论文部分内容阅读
风切变作为一种突发性大气风场现象会严重影响飞机的正常行驶,是威胁民航安全的主要因素之一。由于风场中的风速信息能以伪彩色图像的形式反映出来,科研人员可通过分析风场图像特征来判断风场中是否存在风切变并识别其种类,从而协助飞行员做出正确操作。因此,研究风场图像生成与特征分析方法是极为重要的。本文基于相干激光雷达进行了雷达数据预处理、风场反演、风场图像生成、风切变有无检测与类型识别的研究。首先,本文分析了雷达回波数据预处理方法,为后续风场图像生成做准备。研究基于距离门相干激光雷达回波数据去噪方法,去噪后的相干激光雷达回波信号可以用来计算风场的径向风速。径向风速的求解属于微弱信号的频率估计问题,利用最大似然离散谱峰值估计与频域非相干累积估计相结合的方法计算不同测量方向上的径向风速并组成风场径向风速矩阵。随后,分析了基于线性与非线性插值的风场反演方法,人为获得了密集的径向风速矩阵,同时使用软件完成了风场图像的生成。针对没有足够的相干激光雷达实测数据、真实数据中风切变种类较为匮乏的问题,使用仿真的方法构造相干激光雷达测量数据,为后续风切变识别模型的训练做准备。最后,在风切变类型识别方面,提出了三种基于机器学习算法的风切变识别模型,其中基于半监督学习的生成对抗式网络的风切变识别模型具有最佳性能,其识别率在训练集样本数量为500的情况下达到了97.86%,证明该模型能够准确的识别仿真风场中风切变的种类。针对训练集样本只能通过随机采样获得、未能选出最有价值样本进行标注的问题,将主动学习算法加入至风切变识别模型的训练过程中。主动学习将根据相应评分规则,自动选择无标签样本,科研人员将对被选中的样本进行打标。本文将不同的主动学习算法用于风切变识别模型的训练过程之中,使风切变识别模型的识别能力得到了进一步的提高。实验结果表明,基于半监督GAN网络的风切变识别模型在主动学习算法的帮助下,识别率进一步提高到98.97%。本文认为所提出的算法在识别仿真风切变数据方面有着良好的表现,为后续基于相干激光雷达实测数据的相关研究提供了借鉴和参考价值。