回波分類簡介
回波是指雷達發射的電磁波，在傳播過程中遇到目標物以後目標物對電磁波產生反射、散射，通過雷達螢幕顯示的雷達接收機能接收到的那部分反射、散射能量。天氣雷達探測時，只要接收到回波信號功率大於雷達接收機的最小可測功率，則雷達都會在天線紙箱方向的相應距離處顯示回波。
非氣象回波
地物回波：當雷達探測的仰角比較低時，雷達站周圍的山脈、高大建築物都可能反射雷達電磁波，形成地物回波。現代氣象雷達通過設計硬體或軟體消除地物回波，但常常很難處理乾淨。地物回波受地理位置影響，位置固定不變，故需要熟知本站在各種探測狀態、各種天氣條件下的地物回波。
雷達波發生超折射傳播時地物回波會比正常情況增多，稱為超折射回波。超折射回波主要特徵是地物回波異常增多，呈米粒狀、輻輳狀。其距離和範圍與超折射層的高度和厚度有關，並伴隨他們的變化出現“移動”和“變化”的現象，通過這些變化可以反推大氣狀況變化。
海浪回波：由海浪、涌浪和海洋近岸波對雷達電磁波的反射和散射引起的。有許多分散的針狀和扇形回波組成，回波強度較弱，強度分布較均勻。
同波長干擾回波：相鄰地區內兩部波長相同的雷達同時工作，一部雷達接受到另一部雷達發射的電磁波所形成的干擾圖像。圖像受兩部雷達的相對位置、距離和發射波時序有關，但都具有螺旋形狀。
昆蟲和飛鳥的回波：昆蟲和飛鳥成為散射體造成的回波。通常呈離散點狀，對天氣探測沒什麼影響。而且由於昆蟲群一般隨風飄移，他們的都卜勒速度正好是所在處徑向風向風速的反映。
氣象回波
（1）非降水回波
雲的回波：對於一些還未形成降水的雲，雲滴粒子較小，含水量少，必須用波長很短的0.86cm雷達對其探測研究，但有時雲中含水量較大，雲滴增長到足夠大時，3cm和5cm的雷達也可能檢測到回波。在反射率因子的RHI（距離高度顯示器)顯示中，層狀雲回波一般平鋪成一條長帶，而積狀雲的回波一般呈小柱狀。在反射率PPI(平面位置顯示器)顯示中，層狀雲只有在適當的天線仰角才能檢測到，而積狀雲通常表現為零散孤立的小塊狀結構。
霧的回波：霧滴和雲滴一樣，粒子較小，回波很弱。在反射率因子的PPI顯示中，霧的回波呈均勻分布，一般沒有明顯的強度梯度。在RHI顯示中可以看到霧的垂直厚度，一般1km左右。
晴空回波：天空中沒有雲和降水的時候，使用較高靈敏度的雷達仍可能探測到晴空大氣的回波。按形態大致分為點狀、線狀和層狀。在PPI顯示中，點狀回波變現為離散的小亮點，線狀回波表現為一條長達數十千米的細線，層狀回波小纖維水平延伸不接地的薄而弱的回波層。
（2）降水回波
層狀雲降水回波：由於大範圍的空氣緩慢上升而成雲致雨的。特點是：①水平範圍大、持續時間長、強度比較均勻、隨時間變化緩慢；②在PPI圖上的回波特徵呈片狀分布，結構較均勻，強度梯度較小，有時出現強度特別大的窄帶稱為零度層亮帶，亮帶也可能成弧狀或圓環狀；③在RHI圖上雲頂高度比較平整，也有一條強度特別大的窄帶呈水平分布（即零度層亮帶）。
對流雲降水回波：對流雲發展到一定程度時，雲中粒子在對流運動中不斷增強，知道已不能被上升氣流所託住而降落形成的。特點是：①範圍小、強度大、分布不均、生命史短、隨時間變化快。②在PPI上特徵為：對流雲降水回波呈塊狀，尺度較小（從幾公里到幾十公里），對流輻合體也可達幾百公里，內部結構密實，邊緣清晰。③在RHI上特徵為：對流雲降水回波呈柱狀，近處降水時底部及地，雲頂高度較高一般都在6-7km以上，隨地區和季節差異很大。④不論是在平顯上還是高顯上，對流雲降水回波強度和強度梯度都較大，一塊對流雲內部只有一個強中心，而多個對流雲單體組成的對流雲降水,往往具有不規則的外形和多箇中心，強度也不一定相同（尖頂狀的回波是虛假的稱為旁瓣回波）。
混合型降水回波：同時具有層狀雲降水回波和對流雲降水回波特徵的回波。①PPI顯示中表現為大片層狀雲降水回波中夾雜著團塊狀的對流雲降水回波，強度梯度不大，只有在團塊狀結構處有較強的回波中心和明顯的強度梯度。②RHI顯示中，回波頂部大部分比較平坦，可以單刀回波中間存在若干相對較強的柱間回波區，有事還能呈現柱狀回波和0℃層亮帶共存的回波圖像，不過這種亮帶大部分具有不均勻結構。
基於模糊邏輯技術的新一代雷達回波分類
我國從1998年開始新一代雷達的布網，該雷達吸收了美國WSR-88D技術，利用三種基數據描述探測到的降水粒子。在業務中，降水回波常被一些非氣象回波所污染，嚴重干擾了降水產品的準確性，導致臨近預報出現偏差，因此通過對雷達回波分類來增強基數據的質量控制是非常必要的。許多專家對雷達回波分類進行了研究。利用雷達雜波背景圖來識別地物；對於奇異回波，在反射率域內考察垂直厚度和時空連續性，同時計算紋理結構，達到識別目的。上述方法在奇異回波與降水分離時表現較好，但當兩者混合時誤差較大，為此利用回波的反射率因子三維結構來分離與降水混在一起的AP回波。借鑑上述研究成果設計了WSR-88D雷達回波分類器。
