基于DCGAN的终端区激光雷达晴空湍流识别

doi:10.7527/S1000-6893.2024.29748

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于DCGAN的终端区激光雷达晴空湍流识别

庄子波¹, 张春辉², 陈星³, 邵靖媛¹, 陈柏纬⁴()

^1.中国民航大学航空气象研究所，天津 300300
^2.中国民航大学安全科学与工程学院，天津 300300
^3.中国民航大学空中交通管理学院，天津 300300
^4.香港天文台，香港 999077

收稿日期:2023-10-20 修回日期:2023-12-28 接受日期:2024-01-06 出版日期:2024-01-15 发布日期:2024-01-11
通讯作者: 陈柏纬 E-mail:pwchan@hko.gov.hk
基金资助:
天津市自然科学基金(21JCYBJC00740);气象软科学项目(2023ZZXM29);江苏省重点研发项目（社会发展）(BE2021685)

Clear⁃air turbulence recognition by Doppler⁃wind⁃lidar in terminal area based on DCGAN

Zibo ZHUANG¹, Chunhui ZHANG², Xing CHEN³, Jingyuan SHAO¹, Pakwai CHAN⁴()

^1.Aviation Meteorological Research Institute，Civil Aviation University of China，Tianjin 300300，China
^2.College of Safety Science and Engineering，Civil Aviation University of China，Tianjin 300300，China
^3.Air Traffic Management College，Civil Aviation University of China，Tianjin 300300，China
^4.Hong Kong Observatory，Hong Kong 999077，China

Received:2023-10-20 Revised:2023-12-28 Accepted:2024-01-06 Online:2024-01-15 Published:2024-01-11
Contact: Pakwai CHAN E-mail:pwchan@hko.gov.hk
Supported by:
Natural Science Fund Project of Tianjin(21JCYBJC00740);Meteorological Soft Science Project(2023ZZXM29);Key Research and Development-Social Development Program of Jiangsu Province(BE2021685)

摘要/Abstract

摘要：

针对在飞行终端区采用激光雷达进行晴空湍流识别时湍流样本不充足、识别率低的问题，提出了一种改进的深度卷积生成对抗网络（DCGAN）算法。使用中川机场雷达实验平台9个月的径向风速数据构建涡流耗散率（EDR）图像，筛选存在晴空湍流的样本构建湍流样本集；通过扩充卷积层和转置卷积层改进了DCGAN结构，实现样本的扩充，并使用对抗训练后的判别器进行识别。结果表明：用原始样本集和增广样本集训练的对抗后判别器识别准确率均优于卷积神经网络（CNN）和对抗前判别器，分别提高了6.55%、8.25%和0.31%、1.9%；最后，用实测样本进行检验，识别准确率分别提高了3.33%、6.67%，验证了所提方法的可行性。

关键词: 激光雷达, 晴空湍流, 涡流耗散率（EDR）, 深度卷积生成对抗网络（DCGAN）, 判别器

Abstract:

A study was conducted on the problem of insufficient turbulence samples and low recognition rate when using Doppler wind lidar for clear-air turbulence recognition in the flight terminal area. An improved Deep Convolutional Generative Adversarial Network （DCGAN） algorithm was proposed. Eddy Dissipation Rate （EDR） images were constructed using the radial wind speed data of nine months from the Doppler wind lidar experimental platform of the Lanzhou Zhongchuan International Airport. Samples with clear-air turbulence were selected to construct a turbulence sample set， the DCGAN structure was improved by expanding the convolutional layer and transposing the convolutional layer， so as to achieve sample expansion. The post-confrontation was then used for recognition. The results show that the recognition accuracy of the post-confrontation discriminator trained with the original sample set and that trained with the augmented sample set are both better than that trained with the Convolutional Neural Network （CNN） and the pre-confrontation discriminator， with improvements of 6.55%， 8.25%， and 0.31%， 1.9%， respectively. A comparison with the measured samples shows that the recognition accuracy was improved by 3.33% and 6.67%， verifying the feasibility of the proposed method.

