CN108694382B - 一种基于超宽带雷达传感器的土壤pH分类方法 - Google Patents
一种基于超宽带雷达传感器的土壤pH分类方法 Download PDFInfo
- Publication number
- CN108694382B CN108694382B CN201810454691.0A CN201810454691A CN108694382B CN 108694382 B CN108694382 B CN 108694382B CN 201810454691 A CN201810454691 A CN 201810454691A CN 108694382 B CN108694382 B CN 108694382B
- Authority
- CN
- China
- Prior art keywords
- echoes
- different
- values
- soil
- effective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超宽带雷达传感器的土壤pH分类方法,涉及土壤参数反演领域;其包括如下步骤:步骤1:采集相同土壤的回波进行预处理获取不同pH的有效回波;步骤2:将不同pH的有效回波输入LSTM系统获得不同pH的有效回波的分类准确率;步骤3:结合分类准确率将有效回波进行交叉验证获得最优分类准确率;本发明解决了现有土壤pH分类方法采用模糊逻辑需要不停调整参数导致周期长不适用于大面积和大数据分析导致其分类精度差的问题,达到了实现简便对大数据进行分类、促进提高分类精度的效果。
Description
技术领域
本发明涉及土壤参数反演领域,尤其是一种基于超宽带雷达传感器的土壤pH分类方法。
背景技术
农业的信息化和智能化已被视为以精准农业为代表的21世纪农业技术的发展目标,对于土壤参数的识别即反演以及对参数动态监测成为精准农业中的重要部分。其中,土壤pH早期的方法大多数通过人工测量,如稀释法,采样测量法等,其虽然精确但费时费力,并不适用于大面积、长时间的土壤环境监测;随着通信技术的发展,超宽带雷达因具有穿透性好、抗干扰、成本低的特点被视为土壤pH检测的主流方法,同时它还可以进行组网以实现大面积检测,因而是一种很有潜力的技术手段。
现有技术中通过超宽带土壤回波的处理和分析得到关于土壤pH的信息的方法中,最为接近的是采用模糊逻辑与土壤科学结合,其将土壤的pH值以及土壤的回波数据作为模糊逻辑系统的输入,根据数据的特征分布设计一套模糊逻辑规则,对土壤信息进行刻画最终得到检测结果。其能在一定程度上提高识别率,但是由于模糊逻辑需要不停的调整参数以及迭代周期比较大,导致程序的运行时间较长,因此不适用于大样本检测。另一方面采用雷达采集,由于雷达回波的采样点较多,每一个采样点为一个特征,识别结果总是会受各种因素影响,比如数据样本较少、程序运行时间较长等的因素,因此普通的识别方法并不能达到预期的效果,采用一般的神经网络RNN进行识别,因其不具有记忆能力和选择有用信息的能力,导致目标分类的精度差。因此需要一种适用于大面积、大数据的高精度的土壤pH分类方法。
发明内容
本发明的目的在于:本发明提供了一种基于超宽带雷达传感器的土壤pH分类方法,解决了现有土壤pH分类方法采用模糊逻辑需要不停调整参数导致周期长不适用于大面积和大数据分析导致其分类精度差的问题。
本发明采用的技术方案如下:
一种基于超宽带雷达传感器的土壤pH分类方法,其包括如下步骤:
步骤1:采集相同土壤的回波进行预处理获取不同pH的有效回波;
步骤2:将不同pH的有效回波输入LSTM系统获得不同pH的有效回波的分类准确率;
步骤3:结合分类准确率将有效回波进行交叉验证获得最优分类准确率。
优选地,所述步骤1包括如下步骤:
步骤1.1:采用超宽带雷达传感器收集相同土壤的回波采样不同pH的回波;
步骤1.2:计算不同pH的回波需要截取的采样点个数以及有效区间完成预处理获得不同pH的有效回波。
优选地,所述步骤2包括如下步骤:
步骤2.1:将不同pH的有效回波进行傅里叶变换获得LSTM系统不同类的输入数据,其中傅里叶变换公式如下:
其中,x(t)为回波,j为复数,ω为角频率,t为时间,X(jω)为傅里叶变换的结果;
步骤2.2:搭建LSTM系统,初始化系统参数后进行预测学习获得分类准确率。
优选地,所述步骤3包括如下步骤:
步骤3.1:将不同pH的有效回波进行交叉验证得到不同pH的有效回波的整体分类准确率;
步骤3.2:从不同pH的有效回波的整体分类准确率中选择最优分类准确率。
优选地,所述系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长。
优选地,所述步骤2.2包括如下步骤:
步骤2.2.1:搭建LSTM系统后初始化系统参数;
步骤2.2.2:将输入数据输入LSTM系统中,给予不同类的数据对应的标签,取不同类标签的部分数据作为训练标签,其剩余部分作为测试标签;
步骤2.2.3:取不同pH的有效回波的部分数据作为训练数据,其剩余部分作为测试数据;
步骤2.2.4:通过训练数据和训练标签的预测学习,对测试数据的标签进行预测获得预测标签,将预测标签与测试标签对比获得分类准确率。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明采用LSTM系统对采集数据进行分类,避免了现有采用模糊逻辑需要建立模板函数导致计算量大的缺点,系统搭建简单,可自主选择有用信息进行下一状态的更新,促进提高系统的鲁棒性,便于提高分类的精度,解决了现有土壤pH分类方法采用模糊逻辑需要不停调整参数导致周期长不适用于大面积和大数据分析导致其分类精度差的问题,达到了实现简便对大数据进行分类、促进提高分类精度的效果;
