一种基于机器学习参数补偿的激光雷达反演算法

摘要

本发明涉及一种基于机器学习参数补偿的激光雷达反演算法，包括：将激光雷达信号进行均匀分段后分成多个子信号，选取其中最优的第i个子信号反演获得边界值；基于边界值以及随机生成的补偿参数对激光雷达信号进行和反演，使用反演后的结果计算该补偿参数的性能评估参数；将每组补偿参数集及其对应的性能评估参数输入高斯过程模型进行机器学习，取值最小的性能评估参数对应的补偿参数集为最优预测补偿参数集；使用参数补偿的方法对总体卡尔曼滤波算法进行补偿，从而降低总体卡尔曼滤波反演结果与真实值的偏差；使用基于高斯过程模型的机器学习方法进行补偿参数估计，同步实现激光雷达信号去噪与反演，进而优化大气消光系数反演结果。

说明书

技术领域

本发明涉及激光雷达信号处理技术领域，尤其涉及一种基于机器学习参 数补偿的激光雷达反演算法。

背景技术

近几年，随着经济的迅速发展，环境的破坏也越来越严重，尤其是大气 的污染已严重影响到人们的身体健康和日常生活，因此对大气进行探测研究 显得更加重要。人们所熟知的大气能见度(Visibility)能够反映大气的透 明程度，是与大气探测相关的物理量之一。大气能见度是一个重要的气象观 测要素，能见度值的预报不仅用于气象部门的天气分析，更广泛应用于航空、 航海、高速公路等交通运输部门，军事以及环境监测等领域。而对大气能见 度的测量即等效于对气溶胶消光系数的测量。

激光雷达回波信号的信噪比，对气溶胶消光系数反演的准确性有着显著 的影响。通常大气激光雷达后向散射回波的动态范围很大，因而远距离的气 溶胶后向散射回波极其微弱，以至于有效的回波信号很容易被各种噪声信号 淹没，对消光系数反演的结果产生不利的影响，甚至导致无法反演。实际激 光雷达后向散射回波信号中所包含的三种噪声中，自然背景噪声和本地背景 噪声可以通过背景扣除的方法消除。而对于随机噪声则需要使用降噪算法来 进行抑制。研究人员们针对激光雷达回波信号降噪展开了研究，提出了多种 用于提升激光雷达回波信噪比的方法，基于总体卡尔曼滤波(EnKF)的方法 能够同步进行激光雷达回波信号降噪与反演，表现出较好的效果。但是基于 总体卡尔曼滤波的方法依然存在一些不足之处，主要表现为反演出的消光系 数廓线与真实值廓线存在明显偏移。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于机器学习参数补 偿的激光雷达反演算法，解决现有技术中反演出的消光系数廓线与真实值廓 线存在明显偏差的问题。

本发明解决上述技术问题的技术方案如下：一种基于机器学习参数补偿 的激光雷达反演算法，包括：

步骤1，将激光雷达信号进行均匀分段后分成多个子信号，选取其中最 优的第i个子信号反演获得气溶胶的消光系数与后向散射系数的边界值；

步骤2，使用随机生成的补偿参数集对气溶胶的后向散射系数进行参数 补偿后，基于所述边界值以及所述补偿参数集对激光雷达信号进行反演，使 用反演后的结果计算该补偿参数的性能评估参数；

步骤3，将每组补偿参数集及其对应的性能评估参数输入高斯过程模型 进行机器学习，取值最小的所述性能评估参数对应的补偿参数集为最优预测 补偿参数集。

本发明的有益效果是：一方面使用参数补偿的方法对总体卡尔曼滤波算 法进行补偿，从而降低总体卡尔曼滤波反演结果与真实值的偏差；另一方面 使用基于高斯过程模型的机器学习方法进行补偿参数估计，同步实现激光雷 达信号去噪与反演，进而优化大气消光系数反演结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1中使用非线性自动分段算法将所述激光雷达回波信 号分为多个均匀的子信号，通过判定规则选择得到最适合进行边界值拟合的 信号后，使用双组分拟合的方法拟合获得边界值。