Key words: Doppler wind lidar, clear-air turbulence, Eddy Dissipation Rate (EDR), Deep Convolutional Generative Adversarial Network (DCGAN), discriminator

中图分类号:

V321.2⁺25

庄子波, 张春辉, 陈星, 邵靖媛, 陈柏纬. 基于DCGAN的终端区激光雷达晴空湍流识别[J]. 航空学报, 2024, 45(16): 329748-329748.

Zibo ZHUANG, Chunhui ZHANG, Xing CHEN, Jingyuan SHAO, Pakwai CHAN. Clear⁃air turbulence recognition by Doppler⁃wind⁃lidar in terminal area based on DCGAN[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(16): 329748-329748.

图/表 17

图 1

图 2

图 3

表 1

图 4

表 2

湍流强度分级

$E D R 1 / 3$ /（ $m 2 / 3 · s - 1$ ）	湍流强度
$≤ 0.1$	无
$(0.1,0.4]$	轻度
$(0.4,0.7]$	中度
> $0.7$	重度

表 2

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

表 3

图 14

参考文献 40

1	PROSSER M C， WILLIAMS P D， MARLTON G J， et al. Evidence for large increases in clear-air turbulence over the past four decades［J］. Geophysical Research Letters， 2023， 50（11）： 1-8.
2	STORER L N， WILLIAMS P D， JOSHI M M. Global response of clear‐air turbulence to climate change［J］. Geophysical Research Letters， 2017， 44（19）： 9976-9984.
3	SOLANKI R， GUO J P， LV Y M， et al. Elucidating the atmospheric boundary layer turbulence by combining UHF radar wind profiler and radiosonde measurements over urban area of Beijing［J］. Urban Climate， 2022， 43： 101151.
4	LV Y M， GUO J P， LI J， et al. Spatiotemporal characteristics of atmospheric turbulence over China estimated using operational high-resolution soundings［J］. Environmental Research Letters， 2021， 16（5）： 05405.
5	WU Y Z， GUO J P， CHEN T M， et al. Forecasting precipitation from radar wind profiler mesonet and reanalysis using the random forest algorithm［J］. Remote Sensing， 2023， 15（6）： 1635.
6	YANG R F， GUO J P， DENG W L， et al. Investigation of turbulent dissipation rate profiles from two radar wind profilers at plateau and plain stations in the North China Plain［J］. Remote Sensing， 2023， 15（16）： 4103.
7	WILDMANN N， PÄSCHKE E， ROIGER A， et al. Towards improved turbulence estimation with Doppler wind lidar Velocity-Azimuth Display（VAD） scans［J］.Atmospheric Measurement Techniques， 2020， 13（8）： 4141-4158.
8	VAN DYK R N， PARISEAU D H， DODSON R E， et al. Systems integration of unmanned aircraft into the national airspace： Part of the Federal Aviation Administration next generation air transportation system［C］∥ 2012 IEEE Systems and Information Engineering Design Symposium. Piscataway： IEEE Press， 2012： 156-161.
9	方向，林雯，陶韬. 南京信息工程大学智能遥感工程研究院夏海云：争气，为祖国做最好的激光雷达！［N］. 江苏科技报，2022-05-27（A08）.
	FANG X， LIN W， TAO T. Xia Haiyun， Institute of intelligent remote sensing engineering， Nanjing university of information science and technology： Make the best lidar for the motherland！［N］. Jiangsu Science and Technology News，2022-05-27（A08） .（in Chinese）
10	董骁，胡以华，徐世龙，等. 不同气溶胶环境中相干激光雷达回波特性［J］. 光学学报， 2018， 38（1）： 0101001.
	DONG X， HU Y H， XU S L， et al. Echoing characteristics of coherent lidar in different aerosol environments［J］. Acta Optica Sinica， 2018， 38（1）： 0101001 （in Chinese）.
11	方巍，庞林，张飞鸿，等. 对抗型长短期记忆网络的雷达回波外推算法［J］. 中国图象图形学报， 2021， 26（5）： 1067-1080.
	FANG W， PANG L， ZHANG F H， et al. Radar echo extrapolation algorithm based on adversarial long short-term memory network［J］. Journal of Image and Graphics， 2021， 26（5）： 1067-1080 （in Chinese）.
