首页 / 专利库 / 电脑编程 / 算法 / 期望最大化算法 / 小光斑雷达信号分解方法

小光斑雷达信号分解方法

阅读:124发布:2020-09-22

专利汇可以提供小光斑雷达信号分解方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种小光斑雷达 信号 分解方法,该方法将原始雷达信号 波形 视为多个高斯波的 叠加 ,估计高斯分解参数初值并进行优化。估计高斯分解初值包括提取出当前波形中峰值最大的波形的三个参数;从原始雷达信号波形中减去该波形对应的分量;判断是否遇到终止条件,遇到终止条件则退出,否则继续分解。本发明能够有效分解混合波形,特别是波峰间距离很近的情况;能够准确估计波形个数和参数初值;不需要对原始数据进行滤波等预处理;终止条件容易控制。这样分解得到的结果,能够提供更加准确详细的数字地面模型。,下面是小光斑雷达信号分解方法专利的具体信息内容。

1.一种小光斑雷达信号分解方法,其特征在于:将原始雷达信号波形 视为多个高斯波 、 … 的叠加
, =1,2,… ;
其中, 表示波形反射时间点位, 表示自然对数的底数,参数 表示高斯波 的振幅,参数 表示高斯波 的中值,参数 表示高斯波 的方差;
通过迭代对高斯波 的个数 及每个高斯波的参数 、 和 进行估计,得到参数、 和 的初值,然后对初值进行优化得到参数 、 和 的确定值,根据高斯波 的个数和参数 、 和 的确定值分解原始雷达信号波形 ,

估计高斯分解初值包括以下步骤,
步骤1,设 =1,初始的当前波形为原始雷达信号波形 ;
步骤2, 提取当前波形中峰值最大的点,该点的横坐标 作为参数 的初值,峰值作为参数 的初值,沿该峰值左右两侧分别搜索峰值为0.5× 的点的横坐标,得到 和 ,取 和 中距离 更小者记为 ,则参数 的初值为( - )/0.8326;
步骤3,根据步骤2所得参数 、 和 的初值,从当前波形中减去高斯波对应的分量,得到一个新的波形数据;
步骤4,判断是否满足终止条件,满足终止条件则令n= ,然后退出,否则令 = +1,将步骤3所得新的波形数据作为当前波形,重复步骤2和步骤3;所述终止条件是下列选项的一种或一种以上的组合,
(1)高斯波 的峰值小于雷达设备的峰值分辨率
(2)高斯波 的面积与原始雷达信号波形 的面积比小于预设的面积比阈值
(3)高斯波 的峰值与高斯波 的峰值之比小于预设的峰值比阈值;
(4)已分解出的高斯波个数 达到预设的分解波形数目上限。
2.如权利要求1所述的小光斑雷达信号分解方法,其特征在于:对参数 、 和 的初值进行优化采用内存受限BFGS算法期望最大化算法或非线性最小二乘算法。

说明书全文

小光斑雷达信号分解方法

技术领域

[0001] 本发明涉及信息处理领域,特别涉及一种小光斑雷达信号的分解方法。

背景技术

[0002] 在激光波形数据高斯函数分解的理论基础上,刘峰等提出了利用广义高斯模型函数拟合脉冲波形,并提出脉冲波形重要参数的方法(中南林业大学科技学报30卷8期2010年8月)。小光斑激光雷达(LiDAR)数据能够提供更加准确详细的数字地面模型。针对小光斑激光雷达数据,洪超等则提出了一种使用改进的EM脉冲检测法得到回波脉冲的位置和宽度的性能可靠、精度较高的波形分解方法(遥感学报2009年1期)。
[0003] 这些技术都较好的实现了LiDAR波形数据的分解,也得到了一定的参数,但是这些技术存在着初值定位不准,子波形个数估计也不准确的问题,这样就导致了分解结果往往不收敛,会产生误差。

发明内容

[0004] 针对现有技术的不足,本发明提出了一种小光斑雷达信号分解方法。
[0005] 本发明的技术方案为一种小光斑雷达信号分解方法,将原始雷达信号波形 视为多个高斯波 、 … 的叠加,, =1,2,… ;
其中, 表示波形反射时间点位, 表示自然对数的底数,参数 表示高斯波 的振幅,参数 表示高斯波 的中值,参数 表示高斯波 的方差;
通过迭代对高斯波 的个数 及每个高斯波的参数 、 和 进行估计,得到参数、 和 的初值,然后对初值进行优化得到参数 、 和 的确定值,根据高斯波 的个数和参数 、 和 的确定值分解原始雷达信号波形 ,

