[發明專利]基于無線微波衰減特征遷移學習的濃霧監測方法

有效

• 申請號: 202010050327.5
• 申請日: 2020-01-17
• 公開（公告）號: CN111274911B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 楊濤;洪岱;鄭鑫;師鵬飛;秦友偉;李振亞
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 湯金燕

1.一種基于無線微波衰減特征遷移學習的濃霧監測方法，其特征在于，包括如下步驟：

S10，獲得微波信號接收端針對大氣測量獲得的微波衰減信號強度數據，并對微波衰減信號強度數據進行預處理；

S20，將預處理后的微波衰減信號強度數據進行小波變換得到時頻圖；所述將預處理后的微波衰減信號強度數據進行小波變換得到時頻圖的過程包括：

S31，確定尺度參數a，根據尺度參數a確定小波基，將小波基與預處理后的微波衰減信號強度數據比較，得到多個片段信號；

S32，計算一個片段信號的連續小波變換系數C1，連續小波變換系數C1表示小波基與相應片段信號的相似程度；

S33，對位置參數b進行調整，以平移小波針對其他片段信號重復執行步驟S32，直到對各個片段信號進行分析，得到各個片段信號的連續小波變換系數C1；

S34，更新尺度參數a，返回執行步驟S31，直至針對預設的各個尺度參數a確定各個片段信號的連續小波變換系數C1；

S35，根據各個尺度參數a分別對應的連續小波變換系數C1繪制時頻圖；

S30，對時頻圖尺寸大小進行調整，得到調整圖像，使所述調整圖像符合預訓練的Alexnet網絡的輸入要求；

S40，將調整圖像劃分為測試集和訓練集，確定訓練集中各個調整圖像的狀態標簽，將訓練集輸入Alexnet網絡進行訓練，在Alexnet網絡輸出的狀態檢測結果與訓練集的狀態標簽之間的差距達到預設要求時，根據Alexnet網絡當前的網絡參數確定Alexnet網絡模型，并利用Alexnet網絡模型對測試集進行檢測，輸出測試集中各個調整圖像的網絡檢測濃霧狀態結果；

S50，根據網絡檢測結果和預設的反演公式計算測試集中各個調整圖像的濃霧液態水含量，根據各個濃霧液態水含量計算測試集中各個調整圖像對應的能見度；所述能見度的計算公式包括：

V＝1.002·(LWC×N_D)^-0.6473，

N_D＝-0.071×T²+2.213×T+141.56，

其中，V表示能見度，N_D表示水滴數量濃度，T表示當前溫度，LWC表示濃霧液態水含量。

2.根據權利要求1所述的基于無線微波衰減特征遷移學習的濃霧監測方法，其特征在于，對微波衰減信號強度數據進行預處理的過程包括：

識別微波衰減信號強度數據中的丟失數據，對丟失數據進行插補，并剔除微波衰減信號強度數據中大于響應閾值的噪聲數據。

3.根據權利要求1所述的基于無線微波衰減特征遷移學習的濃霧監測方法，其特征在于，所述Alexnet網絡包括5個卷積層、3個池化層、3個全連接層和1個soft-max層。

4.根據權利要求1所述的基于無線微波衰減特征遷移學習的濃霧監測方法，其特征在于，所述Alexnet網絡的激活函數包括：

其中，ReLu表示激活函數，x表示輸入信號。

5.根據權利要求1所述的基于無線微波衰減特征遷移學習的濃霧監測方法，其特征在于，所述反演公式包括：

A_f＝φ·LWC，

其中，A_f表示網絡檢測結果，φ表示設定常數。