公开/公告号CN113219465A
专利类型发明专利
公开/公告日2021-08-06
原文格式PDF
申请/专利权人 中国人民解放军国防科技大学;
申请/专利号CN202110495408.0
申请日2021-05-07
分类号G01S13/95(20060101);G01S7/41(20060101);G06K9/62(20060101);G06N20/00(20190101);
代理机构11562 北京东方盛凡知识产权代理事务所(普通合伙);
代理人张雪
地址 410073 湖南省长沙市开福区德雅路109号
入库时间 2023-06-19 12:08:44
技术领域
本发明涉及微波通信链路中微波频率选择技术领域,特别是涉及一种基于极化衰减信息的水成物识别及微波频率自动优选方法。
背景技术
云和降水是对流层中最活跃的天气现象,对云和降水的精确监测对生产生活、交通运输、航空飞行、军事活动等都具有重要意义。然而,由于云和降水现象本身的复杂性,其微观粒子,即水成物信息(如雨、霰、冰雹等)的准确遥感测量仍然存在巨大障碍。其中一方面原因是不同类型水成物的电磁特性存在巨大差异,一般的降水遥感算法只能保证对某一类降水测量的准确性。因此,对水成物粒子类型的预先确定就显得尤为重要。此外,水成物类型的识别对自然灾害预警、数值模式参数化方案、微波通信传输、光电武器效能评估等也都具有重要意义。
利用双偏振雷达获取的双偏振参量数据,通过神经网络或模糊逻辑等算法可以识别水成物类型,但是存在时空分辨率低、空间精细化程度低等问题;利用实测水成物图像可以准确判断水成物的形状和类型,但只能代表单点降水,无法代表大范围降水情况。近年来,随着通信技术发展,出现了一种基于商用通信微波链路的降水信息监测方法。该方法利用链路衰减信息反演路径平均降水强度,具有成本低、采样对象近地面、时空分辨率高等优点。由于不同类型水成物的衰减特性存在差异,因此可以利用微波链路衰减信息可以反演更多的降水信息。现有方法中,利用微波链路衰减及偏振信息进行层状云降雨、对流云降雨等降雨类型识别,利用双频双偏振微波链路联合进行雨滴谱反演,进而识别宏观降水类型,但无法获取水成物的精细化信息。利用BP神经网络或者半监督域适应可以进行微波链路识别雨、雪、冰雹等水成物类型,但依赖特定的训练集和经验模型,而且未利用到极化信息,水成物识别的类型较少。
总结而言,现有方法存在以下几个问题:一是未考虑微波频率的适用性问题,并不是所有的微波频率都可以用于识别水成物类型,二是未充分利用微波的极化信息,极化信息可以反映水成物的形态特征,三是只考虑了近地面雨、雪、冰雹等,除此以外还有霰、湿雪、干雪、雪粒等多种水成物信息,目前尚未研究。因此,欲高效费比地搭设双极化微波链路以识别水成物类型需要对微波频率进行优选。
发明内容
本发明的目的是提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法,用于微波链路监测水成物类型以及通信设备选择方案中,以解决现有技术中存在的技术问题,能够在成本预算限制条件下提供微波频率自动优选方案,完成水成物识别,可广泛应用于微波链路水成物类型监测等气象信息遥感领域。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法,包括如下步骤:
S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值;
S2、将步骤S1得到的双极化降水所致衰减值进行组合,得到多种频率的组合特征量,并对所述组合特征量进行归一化处理;
S3、获取各链路水成物类型,并对各时刻所述水成物进行类型标注,并根据各链路归一化处理后的组合特征量及水成物类型标注结果的历史数据建立样本集;所述样本集分为训练集、测试集;
S4、基于机器学习分类算法分别建立若干个单频和/或多频水成物分类模型,通过所述训练集对各所述水成物分类模型进行训练,得到训练好的水成物分类模型;
S5、利用测试集对各水成物分类模型进行性能测试,并基于性能测试结果建立模型性能查找表;
S6、基于不同频点双极化通信设备成本,建立硬件成本查找表;
S7、基于成本预算,通过模型性能查找表、硬件成本查找表完成微波频率自动优选;
S8、基于自动优选得到的微波频率获取待测区域通信基站的发射电平和接收电平提取双极化降水所致衰减值,并通过步骤S2获取归一化处理后的组合特征量,将归一化处理后的组合特征量输入训练好的水成物分类模型,得到待测区域的水成物类型。
优选地,所述步骤S1具体包括:
S1.1、选择n条同时发射水平极化和垂直极化微波信号的通信链路,并获取各链路在水平极化和垂直极化方式下的发射电平和接收电平;
S1.2、基于各链路在不同极化方式下的发射电平和接收电平,计算各链路微波信号总衰减;
S1.3、基于各链路微波信号总衰减和路径长度,获取各链路单位路径长度的降水所致衰减值。
优选地,所述步骤S1.1中,水平极化和垂直极化方式下的发射电平和接收电平数据包括但不限于采用同一微波发射机。
