[發明專利]一種基于機器學習的激光雷達測風運動補償方法和系統

在審

• 申請號: 202111524679.0
• 申請日: 2021-12-14
• 公開（公告）號: CN114218860A
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 趙強;馬寅星;莫哲萌;周震;徐周科
• 申請（專利權）人: 浙江胄天科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N20/00;G01S17/95
• 代理公司: 杭州裕陽聯合專利代理有限公司 33289
• 代理人: 高明翠

1.一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述方法包括如下步驟：

獲取固定在浮標上激光雷達測風數據和運動傳感器數據作為特征變量，獲取固定在浮標附近固定安裝的標準測風設備的測風數據作為目標變量；

將所述特征變量和目標變量進行數據預處理，其中所述數據預處理包括將特征變量和目標變量中的角度數據轉化為余弦或正弦變量；

將所述特征變量和目標變量預處理后組成的數據集劃分為訓練集和測試集；將訓練集輸入到多個機器學習模型中進行訓練；

根據R方和平均絕度誤差組成的評價指標，使用測試集對上述多個模型訓練結果進行評估，選取最優的機器學習模型；

使用KFold方法劃分數據集并對最優模型進行交叉驗證，獲取最優機器學習模型的最佳超參數；

將特征變量和目標變量預處理后組成的數據集及最佳超參數輸入選取的最優機器學習模型中進行訓練，得到訓練好的最優機器學習模型；

將待運動補償的測風數據及運動數據輸入訓練好的最優機器學習模型，得到補償后的實際測風數據。

2.根據權利要求1所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述特征變量和目標變量獲取方法包括：

獲取浮標上激光雷達檢測的高度、風向、水平風速和垂直風速，其中風向為正北的偏離角度；

獲取同一浮標上運動傳感器的俯仰角、航向角和橫滾角；

獲取靠近相同浮標固定安裝的滿足相同測風標準的標準測風設備檢測的高度、風向、水平風速和垂直風速。

3.根據權利要求1所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述數據預處理的方法包括：檢測并剔除特征變量和目標變量異常值，將所述特征變量和目標變量進行標準化并劃分為訓練集和測試集。

4.根據權利要求1所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述數據預處理方法包括：獲取所述特征變量和目標變量的角度數據，將所述角度數據轉化為余弦變量或正弦變量，并建立余弦變量或正弦變量和角度的映射關系，并在完成模型訓練后轉化為角度值：

θ→(sin(θ)，cos(θ))；

arctan2(sin(θ)，cos(θ))→θ。

5.根據權利要求1所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述數據預處理方法包括：采用四分位數范圍對特征變量和目標變量的數據集進行縮放，將所述數據集進行標準化，所述數據集標準化的計算方法包括：

v_i為同一類型數據集中的某個值，且median是同一類型數據集的中位數，IQR是樣本的四分位距。

6.根據權利要求1所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，所述評價模型的計算方法包括：

其中MAE為平均絕對誤差，R²為擬合優度，y_i是觀測值，是預測值，是平均值。

7.根據權利要求5所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，將預處理后的數據集劃分為訓練集和測試集，將訓練集輸入到多個機器學習模型中，其中所述機器學習模型包括：Lasso模型，ElasticNet模型，GradientBoost模型，XGB模型，LGB模型和SVR模型，獲取每個機器學習模型輸出預測值，并根據所屬評價模型的評價標準，使用測試集判斷最優機器學習模型。

8.根據權利要求7所述的一種基于機器學習的激光雷達測風運動補償方法，其特征在于，采用KFold方法將所述數據集劃分為N個互斥的子集，每次將其中一個不同于前次的子集做為測試集，剩下的N-1個子集作為訓練集輸入到所述最優機器學習模型中得到N個結果進行交叉驗證，根據驗證結果得到最佳超參數。

9.一種基于機器學習的激光雷達測風運動補償系統，其特征在于，所述系統執行所述權利要求1-8中任意一項所述的一種基于機器學習的激光雷達測風運動補償方法。

10.一種計算機可讀存儲介質，其特征在于，計算機可讀存儲介質存儲有計算機程序，所述計算機程序可被處理器執行所述權利要求1-8中任意一項所述的一種基于機器學習的激光雷達測風運動補償方法。