特征采用xgboost分類器進(jìn)行分類的準(zhǔn)確率，表示在區(qū)間i+1中，直方圖特征采用xgboost分類器進(jìn)行分類的準(zhǔn)確率；而后得到優(yōu)化風(fēng)速分箱的風(fēng)速區(qū)間。

14、可選地，權(quán)重分配按照下式進(jìn)行：

15、；；

16、式中，α為i區(qū)間內(nèi)resnet50-pca特征權(quán)重，β為i區(qū)間內(nèi)直方圖特征權(quán)重。

17、可選地，通過主成分分析進(jìn)行降維包括：對改進(jìn)后的resnet50進(jìn)行特征提取得到的特征向量進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化矩陣，基于標(biāo)準(zhǔn)化矩陣構(gòu)建協(xié)方差矩陣，對協(xié)方差矩陣進(jìn)行特征值分解，得到特征值和對應(yīng)的特征向量，選擇前k個特征值最大的主成分使方差貢獻(xiàn)率達(dá)到95%，將標(biāo)準(zhǔn)化矩陣與前k個特征向量組成的矩陣相乘，得到降維后的數(shù)據(jù)矩陣。

18、可選地，xgboost分類包括：輸入特征向量，遍歷所有cart樹進(jìn)行預(yù)測，累加所有cart樹的預(yù)測值，通過sigmoid函數(shù)映射原始預(yù)測值，根據(jù)設(shè)定的閾值判斷輸出類別。

19、本技術(shù)還提供了一種基于resnet50-pca-xgboost的雷達(dá)降雨檢測系統(tǒng)，包括：

20、數(shù)據(jù)輸入模塊：用于接收雷達(dá)回波信號并儲存為二維數(shù)據(jù)矩陣；

21、數(shù)據(jù)預(yù)處理模塊：對二維數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)預(yù)處理得到張量作為resnet50的輸入；

22、resnet50特征提取模塊：用于通過改進(jìn)后的resnet50算法進(jìn)行特征提?。?/p>

23、pca降維模塊：用于通過主成分分析進(jìn)行降維得到降維后的resnet50-pca特征向量；

24、直方圖特征提取模塊：用于統(tǒng)計不同像素強(qiáng)度值在二維數(shù)據(jù)矩陣中的出現(xiàn)頻率得到強(qiáng)度直方圖，提取強(qiáng)度直方圖bin值組成的特征向量進(jìn)行歸一化，得到歸一化的直方圖特征向量；

25、特征拼接模塊：用于將深度特征向量和直方圖特征向量進(jìn)行特征拼接，構(gòu)成xgboost分類的輸入向量；

26、xgboost分類模塊：基于xgboost分類判斷雷達(dá)回波是否受降雨影響。

27、本技術(shù)所提供的一種基于resnet50-pca-xgboost的雷達(dá)降雨檢測方法及系統(tǒng)的有益效果在于：

28、本技術(shù)通過改進(jìn)后的resnet50算法提取雷達(dá)回波信號的深度特征，通過主成分分析進(jìn)行降維，提高特征提取的局部感知能力，拼接直方圖特征反映了全局的強(qiáng)度分布情況，分別從局部和全局兩個不同的視角對雷達(dá)數(shù)據(jù)進(jìn)行特征提取，使得模型能夠同時利用局部細(xì)節(jié)和全局統(tǒng)計信息，更全面地理解雷達(dá)圖像中的降雨特征，從而提高降雨檢測的準(zhǔn)確性和魯棒性，主成分分析基于resnet50提取的深度特征進(jìn)行優(yōu)化，使得降維后的特征仍能保留絕大部分有用信息，同時降低計算資源消耗，采用xgboost梯度提升決策樹分類器，以進(jìn)一步優(yōu)化降雨檢測結(jié)果，xgboost能夠在保持計算高效性的同時，充分利用主成分分析降維后的特征，提高分類的泛化能力。此外，xgboost的決策樹結(jié)構(gòu)能夠捕捉數(shù)據(jù)的非線性特征，使得降雨檢測結(jié)果更加魯棒。