冰雪消融径流的精确模拟对内陆河流域洪水灾害预警与水资源优化管理具有重要意义。长短时记忆神经网络(long short-term memory, LSTM)深度学习模型可有效用于水文预测领域。针对传统LSTM模型未能充分利用气象要素空间特征,论文以叶尔羌河源区为研究区,基于空间矩(spatial moments of catchment, SMC)方法提取气温的空间特征,利用LSTM学习长时序过程规律,构建融合气温时空特征的高寒山区深度学习日径流预测模型SMCLSTM;利用LSTM模型和水文模型SWAT(soil and water assessment tool)作为比对模型评估了改进的LSTM模型在冰雪消融补给型河流径流预测中的优势与不足。结果表明:SMC-LSTM径流模型纳什效率系数相较于SWAT日尺度水文模型提高约20%;SMC-LSTM径流预测模型在预见期1~7 d时纳什效率系数优于LSTM模型5%~15%,在峰值流量的预测上优于LSTM模型2%~22%,预见期越短,SMC-LSTM径流预测模型优势越明显。空间量化指标SMC的加入提升了LSTM模型径流预测的准确度。
针对多雷达辐射源脉冲交错背景下,线性调频(Linear Frequency Modulation,LFM)信号低信噪比导致的脉冲分裂带来原始信号参数难以估计的问题,本文提出了基于深度神经网络和直方图统计的LFM信号两阶段提取与参数估计方法。首先利用双向长...
详细信息
针对多雷达辐射源脉冲交错背景下,线性调频(Linear Frequency Modulation,LFM)信号低信噪比导致的脉冲分裂带来原始信号参数难以估计的问题,本文提出了基于深度神经网络和直方图统计的LFM信号两阶段提取与参数估计方法。首先利用双向长短时记忆网络挖掘原始脉冲流中LFM信号与非LFM信号的调制模式差异并进行分类;其次通过序列调频斜率直方图寻找LFM信号分裂脉冲序列间隐含的原始信号调频斜率信息,提取不同调频斜率的LFM信号脉冲子序列;最后在每个子序列中分别估计原始信号的参数。仿真实验结果表明,相较于传统的序列差值直方图算法和循环神经网络分选方法,本文所提方法能够更准确地提取出LFM脉冲信号,并得到较为精确的参数估计结果。
暂无评论