基於模糊邏輯技術的雷達回波分類
圖1 雷達回波分類流程圖雷達回波分類包括寄異回波（APDA）和降水回波（PDA）兩種探測算法。操作流程為：首先輸入基數據；其次選取格線計算每點的多個特徵值；再次，每種算法選用不同的特徵量聯合併分配權重，對選用的每個特徵量，通過由歷史資料統計分析獲取的相應特徵成員函式，計算該特徵與目標回波相匹配的機率；然後加權平均；最後，選擇一個合適的閾值（0.5）檢驗，確定其回波類型如圖1。
雷達回波特徵分析
降水回波是由於雲雨粒子對電磁波的後向散射所形成的，它結構緊密，具有較大的強度和速度，三維結構清晰，時空連續性較好。奇異回波是由於近地層特殊的氣象條件（如逆溫層）導致傳播中的雷達波束彎向地面，使得原本無法探測的地物被探測出；它隨大氣條件變化，表現出類似降水回波的運動和消亡特徵；由於它實質上是地物回波，所以仍然具備邊緣清晰、垂直高度低等特徵。
研究方法
設計了一種基於模糊邏輯技術的、適用於我國新一代雷達的回波分類方案，它包含了PDA和APDA兩種算法，實際資料表明該算法能夠從0.5°PPI上提取降水、奇異回波信息，而從WSR-88D回波分類器引進的成員函式在一定程度影響了精度，這也是隨後要進行最佳化的地方。
基於小波變換和神經網路的水下寬頻回波分類
圖1 目標識別過程的基本環節目標識別和目標檢測、目標參數估計一樣都是水下信息處理系統的主要任務。對於水下安靜型目標的識別，主動是有效的工作方式，系統所接收到的回波是入射信號與目標的衝激回響的卷積加上各種干擾及背景噪聲等形成的，其中包含了大量的目標特徵信息，如目標材料、外形、姿態和運動參數等。目標識別包括三個基本環節：目標特徵提取、特徵壓縮和分類器設計，如圖2所示。近20年，小波變換由於其較短時傅立葉變換（STFT）可以將信號分解到不同的分辨空間，利於從多個角度（不同時間、頻帶和時頻分辨空間）觀察和表示信號，使得小波變換在目標特徵提取方面得到了廣泛的套用。
人工神經網路是近20年來發展起來的十分活躍的交叉學科，它有著很強的非線性適應性信息處理能力，使之在模式識別、智慧型控制等領域得到了成功的套用。其中基於VW網路的分類器更是得到了很多套用，而且為了提高識別率，有人提出了將子波理論或高斯函式域BP網路相結合的網路結構，但它還是避免不了BP網路的固有缺點：它的調節權值的方法存在著收斂速度慢和局域極小等。而徑向基函式網路無論在逼近能力、分類能力和學習速度等方面均優於BP網路，所以將它作為分類器的研究日漸增多。
降低特徵維數是目標識別領域的一大主題，它可以在不太影響分類效果的前提下降低分類器的複雜性。降低特徵維數有兩種方法，即特徵選擇和特徵投影，這裡主要研究前者對識別效果的影響。特徵選擇方法中關鍵就是如何度量特徵的分類能力，研究給出了三種特徵選擇準則—相對熵、對稱相對熵和歐式距離。
研究基於連續小波變換分別提取了實測湖底沉積物反射回波的尺度—小波能量譜作為目標特徵，以徑向基函式分類器對實測湖底回波數據進行了分類，並研究了三種特徵壓縮準則對識別效果的影響。
徑向基函式分類器
圖3徑向基函式網路示意圖徑向基函式分類器分類器的設計是目標識別的一個關鍵環節，它的優劣直接影響分類效果，這裡簡單介紹將採用的分類器—徑向基函式網路。並研究以回波信號的尺度—小波能量譜為特徵的分類效果。
RBF也是一種較常用的前饋型神經網路，其基本結構如圖3所示。其特點是：只有一個隱層，隱層單元採用徑向基函式作為其輸出特性，輸入層到隱層之間的權值均固定為1，輸出節點為線性求和單元，隱層到輸出節點之間的權值可調，因此輸出為隱層的加權和。其中隱層的傳遞函式為徑向基函式。徑向基函式就是某種沿徑向對稱的標量函式。
特徵選擇
特徵選擇由特徵提取過程得到的原始特徵維數可能依然很大，如果把全部原始特徵都作為分類特徵送往分類器，不僅使得分類器結構複雜，分類計算判別量大，而且可能引入干擾的特徵，影響識別率，因此特徵壓縮是達到較好識別效果必不可少的步驟。特徵壓縮的方法有兩種，一種是特徵選擇—從一組特徵中挑選出最有效的特徵子集，另一種是特徵投影—通過映射（或變換）的方法把高維的特徵向量變換為低維的特徵向量。到底哪種選擇的效果最好需要一個定量的準則來衡量。
研究結論
基於連續小波變換提取了湖底回波的尺度—小波能量譜特徵，並給出了三種特徵選擇的準則：相對熵、對稱相對熵和歐氏距離，最後設計了徑向基函式分類器對144個湖底回波進行了分類識別，可得出以下結論：
（1）信號的尺度—小波能量譜能有效反映四類回波的差異；
（2）與最小距離分類器相比，徑向基函式分類器可有效提高分類效果；
（3）所給出的三種特徵選擇的準則不僅可保持目標的差異信息，而且可有效減少特徵的維數。