12	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.
13	SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper with convolutions［C］∥ 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2015： 1-9.
14	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥ 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 770-778.
15	王佳宇. 基于深度学习的变电设备铭牌文本识别研究［D］. 南京：东南大学， 2020.
	WANG J Y. Research on text recognition of substation equipment nameplate based on deep learning［D］.Nanjing： Southeast University， 2020 （in Chinese）.
16	CHUQUICUSMA M J M， HUSSEIN S， BURT J， et al. How to fool radiologists with generative adversarial networks？ A visual turing test for lung cancer diagnosis［C］∥ 2018 IEEE 15th International Symposium on Biomedical Imaging （ISBI 2018）. Piscataway： IEEE Press， 2018： 240-244.
17	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］∥ Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 2. New York： ACM， 2014： 2672–2680.
18	田洁华，孙迪，屈峰，等. 基于CST-GAN的翼型参数化方法［J］. 航空学报， 2023， 44（18）： 128280.
	TIAN J H， SUN D， QU F， et al. Airfoil parameterization method based on CST-GAN［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（18）： 128280 （in Chinese）.
19	HUANG R， DUAN B K， ZHANG Y X， et al. Prior-guided GAN-based interactive airplane engine damage image augmentation method［J］. Chinese Journal of Aeronautics， 2022， 35（10）： 222-232.
20	ZHOU H J， BAI J， WANG Y R， et al. Few-shot electromagnetic signal classification： A data union augmentation method［J］. Chinese Journal of Aeronautics， 2022， 35（9）： 49-57.
21	WU H Z， LIU X J， AN W， et al. A generative deep learning framework for airfoil flow field prediction with sparse data［J］. Chinese Journal of Aeronautics， 2022， 35（1）： 470-484.
22	WANG J， LI R Z， HE C， et al. An inverse design method for supercritical airfoil based on conditional generative models［J］. Chinese Journal of Aeronautics， 2022， 35（3）： 62-74.
23	孙磊，杨宇，毛秀青，等. 基于空间特征的生成对抗网络数据生成方法［J］. 电子与信息学报， 2023， 45（6）： 1959-1969.
	SUN L， YANG Y， MAO X Q， et al. Data generation based on generative adversarial network with spatial features［J］. Journal of Electronics & Information Technology， 2023， 45（6）： 1959-1969 （in Chinese）.
24	CAI J X， ZHANG Y， DOVIAK R J， et al. Diagnosis and classification of typhoon-associated low-altitude turbulence using HKO-TDWR radar observations and machine learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（6）： 3633-3648.
25	OLIVEIRA M M， BIDINOTTO J H. flight turbulence level classificator using a multilayer perceptron network trained with flight test data［J］. IEEE Latin America Transactions， 2020， 18（5）： 954-961.
26	MUÑOZ-ESPARZA D， SHARMAN R D， DEIERLING W. Aviation turbulence forecasting at upper levels with machine learning techniques based on regression trees［J］. Journal of Applied Meteorology and Climatology， 2020， 59（11）： 1883-1899.
27	叶舒然，张珍，王一伟，等. 基于卷积神经网络的深度学习流场特征识别及应用进展［J］. 航空学报， 2021， 42（4）： 524736.
	YE S R， ZHANG Z， WANG Y W， et al. Progress in deep convolutional neural network based flow field recognition and its applications［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524736 （in Chinese）.
28	魏晓良，潮群，陶建峰，等. 基于LSTM和CNN的高速柱塞泵故障诊断［J］. 航空学报， 2021， 42（3）： 423876.
