买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都远望科技有限责任公司申请的专利一种基于相控阵雷达的水平风场反演数据误差订正方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121299606B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511871996.8，技术领域涉及：G01S7/40；该发明授权一种基于相控阵雷达的水平风场反演数据误差订正方法是由王文明;罗继成;范鑫;王新宇设计研发完成，并于2025-12-12向国家知识产权局提交的专利申请。

本一种基于相控阵雷达的水平风场反演数据误差订正方法在说明书摘要公布了：本发明涉及一种基于相控阵雷达的水平风场反演数据误差订正方法，涉及无线电领域，通过波束高度估计、极坐标和地理坐标转换实现三维空间统一，实现风廓线雷达风场向相控阵雷达体积扫描中心时刻的时间统一，结合多基地空间匹配、分相态终端落速订正及基于SNR、速度谱宽的质量控制与误差方差构建，形成四参时空协同反演模型；从相控阵雷达和风廓线雷达的误差中提取垂直误差模态，自动区分低空、边界层过渡层和中高空三类偏差，构建分层分类权重矩阵；同时利用由SNR和速度谱宽驱动的误差方差场设定物理约束更强的观测权重，通过自注意力时序误差订正模型，实现对相控阵雷达水平风场的误差订正，显著提升相控阵雷达水平风场产品的质量。

本发明授权一种基于相控阵雷达的水平风场反演数据误差订正方法在权利要求书中公布了：1.一种基于相控阵雷达的水平风场反演数据误差订正方法，其特征在于：所述误差订正方法包括： S1、收集相控阵雷达回波数据、雷达运行状态数据、风廓线雷达风场廓线数据和运行状态数据，并将收集的数据输入到雷达波束中心近似高度估计模型中得到相控阵雷达回波数据在空间的地理坐标，以及将收集的数据输入到多循环随机噪声叠加模型中，输出的结果再输入到集合经验分解模型，再对集合经验分解模型输出的结果进行处理得到风速向东分量和风速向北分量； S2、将S1收集的数据和得到的地理坐标以及风速向东分量与风速向北分量输入到多基地雷达空间匹配模型中，输出的结果与经过处理后的收集的数据通过终端落速修正公式得到剥离沉降后的相控阵雷达径向速度数据，结合其他数据经过处理后生成质量控制后的风廓线雷达风场廓线数据； S3、将S1收集的数据进行处理得到雷达目标的径向单位向量，将S2得到的数据进行处理生成背景风场和径向速度观测误差总方差场以及观测权重场，并将径向单位向量、背景风场和径向速度观测误差总方差场以及观测权重场输入到四参时空协同风场反演模型中得到相控阵雷达反演的最优水平风场； S4、根据S3生成的相控阵雷达反演的最优水平风场构建风场特征矩阵，并结合S2生成的风廓线雷达风场廓线数据和S3生成的相控阵雷达反演的最优水平风场构建误差矩阵，然后通过主成分分析模型得到强特征值矩阵和强特征向量矩阵； S5、对S4生成的强特征向量矩阵中的每一个特征向量进行分类，以构建出表示每类列索引的向量，并将其与强特征值矩阵相乘后经过计算处理得到每类的权重系数向量，最终生成偏差模态分类权重总系数矩阵； S6、将S2生成的风廓线雷达风场廓线数据、S3生成的相控阵雷达反演的最优水平风场、S5生成的偏差模态分类权重总系数矩阵和S4构建的风场特征矩阵得到总损失函数，并根据构建的自注意力时序模型生成经过误差订正后的高质量相控阵雷达水平风场数据； 所述相控阵雷达回波数据包括：在不同时刻在极坐标下的空间位置r0，phi0，sita0处目标的反射率因子数据Z0_par，径向速度V0_par，速度谱宽W0_par和信噪比数据SNR0_par，以及粒子相态类型识别数据Phase0_par，其中r0为径向距离，phi0为方位，sita0为天线仰角； 所述雷达运行状态数据包括：雷达站点的空间位置信息P_par=Lon_par，Lat_par，H_par，雷达的径向距离分辨率delt_R_par和波束宽度delt_sita_par，雷达体积扫描周期delt_T、雷达扫描的中心时刻t0，其中Lon_par、Lat_par和H_par分别为雷达站所在的经度、纬度和天线馈源所在的高度； 所述风廓线雷达风场廓线数据包括：在不同时刻探测的不同高度z_wpr处水平风矢量的分量u_wpr和v_wpr，其中u_wpr和v_wpr分别为水平风速的向东分量和向北分量； 