进一步，所述步骤1还包括确定补偿点的位置：

经过分段后，分段点记为b(m)|m＝1,…,M，其中M是当前被分段的激光 雷达回波信号的分段点总数；

分段点b(m)对应的距离单元即为所述补偿点的位置。

进一步，所述步骤2中计算该补偿参数集的性能评估参数的过程包括：

步骤201，计算使用随机生成的补偿参数集得到补偿后的下一个距离单 元的激光雷达距离修正信号

步骤202，基于所述距离修正信号

步骤203,基于降噪后的激光雷达距离修正信号X

进一步，所述步骤201包括：

步骤20101，基于所述气溶胶的后散射系数的边界值β

步骤20102，计算补偿后的相邻两个距离单元之间的距离修正激光雷达 之间的比率

其中，Δr为激光雷达信号的距离分辨率，α

步骤20103，基于原激光雷达距离修正信号X(i)和距离噪声修正信息 Std·r

步骤20104，计算补偿后的下一个距离单元的激光雷达距离修正信号

进一步，所述步骤202在数据同化中，使用总体卡尔曼滤波的方法来减 少所述距离修正信号

在总体卡尔曼滤波器中，使用所述距离修正信号

进一步，所述步骤3中所述高斯过程模型的目标是在贝叶斯框架的基础 上根据新的输入向量x预测出新的输出目标，所述输入向量x为所述补偿参 数集p，所述输出目标为所述性能评估参数；

已知函数值向量y是一个多元高斯分布的采样，所述函数值向量y的联 合概率密度为p(X|y)，所述高斯过程模型的目标为在给定测试输入x

附图说明

图1为本发明提供的一种基于机器学习参数补偿的激光雷达反演算法的 流程图；

图2为本发明提供的一种基于机器学习参数补偿的激光雷达反演算法的 实施例一的流程图；

图3为本发明提供的一种基于机器学习参数补偿的激光雷达反演算法的 实施例二的流程图；

图4(a)为本发明实施例提供的模拟激光雷达回波距离修正信号的示意 图；

图4(b)为本发明实施例提供的模拟消光系数值的示意图

图5(a)为本发明实施例提供的参数补偿激光雷达反演算法降噪结果示 意图；

图5(b)为本发明实施例提供的参数补偿激光雷达反演算法反演结果示 意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本 发明，并非用于限定本发明的范围。

如图1所示为本发明提供的一种基于机器学习参数补偿的激光雷达反演 算法的流程图，由图1可知，该方法包括：

步骤1，将激光雷达信号进行均匀分段后分成多个子信号，选取其中最 优的第i个子信号反演获得气溶胶的消光系数与后向散射系数的边界值；

步骤2，使用随机生成的补偿参数集对气溶胶的后向散射系数进行参数 补偿后，基于边界值以及补偿参数集对激光雷达信号进行反演，使用反演后 的结果计算该补偿参数的性能评估参数；

步骤3，将每组补偿参数集及其对应的性能评估参数输入高斯过程模型 进行机器学习，取值最小的性能评估参数对应的补偿参数集为最优预测补偿 参数集。

本发明针对总体卡尔曼滤波用于激光雷达后向散射回波反演中存在的 缺陷进行分析，明确偏移出现的一方面是因为激光雷达回波信号在近距离变 化剧烈，另一方面是因为总体卡尔曼滤波中的预测步骤中使用已知单位距离 的气溶胶后向散射系数预测下一个单位距离的后向散射系数时的预测机制 存在不足；并针对这些问题提供一种基于机器学习参数补偿的激光雷达反演 算法，针对大气激光雷达消光系数反演，旨在解决现有基于总体卡尔曼滤波 的激光雷达消光系数反演算法在实际应用中表现出的反演结果失真与偏移等问题；该算法不仅能够有效的对大气气溶胶消光系数廓线进行反演与降噪， 还能够抑制基于总体卡尔曼滤波的激光雷达反演算法反演过程中的偏移问 题。

实施例1

如图2所示为本发明提供的一种本发明提供的一种基于机器学习参数补 偿的激光雷达反演算法的实施例一的流程图，结合图2可知，本发明提供的 一种基于机器学习参数补偿的激光雷达反演算法的实施例中主要包含两个 部分，其一是参数补偿的激光雷达反演算法，其二是基于高斯过程的机器学 习。该算法主要包含两个部分，一个部分是参数补偿激光雷达反演算法(虚 线框中部分)，而另一个部分是基于高斯过程模型的机器学习算法(实线方 框中部分)。补偿激光雷达反演算法与“学习者”组成闭环的关系。“学习 者”产生若干组补偿参数p，用来给参数补偿激光雷达反演算法中的后向散 射系数预测提供补偿。待补偿激光雷达反演算法完成降噪和反演完成之后， 根据降噪后的激光雷达信号对降噪效果进行性能评估，即计算性能评估参数。 性能评估参数F(p)为补偿参数p的函数。然后F(p)反馈给“学习者”，“学 习者”使用高斯过程模型来表征输入补偿参数p与性能评估参数F(p)之间的 函数关系。图1中蓝色方框所展示的是两种用来拟合数据的高斯过程模型。 这两种模型都由一条平均函数曲线和两条分别由均值加上和减去对应标准 差的曲线所表征。在修正后的激光雷达反演算法中，模型中对应最小F(p)取 值的补偿参数集p