估计高斯分解初值包括以下步骤,
步骤1,设 =1,初始的当前波形为原始雷达信号波形 ;
步骤2, 提取当前波形中峰值最大的点,该点的横坐标 作为参数 的初值,峰值作为参数 的初值,沿该峰值左右两侧分别搜索峰值为0.5× 的点的横坐标,得到 和 ,取 和 中距离 更小者记为 ,则参数 的初值为( - )/0.8326;
步骤3,根据步骤2所得参数 、 和 的初值,从当前波形中减去高斯波
对应的分量,得到一个新的波形数据;
步骤4,判断是否满足终止条件,满足终止条件则令n= ,然后退出,否则令 = +1,将步骤3所得新的波形数据作为当前波形,重复步骤2和步骤3;所述终止条件是下列选项的一种或一种以上的组合,
(1)高斯波 的峰值小于雷达设备的峰值分辨率
(2)高斯波 的面积与原始雷达信号波形 的面积比小于预设的面积比阈值
(3)高斯波 的峰值与高斯波 的峰值之比小于预设的峰值比阈值;
(4)已分解出的高斯波个数 达到预设的分解波形数目上限。
[0006] 而且,对参数 、 和 的初值进行优化采用内存受限BFGS算法期望最大化算法或非线性最小二乘算法。
[0007] 本发明能够有效分解混合波形,特别是波峰间距离很近的情况;能够准确估计波形个数和参数初值;不需要对原始数据进行滤波等预处理;终止条件容易控制。这样分解得到的结果,能够提供更加准确详细的数字地面模型。附图说明
[0008] 图1是本发明实施例流程图
[0009] 图2是本发明实施例第一次迭代后的波形图。
[0010] 图3是本发明实施例第二次迭代后的波形图。
[0011] 图4是本发明实施例第三次迭代后的波形图。
[0012] 图5是本发明实施例第四次迭代后的波形图。
[0013] 图6是本发明实施例第五次迭代后的波形图。
[0014] 图7是本发明实施例参数优化后的波形图。
[0015] 具体实施方式以下结合附图和实施例详细说明本发明技术方案。
[0016] 实施例将原始雷达信号波形 视为多个高斯波 、 … 的叠加,, =1,2,… ;
其中, 表示波形反射时间点位, 表示自然对数的底数,参数 表示高斯波 的振幅,参数 表示高斯波 的中值,参数 表示高斯波 的方差;
通过迭代对高斯波 的个数 及每个高斯波的参数 、 和 进行估计,得到参数、 和 的初值,然后对初值进行优化得到参数 、 和 的确定值,根据高斯波 的个数和参数 、 和 的确定值分解原始雷达信号波形 ,

[0017] 对估计出的高斯分解初值进行优化可以采用L-BFGS(内存受限BFGS算法)或EM(期望最大化)或LM(非线性最小二乘)算法等现有技术。
[0018] 参见图1,实施例中,估计高斯分解初值包括以下步骤,步骤1,设 =1,初始的当前波形为原始雷达信号波形 ;
步骤2,提取当前波形中峰值最大的点,该点的横坐标 作为参数 的初值,峰值作为参数 的初值,沿该峰值左右两侧分别搜索峰值为0.5× 的点的横坐标,得到 和 ,取和 中距离 更小者记为 ,则参数 的初值为( - )/0.8326;
步骤3,根据步骤2所得参数 、 和 的初值,从当前波形中减去高斯波
对应的分量,得到一个新的波形数据;
步骤4,判断是否满足终止条件,满足终止条件则令n= ,然后退出,否则令 = +1,将步骤3所得新的波形数据作为当前波形,重复步骤2和步骤3;所述终止条件是下列选项的一种或一种以上的组合,
(1)高斯波 的峰值(即步骤2所得参数 的初值)小于雷达设备的峰值分辨率;
(2)高斯波 的面积与原始雷达信号波形 的面积比小于预设的面积比阈值;
(3)高斯波 的峰值与高斯波 的峰值之比小于预设的峰值比阈值;
(4)已分解出的高斯波个数 达到预设的分解波形数目上限。
[0019] 在高斯波 之前已分解出的所有高斯波记为 、 … ,已分解出的所有高斯波 、 … 的峰值分别为参数 、 … 的初值。由于每次分解的目标都是当前波形中所含峰值最高的波形,参数 的初值在参数 、 … 的初值中最大。利用参数 的初值做为分母,本发明设计了终止条件(3)可供选用。高斯波 的峰值与高斯波 的峰值之比小于预设的峰值比阈值时终止,高斯波 的峰值与高斯波 的峰值之比大于等于预设的峰值比阈值时继续迭代。
[0020] 具体实施时,雷达设备的峰值分辨率根据产生原始雷达信号的雷达设备而定,面积比阈值、峰值比阈值和分解波形数目上限可由本领域技术人员根据具体情况自行设定。例如面积比阈值取0.02,峰值比阈值取0.1,分解波形数目上限取5。具体实施时,可以单独选用上述四种条件之一,也可以选用两种或者以上的组合。可以设定在满足任意一种条件时终止,也可以设定在同时满足两种或者以上条件时终止。
[0021] 实施例的终止条件设为已分解出的高斯波个数 达到预设的分解波形数目上限,分解波形数目上限取5。为便于实施参考起见,提供实施例估计高斯分解初值的具体迭代过程如下:第一次迭代:运行步骤1和步骤2、步骤3,得到峰值最大的高斯波 的参数初值=52, =25, = 7.207207,结果如图2所示,图中曲线1为原始雷达信号波形 ,曲线2为分解出的第一个高斯波 。曲线3为当前波形(此时为原始雷达信号波形 )减去 的结果。
[0022] 第二次迭代:运行步骤4,没有遇到终止条件,当前波形为原始雷达信号波形 减去 的结果,继续步骤2、3,得到第二个高斯波 的参数初值 =32.316383, =40, =6.006006,分解结果如图3所示,图中曲线1为原始雷达信号波形 ,曲线2为分解出的第一个高斯波 和第二个高斯波 的叠加。曲线3为当前波形减去 的结果,即原始雷达信号波形 减去 与 叠加的结果。
[0023] 第三次迭代:运行步骤4,没有遇到终止条件,当前波形为原始雷达信号波形 减去 加 的结果。继续步骤2、3,得到第三个高斯波形 的参数初值 =8.255985, =35, = 2.402402,分解结果如图4所示,图中曲线1为原始雷达信号波形 ,曲线2为分解出的高斯波 、 和 的叠加。曲线3为当前波形减去 的结果,即原始雷达信号波形减去 、 与 叠加的结果。
[0024] 第四次迭代:运行步骤4,没有遇到终止条件,当前波形为原始雷达信号波形 减去 、 与 叠加的结果。继续步骤2和步骤3,得到第四个高斯波形 的参数初值=6.577729, =49, = 2.402402,分解结果如图5所示,图中曲线1为原始雷达信号波形 ,曲线2为分解出的高斯波 、 、 和 的叠加。曲线3为当前波形减去 的结果,即原始雷达信号波形 减去 、 、 与 叠加的结果。
[0025] 第五次迭代:运行步骤4,没有遇到终止条件,当前波形为原始雷达信号波形 减去 、 、 与 叠加的结果。继续步骤2和步骤3,得到第五个高斯波形 的参数初值=4.772379, =54, = 3.603604,分解结果如图6所示,图中曲线1为原始波形,曲线2为分解出高斯波 、 、 、 和 的叠加。曲线3为当前波形减去 的结果,即原始雷达信号波形 减去 、 、 、 和 叠加的结果。
[0026] 运行步骤4,遇到终止条件(分解出来的波形个数5达到预定上限),完成参数估计。
[0027] 实施例使用L-BFGS算法完成参数优化的结果如图7所示。L-BFGS属于拟顿算法,它通过迭代方法求解待优化目标函数的二阶导数矩阵的逆矩阵,进而确定最优解的搜索方向,沿着搜索方向搜索最优解。参数优化结果如下:=11.518133, =19.407736, =3.848433,
=31.053619, =38.696826, =7.753454,
=47.163967, =25.237025, =5.939188
=1.584873, =51.384519, =3.262579
=2.075186, =47.053530, =33.409674
图7中曲线1为原始雷达信号波形 ,曲线2为分解结果 的曲线,曲
线3为误差曲线,表达原始雷达信号波形与分解结果之差。
[0028] 附图2~7是拟合波形图,曲线越重叠表示精度越高。
[0029] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