所述运行状态数据包括：风廓线雷达站位置P_wpr=Lon_wpr，Lat_wpr，H_wpr和雷达的径向距离分辨率delt_R_wpr，其中Lon_wpr、Lat_wpr和H_wpr分别为风廓线雷达站所在的经度、纬度和天线馈源所在的高度； 所述S4具体包括以下内容： 根据生成的u_par_opt，v_par_opt，构建相控阵水平风分量X1=u_par_opt、X2=v_par_opt，计算风速模值X3=u_par_opt2+v_par_opt20.5、计算风向角的余弦X4=cosatanu_par_opt,v_par_opt、计算风向角的正弦X5=sinatanu_par_opt,v_par_opt，以及计算水平风速向东分量和向北分量分别在垂直高度方向上的切变特征X6=gradientu_par_opt和X7=gradientv_par_opt，最终构建风场特征矩阵X_array=[X1,X2,X3,X4,X5,X6,X7]，其中gradient为求梯度的函数，atan为反正切函数，u_par_opt，v_par_opt分别为最优水平风场的向东分量和向北分量； 结合生成的U_wpr，V_wpr和u_par_opt，v_par_opt，构建误差矩阵Error_array=[U_wpr-u_par_opt,V_wpr-v_par_opt]，U_wpr，V_wpr分别为质量控制后的水平风速的向东分量和向北分量； 将Error_array输入到主成分分析模型中，输出特征值矩阵Value_matrix=[Va1,Va2,…,Vai,…,VaM]，特征向量矩阵Feature_matrix=[Fa1,Fa2,…,Fai,…,FaM]，其中Vai和Fai分别为第i个特征值和特征向量，M为总的特征值个数； 将Value_array中元素按从大到小排列，选择前K个数值使特征值的累积贡献率CR_M不低于ratio，从而选择前K个特征值和特征向量，分别组成强特征值矩阵MainValue_matrix和强特征向量矩阵MainFeature_matrix； 所述S5具体包括以下内容： B1、根据生成的MainFeature_matrix，找出MainFeature_matrix中每个特征向量在高度维上的最大幅度值，并记下该最大幅度值所对应的高度值heigh_max； B2、设定低空高度阈值为heigh_low，边界层顶高度阈值为heigh_boundary，若heigh_max小于heigh_low，则该特征向量属于低空偏差模态，记为model1类，若heigh_max介于[heigh_low，heigh_boundary]区间，则该特征向量属于过渡偏差模态，记为model2类，若heigh_max大于heigh_boundary，则该特征向量属于中高空偏差模态，记为model3类； B3、对生成的MainFeature_matrix中的每一个特征向量按照B1和B2的步骤逐一处理，实现对MainFeature_matrix中全部特征向量的model1、model2和model3分类； B4、对MainFeature_matrix中归属于model1类的特征向量对应列标记为1，对其他列标记为0，由此构建出表示model1类列索引的向量columns1，再基于生成的MainValue_matrix，将columns1与MainValue_matrix相乘，构造得到属于model1类的特征值向量MainValue_model1，计算MainValue_model1中所有特征值总和，再将MainValue_model1中每一个特征值都除以所有特征值总和，生成model1类的权重系数向量weight_model1； B5、将B4中的model1类依次替换为model2类和model3类，分别生成model2类和model3类的权重系数向量weight_model2和weight_model3； B6、将apha_model1×weight_model1、apha_model2×weight_model2和apha_model3×weight_model3按列相加，最终生成偏差模态分类权重总系数矩阵weight_model，其中apha_model1、apha_model2、apha_model3分别为预设的基础权重系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都远望科技有限责任公司，其通讯地址为：610041 四川省成都市高新区益州大道北段333号1栋18层1803号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。