如图3所示为本发明提供的一种本发明提供的一种基于机器学习参数补 偿的激光雷达反演算法的实施例二的流程图，首先对激光雷达信号进行预处 理，预处理后获得反演边界值与参数补偿点位置后，开始进行随机参数补偿， 即使用随机生成的若干组补偿系数进行参数补偿，随后进行EnKF+Fernald 方法反演，同时对激光雷达信号进行降噪与反演，使用反演后的结果进行性 能评估参数计算，随后使用每组补偿参数与对应的性能评估参数作为输入进 行5高斯过程机器学习获取最优补偿参数，并使用最优补偿参数进行机器学 习生成参数补偿。然后继续使用EnKF+Fernald方法反演获得最终反演结果。

其中激光雷达信号预处理包含流程如下：首先进行信号分段，将原始激 光雷达信号分成若干个子信号，然后根据策略进行最优自信号选取和参数补 偿点确定，使用最优子信号进行边界值拟合，最终返回边界值和补偿点到主 流程。

EnKF+Fernald方法反演流程如下：首先由边界值起始进行信号预测，根 据补偿参数预测下一个距离单元的信号，使用原始信号与预测信号进行32 EnKF方法对预测信号去噪，最后使用Fernald方法对去噪后的预测信号进行 反演，最终反演获得消光系数廓线并返回主流程。

具体的，该实施例包括：

步骤1，将激光雷达信号进行均匀分段后分成多个子信号，选取其中最 优的第i个子信号反演获得气溶胶的消光系数与后向散射系数的边界值。

优选的，使用非线性自动分段算法将激光雷达回波信号分为多个均匀的 子信号，通过判定规则选择得到最适合进行边界值拟合的信号后，使用双组 分拟合的方法拟合获得边界值。

激光雷达回波信号是一个成指数衰减的非线性信号，因此提出一种非线 性的自动分段算法能够更准确的对原始激光雷达信号进行分段。

只考虑单次散射的情况下，激光雷达方程可以写成以下形式：

其中，r为激光雷达探测的范围；P(r)代表背景光噪声已经去掉的激光 雷达信号；c为雷达常数；G(r)为激光雷达的重叠系数，表示的是探测器探 测到的能量与打在望远镜接收面上激光回波能量的比率；A为望远镜的接收 面面积；T

在大气分布处于绝对均匀的理想情况下，假设从r

其中C＝cGβAT

C＝P(r

因此，可以获得非线性方法插值得到预测激光雷达信号P

计算插值得到的激光雷达信号P

同样，假设r

d

其中ΔP为对大气光学参数变化的容忍度，通常设置为当前信号段中0 到百分之几倍的激光雷达信号P(r)。

在这若干个子信号中选取其中最合适的子信号用来反演获得边界值包 括：

将激光雷达方程写成以下形式：

其中β

接下来定义两个非线性拟合系数a和b：

子信号所对应区域的大气分布被认为是相对均匀，子信号对应区域内的 β

然后可以使用非线性最小二乘法拟合求取拟合误差Δ最小的a和b。拟合 误差定义为：

求取a和b之后，则可以通过非线性拟合系数b的计算公式的求取气溶胶 消光系数和后向散射系数的边界值α

α

优选的，步骤1还包括确定补偿点的位置：

经过分段后，分段点记为b(m)|m＝1,…,M，其中M是当前被分段的激光 雷达回波信号的分段点总数；

分段点b(m)对应的距离单元即为补偿点的位置。

因此补偿参数集p进行初始化，而对于子信号内部的距离单元(即 i≠b(m))则p(i)＝1。初始化的公式为：

步骤2，使用随机生成的补偿参数集对气溶胶的后向散射系数进行参数 补偿后，基于边界值以及补偿参数集对激光雷达信号进行反演，使用反演后 的结果计算该补偿参数的性能评估参数。