优选地,所述步骤S1.2中,各链路微波信号总衰减的计算如下式所示:
式中,A
优选地,所述步骤S1.3中,各链路单位路径长度的降水所致衰减值的计算方法如下式所示:
式中,A
优选地,所述步骤S3中,所述水成物类型包括但不限于雨、霰、湿雪。
优选地,所述步骤S3中,各链路水成物类型通过各链路上所部署的降水微物理特征测量仪器观测结果进行获取;所述样本集为[X
优选地,所述步骤S4中,所述机器学习分类算法包括但不限于迁移学习。
本发明公开了以下技术效果:
本发明根据通信基站的发射电平和接收电平,提取双极化降水所致衰减信息;对双极化降水所致衰减值进行组合,得到多种频率组合特征量;结合降水微物理特征测量仪器观测的水成物类型,建立样本集;基于机器学习分类算法建立水成物分类模型,通过分类模型对待测区域进行水成物类型的识别,从而在根据通信设备记录的电平信号提取出降水所致衰减特征量的基础上,充分利用不同水成物消光特性的极化差异,实现了对水成物类型的有效识别;通过测试集对分类模型进行训练,评估多种组合模型性能;结合模型性能查找表、硬件成本查找表,实现微波频率自动优选。在应用过程中,只需根据微波频率自动优选方法选择合适频率组合的通信设备,即可建立最优效费比的水成物类型识别系统,从而能够在成本预算限制条件下提供微波频率自动优选方案,完成水成物识别,可广泛应用于微波链路水成物类型监测等气象信息遥感领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于极化衰减信息的微波频率自动优选方法流程图;
图2是本发明的基于自动优选得到的微波频率进行水成物类型识别的工作流程图;
图3(a)-3(c)分别是本发明实例中的单频、双频和三频模型性能查找表;
图4是本发明实例中的8种频率通信设备硬件成本查找表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-4所示,本实施例提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法,包括如下步骤:
S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值;具体包括:
S1.1、选择n条同时发射水平极化和垂直极化微波信号的通信链路,其运行频率分别为f
S1.2、计算各链路微波信号总衰减(dB),如下式所示:
式中,A
S1.3、获取各链路单位路径长度的降水所致衰减值(dB/km),如下式所示:
式中,A
S2、将步骤S1得到的双极化降水所致衰减值进行组合,得到多种频率的组合特征量,并对所述组合特征量进行归一化处理;
其中,多种频率的组合特征向量X
S3、获取各链路水成物类型,并对各时刻所述水成物进行类型标注,根据各链路归一化处理后的组合特征量及水成物类型标注结果的历史数据建立样本集;所述样本集分为训练集、测试集;
其中,各链路水成物类型通过各链路上所部署的降水微物理特征测量仪器观测结果进行获取,所标注的类型标签记为Y
S4、基于机器学习分类算法分别建立若干个单频和/或多频水成物分类模型,通过所述训练集对各所述水成物分类模型进行训练,得到训练好的水成物分类模型;所述机器学习分类算法包括但不限于迁移学习。
以迁移学习中的零样本学习为例,采用权重选择和矩阵分解的方法阐述水成物分类模型的基本流程:
(1)根据训练集中各种频率组合下的归一化组合特征量X
其中,w
(2)采用矩阵分解的方法,将原始的水成物归一化特征量组合的矩阵分解为视觉特征和语义特征对应的元矩阵U
(3)采用最近邻的方法,将因子矩阵V
(4)在实际分类过程中,建立目标函数,
其中,X
(5)采用交替迭代更新法对目标函数中的变量进行循环优化,在达到预设的阈值后,得到最优的水成物分类结果。
所述水成物分类模型包括单频模型、双频模型、…、n频模型。
S5、利用测试集对各水成物分类模型进行性能测试,并基于性能测试结果建立模型性能查找表;
S6、基于不同频点双极化通信设备成本,建立硬件成本查找表;
S7、基于成本预算,通过模型性能查找表、硬件成本查找表完成微波频率自动优选;
S8、基于自动优选得到的微波频率获取待测区域通信基站的发射电平和接收电平提取双极化降水所致衰减值,并通过步骤S2获取归一化处理后的组合特征量,将归一化处理后的组合特征量输入训练好的水成物分类模型,得到待测区域的水成物类型。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
机译: 自动将有用的和令人烦恼的信息分离成微观图像,尤其是晶片表面的显微图像,以自动识别晶片识别标记的方法
机译: 自动将有用的和令人烦恼的信息分离成微观图像,尤其是晶片表面的显微图像,以自动识别晶片识别标记的方法
机译: 用于分级编码器-解码器的回声识别和衰减方法,涉及在被识别的低能量区域中基于初始处理来衰减回声,并且在虚警区域中抑制回声的衰减。