基于X波段雷达图像和粒子群优化的海表面流信息提取方法

摘要

本发明提出一种基于X波段雷达图像和粒子群优化的海表面流信息提取方法，属于海浪参数反演技术领域。本方法首先初始化粒子的位置、速度等参数，并提供了船速初始化法和估流初始化法来确定粒子的初始位置，然后将初始的位置作为粒子所经的最佳位置，通过计算各粒子的适应度函数的值，选取值最小的粒子的位置作为种群的当前最佳位置，然后更新粒子在下一代的速度和位置，并计算更新后的位置的适应度函数的值，根据该值更新各粒子的最佳位置以及种群的最佳位置，不停迭代，直到达到了停止条件结束。本方法提高了海流信息估计的准确性，大大降低了海流反演过程中陷入局部最优的可能性。

主权项

1.一种基于X波段雷达图像和粒子群优化的海表面流信息提取方法，其特征在于，该方法包括如下步骤：步骤一、初始化参数，所述的参数包括粒子位置、粒子速度、惯性权重的最大值和最小值、自身学习因子、全局学习因子、最大迭代次数、以及迭代停止阈值，具体是：粒子位置其中，为第i个粒子海表面流的x，y方向分量大小，i＝1，2，...，n，表示第i个粒子，n≥1为粒子的种群数量，l表示种群代数，初始l＝1；粒子速度r_x，r_y为服从标准正态分布的随机数；惯性权重的最大值w_max和最小值w_min：0＜w_max≤1，0≤w_min≤w_max；自身学习因子c₁＞0；全局学习因子c₂＞0；最大迭代次数l_max；迭代停止阀值ξ≥2；步骤二、首先，对于每个粒子，将该粒子在第l＝1代时的粒子位置作为该粒子当前的最佳位置$P_i^b=(U_{x,i}^l,U_{y,i}^l)=U_i^l,$i＝1，2，...，n；然后，确定当代各粒子的适应度函数的值：$F\left(U_i^l\right)=\underset{i^{\prime }=1}{\overset{n_3/2+1}{\Sigma }}\underset{j^{\prime }=1}{\overset{n_2}{\Sigma }}\underset{k^{\prime }=1}{\overset{n_1}{\Sigma }}({|w_{i^{\prime }}-w^{\prime }\left(\overrightarrow{k^{j^{\prime },k^{\prime }}}\right)|}^{\mu }·A)$$=\underset{i^{\prime }=1}{\overset{n_3/2+1}{\Sigma }}\underset{j^{\prime }=1}{\overset{n_2}{\Sigma }}\underset{k^{\prime }=1}{\overset{n_1}{\Sigma }}({|w_{i^{\prime }}-(p+1)\sqrt{\frac{g\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|}{p+1}\tanh \left(\frac{\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|d}{p+1}\right)}-k_x^{j^{\prime },k^{\prime }}{U}_{x,i}^l-k_y^{j^{\prime },k^{\prime }}{U}_{y,i}^l+B|}^{\mu }·A)$其中，i＝1，2，...，n，w_i′表示雷达图像经傅里叶变换后波频率的实际值，表示在海流为时对应的波频率的理论值，是波数矢量，w_i′、由32幅或64幅连续的X波段雷达图像经三维傅里叶变换得到；n₃为X波段雷达图像的数量，n₃＝32或n₃＝64；在32幅或64幅连续的雷达图像上的相同位置，采用一个矩形框来选定雷达图像的一部分，n₁，n₂分别等于矩形框中雷达图像的横向和纵向像素点的个数；d是水深；g是重力加速度；μ＞0为误差函数阶次；A＞0为能量加权量，设X波段雷达图像能量谱为当$A=\mathrm{fft}{(w_{i^{\prime }},k_x^{j^{\prime },k^{\prime }},k_y^{j^{\prime },k^{\prime }})}^f$时，表示对差值进行f次方的能量加权；p为色散关系的阶次，是关于i′，j′，k′的函数，确定p＝0，1，2三种取值下的差值e(p，i′，j′，k′)，选取其中差值最大所对应的p值，差值e(p，i′，j′，k′)的公式为：$e(p,i^{\prime },j^{\prime },k^{\prime })=w_{i^{\prime }}-(p+1)\sqrt{\frac{g\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|}{p+1}\tanh \left(\frac{\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|d}{p+1}\right)}-k_x^{j^{\prime },k^{\prime }}{U}_{x,i}^l-k_y^{j^{\prime }{,k}^{\prime }}{U}_{y,i}^l+B$其中，B表示混叠效应影响，B＝m·w_N，参数foor(x)表示对x取下整，w_N表示雷达图像的截断频率；最后，选取适应度函数的值最小的粒子，将该粒子的位置记录为第l＝1代时的种群所发现的最佳位置P^g；步骤三、更新各粒子在第l+1代的位移$\overrightarrow{{\upsilon }_i^{l+1}}=\omega ·\overrightarrow{{\upsilon }_i^l}+c_1{r}_1^l·\overrightarrow{U_i^l{P}_i^b}+c_2{r}_2^l·\overrightarrow{U_i^l{P}^g},$i＝1，2，...，n其中，惯性权重u≥0为单调控制量，取u＝1；为第l代的[0，1]区间服从平均分布的随机数；步骤四、更新各粒子在第l+1代的位置$U_i^{l+1}=U_i^l+\overrightarrow{{\upsilon }_i^{l+1}},$i＝1，2，...，n其中，第l+1代的各粒子的位置步骤五、首先，确定各粒子在第l+1代的适应度函数i＝1，2，...，n：$F\left(U_i^{l+1}\right)=\underset{i^{\prime }=1}{\overset{n_3/2+1}{\Sigma }}\underset{j^{\prime }=1}{\overset{n_2}{\Sigma }}\underset{k^{\prime }=1}{\overset{n_1}{\Sigma }}({|w_{i^{\prime }}-(p+1)\sqrt{\frac{g\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|}{p+1}\tanh \left(\frac{\left|\right|\overrightarrow{k^{j^{\prime },k^{\prime }}}\left|\right|d}{p+1}\right)}-k_x^{j^{\prime },k^{\prime }}{U}_{x,i}^{l+1}-k_y^{j^{\prime },k^{\prime }}{U}_{y,i}^{l+1}+B|}^{\mu }·A)$然后，更新每个粒子的最佳位置，具体是：对每个粒子，比较该粒子当前的最佳位置的适应度函数的值与该粒子在第l+1代的适应度函数的值，将其中较小的适应度函数的值对应的位置更新为该粒子的最佳位置；步骤六、更新种群的最佳位置P^g，具体：设为当前各粒子的最佳位置中适应度函数值最小的位置，比较当前种群最佳位置的适应度函数值F(P^g)与的适应度函数值若则令否则，保持P^g的值不变；步骤七、更新l＝l+1，若更新后的迭代次数l大于最大迭代次数l_max或者种群的最佳位置P^g在连续的ξ次迭代中都未发生变化，则结束本方法，否则转步骤三继续执行。