优选的，步骤2包括：

步骤201，计算使用随机生成的补偿参数集得到补偿后的下一个距离单 元的激光雷达距离修正信号

步骤201包括：

步骤20101，基于气溶胶的后散射系数的边界值β

其中，p(i)为补偿参数集中第i个补偿参数。当补偿值合适的情况下，下 一个距离单元的后向散射系数β

步骤20102，计算补偿后的相邻两个距离单元之间的距离修正激光雷达 之间的比率

其中，Δr为激光雷达信号的距离分辨率，则第i个距离单元与探测原点 与之间的距离是i·Δr，在水平方向的激光雷达探测中，α

步骤20103，基于原激光雷达距离修正信号X(i)和距离噪声修正信息 Std·r

步骤20104，计算补偿后的下一个距离单元的激光雷达距离修正信号

步骤202，基于距离修正信号

步骤202在数据同化中，使用总体卡尔曼滤波的方法来减少距离修正信 号

在总体卡尔曼滤波器中，使用距离修正信号

待补偿后的激光雷达反演算法中降噪和反演完成之后，对补偿参数集p 进行性能评估：

步骤203,基于降噪后的激光雷达距离修正信号X

步骤3，将每组补偿参数集及其对应的性能评估参数输入高斯过程模型 进行机器学习，取值最小的性能评估参数对应的补偿参数集为最优预测补偿 参数集。

引入补偿参数集对总体卡尔曼滤波器中的预测步骤进行补偿之后，关键 问题就变成了如何去确定最优补偿参数集的取值。本发明引入基于高斯过程 模型的在线机器学习方法来对引入的补偿参数集进行估计。

在机器学习中，高斯过程模型被认为是用于近似极限状态函数的模型中 最具有潜力的模型，因为高斯过程模型不需要一个预先定义的结构，并且可 以近似高度非线性化的函数。同时该模型还有具有实际意义的超参数，和优 化这些超参数的理论框架。

优选的，步骤3中高斯过程模型的目标是在贝叶斯框架的基础上根据新 的输入向量x预测出新的输出目标，输入向量x为补偿参数集p，输出目标 为性能评估参数；

高斯过程给已知的数据赋予一个概率模型，即已知函数值向量y是一个 多元高斯分布的采样，它的联合概率密度为p(X|y)。同样的，对于一个新的 输入x

高斯过程是随机变量的集合，任何有限集合的随机变量都能够服从一个 联合高斯分布。一个输入向量x的高斯过程通过它的平均函数m(x)和协方差 函数k(x,x')定义：f(x)GP(m(x),k(x,x'))；

假设存在一个包含n组观测结果的训练集D，表示为D＝{(x

高斯过程输出y

其中，均值和方差可以定义为：

协方差函数的完整形式为k

协方差函数是高斯过程预测中的关键部分。协方差函数表征相邻的输入 所对应的输出的高度相关性。从建模的角度来看，目标是建立先验协方差函 数，该函数包含了建模函数结构的先验期望。而从形式上讲，我们需要指定 为任意输入点集生成一个非负的确定协方差矩阵的函数。高斯过程程序可以 仅仅通过常用的指数平方协方差函数来处理目标模型。

k

为了验证基于机器学习参数补偿的激光雷达反演算法的性能，使用模拟 激光雷达信号来验证验证该算法的反演的准确性和降噪性能。

首先我们验证基于机器学习参数补偿的激光雷达反演算法中对总体卡 尔曼滤波用于激光雷达反演算法时引入的偏移的抑制。因此，我们使用补偿 后的激光雷达反演算法对图4中所模拟的激光雷达信号进行处理。图4回波 信号基于532nm的单次后向散射的激光雷达系统，大气参数按照美国标准 大气设定。激光雷达比被设定为50Sr。所设定消光系数随距离变化的曲线 如图4(a)中所示，而相应的根据激光雷达方程计算出的大气激光雷达后向散 射回波如图4(b)中红色点画线所示。同时我们给原始的大气激光雷达后向散 射回波信号加入了高斯噪声，被噪声污染后的信号如图4(b)中灰色曲线所示。

对于图4中所示的模拟激光雷达回波信号的消光系数真实值分布可以发 现，该激光雷达信号中存在两个分段点，分别位于0.9km处和2.1km处。这 就以为这我们需要给这一段模拟激光雷达信号中的两个距离单元进行补偿， 即补偿参数可以表示为p＝(p

经过高斯过程模型的机器学习与迭代寻求最小的性能评估参数后，最终 获得对应的最优补偿参数。在最优补偿参数补偿的条件下，激光雷达信号降 噪和反演的结果如图5所示。结果显示，经过降噪后的激光雷达回波信号， 在2.1km到3.3km这段距离上的信噪比得到了明显的改善。同时反演获得的 消光系数廓线也能够较准确的对真实值进行跟踪。但是同时也可以看出在噪 声未完全消除的情况下，远端激光雷达回波信号反演出的消光系数在真实值 附近波动，波动幅度随着信噪比降低而加强。

优选的，步骤3之后还包括：

步骤4，基于最优预测补偿参数集，使用总体卡尔曼滤波和Fernald方 法反演获得最终反演结果。

以X(i)和总体卡尔曼滤波后的X(i-1)为基础使用原始的Fernald方法反 演计算获得β

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明 的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。