基于深度学习网络的实孔径辐射计定标方法与流程

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。

背景技术：

1、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。

技术实现思路

1、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。

2、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：

3、s1：获得实孔径辐射计核心器件物理温度；

4、s2：获得原始场景亮温图像；

5、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；

6、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；

7、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；

8、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。

9、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：

10、根据温度特性，模拟生成各个核心器件的物理温度；以及

11、在各个核心器件部位贴热敏电阻，实际测量其物理温度。

12、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。

13、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。

14、进一步地，所述获得原始场景亮温图像的方法包括：

15、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

16、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

17、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。

18、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。

19、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。

20、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。

21、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。

22、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。

23、本发明与现有技术相比的优点在于：

24、(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；

25、(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。

技术特征：

1.基于深度学习网络的实孔径辐射计定标方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，所述获得实孔径辐射计核心器件物理温度的方法包括：

3.根据权利要求2所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，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。

4.根据权利要求3所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，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。

5.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，所述获得原始场景亮温图像的方法包括：

6.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，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。

7.根据权利要求1所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，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。

8.根据权利要求7所述的基于深度学习网络的实孔径辐射计定标方法，其特征在于，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。

9.一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，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1～权利要求8任一所述方法中s3～s5的步骤。

10.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，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1～权利要求8任一所述方法中s3～s5的步骤。

技术总结
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。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。针对这些不足，本发明提出了基于深度学习网络的实孔径辐射计定标方法。本发明公开的定标方法包括下述步骤：获得辐射计核心器件物理温度；生成原始场景亮温；生成输出电压；构建数据集；训练深度学习网络；验证网络定标效果。本发明提供的定标方法可根据辐射计运行期间器件性能变化自适应调节输入亮温、输出电压与核心器件物理温度的映射关系，提升系统的稳定性与鲁棒性。

技术研发人员：李一楠,窦昊锋,刘淑波,党鹏举,宋广南,吴袁超,李浩
受保护的技术使用者：西安空间无线电技术研究所
技术研发日：
技术公布日：2024/1/11