	WEI X L， CHAO Q， TAO J F， et al. Cavitation fault diagnosis method for high-speed plunger pumps based on LSTM and CNN［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（3）： 423876 （in Chinese）.
29	韩淞宇，邵海东，姜洪开，等. 基于提升卷积神经网络的航空发动机高速轴承智能故障诊断［J］. 航空学报， 2022， 43（9）： 625479.
	HAN S Y， SHAO H D， JIANG H K， et al. Intelligent fault diagnosis of aero-engine high-speed bearings using enhanced CNN［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625479 （in Chinese）.
30	李红光，于若男，丁文锐. 基于深度学习的小目标检测研究进展［J］. 航空学报， 2021， 42（7）： 024691.
	LI H G， YU R N， DING W R. Research development of small object traching based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（7）： 024691 （in Chinese）.
31	ZHAO G， HU J Y， XIAO W L， et al. A mask R-CNN based method for inspecting cable brackets in aircraft［J］. Chinese Journal of Aeronautics， 2021， 34（12）： 214-226.
32	LI Y B， DU X Q， WAN F Y， et al. Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging［J］. Chinese Journal of Aeronautics， 2020， 33（2）： 427-438.
33	ZHOU D， XIAO Z， ZUO H. A hybrid deep neural network based on multi-time window convolutional bidirectional LSTM for civil aircraft APU hazard identification［J］. Chinese Journal of Aeronautics，2022，35（4）：344-361.
34	RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks［DB/OL］. arXiv preprint：1511.06434，2015.
35	卫奥尼，秦成兵，董帅，等. 超分辨荧光显微成像的若干研究进展［J］. 激光与光电子学进展， 2023， 60（11）： 1106012.
	WEI A N， QIN C B， DONG S， et al. Research progress of super-resolution fluorescence microscopy［J］. Laser & Optoelectronics Progress， 2023， 60（11）：1106012. （in Chinese）.
36	GLOROT X， BORDES A， BENGIO Y. Deep sparse rectifier neural networks［J］.Journal of Machine Learning Research， 2011，15： 315-323.
37	IOFFE S， SZEGEDY C. Batch normalization： Accelerating deep network training by reducing internal covariate shift［C］∥ Proceedings of the 32nd International Conference on International Conference on Machine Learning - Volume 37. New York： ACM， 2015： 448-456.
38	MAAS A L， HANNUN A Y， NG A Y. Rectifier nonlinearities improve neural network acoustic models［C］∥ International Conference on Machine Learning （ICML），2013.
39	DAVIES F， COLLIER C G， PEARSON G N， et al. Doppler lidar measurements of turbulent structure function over an urban area［J］. Journal of Atmospheric and Oceanic Technology， 2004， 21（5）： 753-761.
40	HEUSEL M， RAMSAUER H， UNTERTHINER T， et al. GANs trained by a two time-scale update rule converge to a local Nash equilibrium［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM， 2017： 6629-6640.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数	数值
扫描距离间隔/m	50
数据刷新率/s	约3
扫描角度间隔/（°）	5
俯仰角/（°）	3
最大扫描高度/m	128
5 km内数据获取率	≥85%

对比方法	原始样本集识别准确率/%	增广样本集识别准确率/%
TD	91.11	99.68
CNN	84.56	99.37
UD	82.86	97.78

[1]	张晟斐, 李天梅, 胡昌华, 杜党波, 司小胜. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用[J]. 航空学报, 2022, 43(8): 225708-225708.
[2]	杭义军, 刘建业, 李荣冰, 孙永荣. 基于混合特征匹配的微惯性/激光雷达组合导航方法[J]. 航空学报, 2014, 35(9): 2583-2592.
[3]	杜小平, 宋一铄, 曾朝阳. 调频连续波激光雷达目标相对距离及径向速度信息提取方法[J]. 航空学报, 2014, 35(2): 523-531.
[4]	李爽;彭玉明;刘宇飞. 星际着陆自主障碍检测与规避技术[J]. 航空学报, 2010, 31(8): 1584-1592.

基于DCGAN的终端区激光雷达晴空湍流识别

Clear⁃air turbulence recognition by Doppler⁃wind⁃lidar in terminal area based on DCGAN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 40

相关文章 4

编辑推荐

Metrics

本文评价