1.一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,包括如下步骤:步骤S1:采用传输控制协议获取毫米波雷达原始信号进行预处理;
步骤S2:通过毫米波雷达测量物体到天线的距离和角度,来获取被测量物体的三维空间坐标;
步骤S3:将三维空间坐标通过时间对齐和空间坐标系进行转换,并投射到视觉坐标系中;
步骤S4:先预训练特征提取器,使用ECMWF再分析数据标签,再端到端微调;
步骤S5:根据信噪比自动优化检测门限,输出目标气象分类、气象强度以及气象运动预测;
所述步骤S1中,预处理包括IQ数据校正、脉冲压缩处理和地物杂波抑制;
对所述IQ数据校正时,采用基于参考信号的闭环校准方法,对毫米波雷达接收机的I/Q两路信号进行幅相不平衡校正,消除因硬件电路差异导致的镜像频谱干扰,同时通过在毫米波雷达发射端注入测试信号,测量各通道相位偏移并构建校正矩阵;
对所述脉冲压缩处理时,对IQ数据校正后的数据进行泰勒加权窗函数,采用频域分段滤波策略处理不同粒径目标的回波差异,实施基于RELAX算法的迭代旁瓣抑制,通过估计强散射核的复幅度,重构并扣除其旁瓣干扰;
对所述地物杂波抑制时,利用零速通道谱宽特征构建地物模板,消除静态杂波;利用极化参数区分降水与鸟群,消除动态干扰;
所述步骤S4中,先预训练特征提取器,使用ECMWF再分析数据标签的具体流程如下:步骤S41:将毫米波雷达观测数据与ECMWF再分析数据通过双线性插值进行时空对齐,建立雷达体扫数据与气象场的映射关系;
步骤S42:在ECMWF数据中提取关键物理量作为辅助监督信号;
步骤S43:采用3DResNeXt结构处理雷达数据立方体,预测ECMWF中的液态水含量垂直剖面;
步骤S44:获取历史全年气象数据进行训练,模拟数据补充极端天气样本进行数据增强。
2.根据权利要求1所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述毫米波雷达发射端注入测试信号进行相位一致性校准,具体流程如下:步骤S11、校正信号生成:在毫米波雷达发射链路的数字基带端注入正交测试信号序列;所述正交测试信号序列包括宽带线性调频信号和离散频率点单频信号;
步骤S12、多通道同步采集:通过毫米波雷达接收机支路的独立ADC通道同步采集各天线的回波信号,采集时长覆盖完整脉冲重复周期;
步骤S13、参考通道标定:选取物理位置居中的天线通道作为相位基准,计算其他通道相对于该基准的相位差值;
步骤S14、频响曲线拟合:对每个通道建立相位-频率响应模型,对频响曲线进行拟合;
步骤S15、构建校正矩阵:根据相位偏移模型生成补偿矩阵,并在矩阵中增加方位维和仰角维,构建四维校正张量;
步骤S16、实施动态补偿:在数字下变频阶段对接收信号应用预补偿,并建立温度和相位偏移映射表,根据雷达内部温控传感器数据动态调整补偿参数。
3.根据权利要求2所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述泰勒加权窗函数采用30dB副瓣抑制的5阶泰勒加权,通过调整展宽因子和幅度锥削平衡主瓣展宽与旁瓣抑制;所述RELAX算法迭代流程如下:步骤R11:从原始毫米波雷达的回波中检测强散射核位置,通过峰值检测确定初始参数集;
步骤R12:利用最小二乘法估计重构强散射核信号;
步骤R13:从原始信号中扣除重构的旁瓣成分,剩余信号用于弱降水目标检测。
4.根据权利要求2所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述地物杂波抑制时,引入多普勒速度谱宽特征分析,构建气象目标与地物杂波的联合判别模型;当检测到反射率>2dB时,自动缩减滤波宽带至原始值的60%,再将极化参数作为权重引入协方差矩阵计算,调整杂波功率估计;所述杂波功率估计时,采用期望最大化算法迭代估计杂波协方差矩阵,设置时间滑动窗口,每次更新时保留前序周期20%的统计量作为先验信息,引入气象物理约束条件,当检测到极化参数值突变时,暂停协方差矩阵更新以避免滤除强对流信号。
5.根据权利要求1所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述步骤S2中,毫米波雷达通过发射天线发射频率为30GHz-300GHz的毫米波,通过发射天线Tx发射调频连续波信号,接收天线Rs接收物体反射的信号来获取数据,通过使用两根接收天线接收相同的反射信号,得到两个初始相位不同的信号,根据毫米波雷达测量物体到天线的距离和角度,来获取被测量物体的三维空间坐标。
6.根据权利要求1所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述步骤S3中,毫米波雷达信息通过时间对齐和空间坐标系进行转换时,需要将各个传感器的坐标系进行统一,相机坐标系与雷达坐标系的融合转换模型如下:;
式中,R为单位正交旋转矩阵,T为平移向量,为相机焦距,为缩放因子,分别为每个单位像素在横、纵轴上的大小,为雷达检测到的目标物在毫米波雷达坐标系中的坐标,为该目标物在图像坐标系中的坐标,为目标物在相机坐标系中的Z轴坐标。
7.根据权利要求1所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述步骤S4中,端到端微调时,将预训练提取器的多层次特征与检测头通过自适应特征融合模块连接,利用预训练模型对未标注雷达数据生成伪标签,通过交叉验证筛选高置信度样本,并针对预训练阶段识别误差>30%的个案进行定向数据增强。
8.根据权利要求1所述的一种基于深度学习的毫米波雷达气象目标检测方法,其特征在于,所述步骤S5中,采用时间-空间双重滑动窗口设计,在时间维度上,设置10秒的滚动窗口,窗口滑动步长为1个扫描周期;在空间维度上,在距离-方位平面上划分1km×1°的网格单元,每个单元独立维护状态队列;基于信噪比的分段阈值模型进行环境噪声的实时估计。