申请/专利权人：成都信息工程大学

申请日：2024-01-22

公开（公告）日：2024-04-05

公开（公告）号：CN117826159A

主分类号：G01S13/95

分类号：G01S13/95

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明涉及一种基于扩展卡尔曼滤波的梯度VAD方法风场反演的方法。为了得到更为精确和稳定的反演结果，本发明针对多普勒天气雷达监测资料特点而设计了扩展卡尔曼滤波方法，其中包括对径向速度未退模糊和速度退模糊的处理以及最后的反演。在开始设计阶段，针对多普勒天气雷达风场信息的非线性、不稳定性的特点，设计了结合风场动态模型的基于扩展卡尔曼滤波方法的梯度VAD技术，引入了径向速度未退模糊和径向速度退模糊两组数据分别进行处理，最终实现的风场反演结果表明，其精度和稳定性具有明显提升，本发明方法适用于多普勒天气雷达的风场反演任务。

主权项：1.基于扩展卡尔曼滤波的梯度VAD风场反演方法，其特征在于，所述方法在梯度VAD技术中扩展卡尔曼滤波，将风场的状态视为一个动态的系统，利用雷达观测数据对风场状态进行迭代更新，通过不断重复预测和更新迭代过程，扩展卡尔曼滤波能够取得更准确的风场信息状态估计值，风场反演涉及从雷达观测数据中预处理雷达数据、计算基于雷达基站30KM等距圈径向速度、计算径向速度梯度，并使用EKF对梯度进行状态预测、观测更新、状态更新、迭代优化，最后进行梯度VAD方法的风场反演，从而得到更准确的风速和风向信息，最终实现风场反演的可视化效果，具体包括：步骤1：初始状态估计，根据初始观测数据，首先对风场的初始状态进行估计，初始状态包括多普勒雷达径向速度、方位角以及其他多普勒天气雷达相关参数；步骤2：状态预测，利用风场的动力学模型，预测下一个时刻的风场状态，这一步利用扩展卡尔曼滤波的方法，根据当前的状态估计和模型方程进行状态预测；步骤3：观测更新，根据雷达观测数据，对预测的风场状态进行观测更新，通过与观测数据的差异计算卡尔曼增益，将观测数据融合到状态估计中；步骤4：状态更新，根据观测更新的结果，更新风场的状态估计，利用卡尔曼增益对状态估计进行修正，得到更准确的风场状态；步骤5：重复迭代，根据所选的迭代次数或收敛准则，重复进行状态预测、观测更新和状态更新的步骤，直至达到预设的收敛条件；扩展卡尔曼滤波技术的基本思想是在预测步骤中根据系统的动态模型，通过状态转移方程预测当前时刻的状态估计值和协方差矩阵，在更新步骤中利用线性化的测量方程，将测量值与预测得到的状态估计值进行比较，计算卡尔曼增益，然后，使用卡尔曼增益将测量值纳入估计中，校正预测的状态估计值和协方差矩阵，得到更准确的后验状态估计值。

全文数据：

权利要求：

百度查询： 成都信息工程大学 基于扩展卡尔曼滤波的梯度VAD风场反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD