[發明專利]基于人工智能的復雜環境用地基差分干涉雷達形變測量方法

在審

• 申請號: 202010045778.X
• 申請日: 2020-01-15
• 公開（公告）號: CN113126085A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 牛曉偉;劉毓;陳強;聶祥飛;胡政權;楊梅;楊桓
• 申請（專利權）人: 重慶三峽學院
• 主分類號: G01S13/88
• 分類號: G01S13/88;G01S7/41;G06K9/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 重慶以知共創專利代理事務所(普通合伙) 50226
• 代理人: 高建華

1.基于人工智能的復雜環境用地基差分干涉雷達形變測量方法，其特征在于，包括以下各分系統：智能機械、信號發生器、信號接收終端、雷達線纜、調制解調器；所述信號發生器用于產生特定偽隨機碼載波信號；所述智能機械通過粘膠貼附于流動設備表面各處，智能機械用于接收信號發生器發來的偽隨機碼載波信號，并在原有載波信號中加入自身ID識別信息后以無線電波形式發出；所述信號接收終端用于接收智能機械天線發射的載波信號；所示調制解調器用于將信號接收終端接收的載波信號進行解調解析處理，計算由每個智能機械發射的信號達到接收終端時間，完成高精度測距和復雜環境形變測量功能；所述雷達線纜用于連接信號發生器、智能機械、信號接收終端分系統，完成信號流通功能。

2.根據權利要求1所述的基于人工智能的復雜環境用地基差分干涉雷達形變測量方法，其特征在于，包括以下步驟：

S1：柔性智能機械貼合環境結構表面：將非金屬柔性薄壁復合材料制成的電子機械貼合在環境結構的內外表面，不改變監測器結構，以保持監測器理想氣動外形；

S2：信號發生器產生載波信號：利用信號發生器生成特定的偽隨機碼載波信號S，利用相同材質、相同長度的雷達線纜將偽隨機碼載波信號發送至貼附在監測器設備上不同位置的智能機械，使得信號到達每個智能機械的時間處于同步狀態；智能機械天線將帶有自身ID識別信息的載波信號Si以無線電信號形式發出；

S3：接收終端捕獲信號并進行解調處理：采用雷達線纜將信號發生器與信號接收終端連接，以實現通信互聯；每個智能機械天線均發出帶有自身ID識別信息的載波信號Si，接收終端在收到載波信號后，根據預設協議進行快速解調處理；利用偽隨機信號良好的自相關特性，利用式(1)進行相關計算，其中，自相關函數計算式為：其中，S(t)為信號發生器生成特定的偽隨機碼載波信號，Si(t-τ)為接收終端接收的來自第i個智能機械接收碼，由FLL鎖頻環完成對接收信號載波的快速頻率捕獲，再由PLL鎖相環完成對載波相位的精確跟蹤，計算得到每個機械所發信號到達終端的傳輸間隔τi；

S4：精確計算每個智能機械位置信息：根據步驟三得到每個智能機械信號到達接收終端的時間τi，根據電波在均勻媒質中等速直線傳播的特點，兩點間距離與電波傳播的時間成正比，計算得到每個機械的精確位置，即ri＝c·τi式中，c為電波傳播的速度，τi為電波在兩點間傳播的時間；步驟五，基于海量數據，利用機器學習方法進行處理，實現復雜環境形變測量，其中，對測量數據進行分類和預測采用邏輯回歸模型的方法，并使用Sigmoid函數作為假設模型：其中n表示該樣本共有n維特征，fi表示x這個樣本第i個特征，θi表示x這個樣本第i個特征權重，通過邏輯回歸訓練實現權重θ的學習，并確定測量值x判斷故障y的概率為：P(y|x；θ)＝hθ(x)y+(1-hθ(x))1-y(4)確定損失函數為：Loss(hθ(x)，yi)＝log(P(yi|x；θ))＝-[log(hθ(x))·yi+log(1-hθ(x))·(1-yi)](5)

其中yi為第i個機械發生故障；共有m個機械樣本參與訓練，函數整體損失為：利用梯度下降法，確定θ的迭代表達式為：其中，m為數據集中點的個數，d為步長，上角標(i)表示第i個訓練樣本，表示的是第i個訓練記錄的第j個特征；通過計算迭代求解當損失函數最小時的θ向量，求解從而實現復雜環境形變測量數據分析。

3.根據權利要求2所述的基于人工智能的復雜環境用地基差分干涉雷達形變測量方法，其特征在于，所述通過S1至S4，實現每個智能機械距離接收終端的精確位置測量，通過與靜止時設備上機械位置的標定數據作比較，實現復雜環境的高動態形變測量；隨著不同機型、不同環境試驗次數的增多，利用智能機械采集的數據形成不斷增多的海量數據庫；進一步，對海量數據特別是出現故障的設備表面采集的測量數據進行不斷挖掘和學習，采用機器學習方法對數據進行統計、分類、建模和預測，實現對復雜表面關鍵位置的全面數據分析。