2.本发明通过对回波存在的传播时延和土壤噪声进行处理,去除干扰数据,利于提高实验数据的准确性;
3.本发明通过对土壤回波进行了特征提取,增加回波傅里叶变化的处理,更加符合实际要求,降低了在复杂数据下的仿真时间。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的方法流程图;
图2是本发明的LSTM系统示意图;
图3是本发明的数据效果图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-3对本发明作详细说明。
一种基于超宽带雷达传感器的土壤pH分类方法,其包括如下步骤:
步骤1:采集相同土壤的回波进行预处理获取不同pH的有效回波;
步骤2:将不同pH的有效回波输入LSTM系统获得不同pH的有效回波的分类准确率;
步骤3:结合分类准确率将有效回波进行交叉验证获得最优分类准确率。
实施例1
步骤1:采集相同土壤的回波进行预处理获取不同pH的有效回波;
采样:选取平坦的裸土作为实验区域,使用超宽带雷达P410作为实验的回波收集工具,由于受耦噪声的强烈干扰,超宽带雷达P410的有效测量距离应从0.8米开始,因此实验中使用无金属木架将超宽带雷达传感器架设于距地面0.9m的空中。pH的测定使用pH3000作为测量工具,对回波收集区域的土壤进行测量,测量得到的pH值与上述回波相对应作为一组实验数据。
回波预处理:由于超宽带收集到的回波受雷达天线的耦合噪声、空气中传播的时延、土壤地表的反射噪声以及下层土壤的噪声等的影响,因此需要对回波进行预处理:
计算出土壤回波在空气中的采样点个数,即需要截掉的长度:
s=90cm=0.9m,v=c=3×108m/s,T=61ps
因此有效回波应该从第99个采样点开始算起;
土壤回波的有效区间计算如下:
其中,vr为电磁波在土壤中的传播速度,εr为土壤的相对介电常数;c表示光速,tr表示回波在土壤中的传播时间,s为回波在土壤中的传播距离50cm,T为采样间隔61ps,m表示采样点的个数。
由于εr介于4-40之间,故经过计算可得m介于109-346之间,因此截取的有用部分介于208-445之间,实验中我们选取300个采样点,即99-399这个区间作为有效回波的有效区间。
步骤2:将不同pH的有效回波输入LSTM系统获得不同pH的有效回波的分类准确率;
傅里叶变换:将不同pH的有效回波进行傅里叶变换获得LSTM系统不同类的输入数据,其中傅里叶变换公式如下:
其中,x(t)为回波,j为复数,ω为角频率,t为时间,X(jω)为傅里叶变换的结果;
搭建LSTM系统,初始化系统参数后进行预测学习获得分类准确率:
系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长;
将傅里叶变换的结果输入LSTM系统中,其中一类给予标签1,另一类给予标签-1,各取不同pH的有效回波的前80%作为训练数据x_train,各取两类标签的前80%作为训练标签y_train,余下不同pH的有效回波和标签作为测试数据和测试标签,通过对训练数据和标签的预测学习,对测试数据的标签进行预测,将预测得到的标签与测试标签对比,从而得到分类的准确率;
在对LSTM系统预测学习的过程中使用适应性梯度算法Adam作为其的代价函数,损失函数用于评估预测学习过程中预测得到的标签的效果,通过最优化损失函数,达到最优化训练效果的目的,具体如下:
步骤3:结合分类准确率将有效回波进行交叉验证获得最优分类准确率;
交叉验证:将不同pH的有效回波进行交叉验证得到不同pH的有效回波的整体分类准确率;
结果分析:从不同pH的有效回波的整体分类准确率中选择最优分类准确率。
LSTM系统的输入是样本即回波,包括已知pH和未知pH等不同pH的回波,输出为分类准确率,反应分类的效果。
在简单的LSTM系统中,一个LSTM单元由三个传输门,输入门、忘记门和输出门组成,忘记门是通过一个sigmoid激活函数实现,而输入门和细胞状态通常使用正切函数tanh来转换;
实现LSTM系统进行分类,第一步是决定要从细胞状态中丢弃什么信息,通过忘记门层读取前一状态的信息ht-1和当前状态的输入信息xt,并输出一个在0到1之间的数值给每个在细胞状态st-1中的数字,1表示“完全保留”,0则表示“完全舍弃”,可代数表示为:
ft=σ(Wfst-1+Ufxt+bf)
it=σ(Wist-1+Uixt+bi)
其中,Wi为当前时刻输入门的权重矩阵,Ui为输入门的循环状态转移矩阵,bi为输入门的偏差向量,st-1为前一时刻细胞状态,xt为当前时刻样本,it为当前时刻输入门的输出参数,W为权重矩阵,U为循环状态转移矩阵,b为偏置向量,ot为当前时刻输出门的输出参数,e代表元素积,,是更新得到的细胞状态,φ是双曲线正切即tanh函数σ是sigmoid函数
第四步确定输出什么值,这个输出将会基于我们的细胞状态,运行一个忘记门确定细胞状态的哪个部分将会被输出,接着,把细胞状态通过tanh层进行处理即得到一个在-1到1之间的值,并将它和忘记门的输出相乘,最终输出需要输出的部分,具体计算形式如下:
ot=σ(Wost-1+Uoxt+bo)
ht=oteφ(st)
其中,Wo为输出门的权重矩阵,Uo为输出门的循环状态转移矩阵,bo为输出门的偏差向量,st-1为前一时刻细胞状态,xt为当前时刻样本,it为当前时刻输入门的输出参数,ot为当前时刻输出门的输出参数,st是当前时刻细胞状态,ht当前状态的信息,e代表元素积。
效果分析:根据本申请的方法进行仿真得到实验数据,针对不同pH,采用现有的FLS系统的准确识别率较低,本方法使用的LSTM系统的识别率大大提升,比如pH为5.15情况下,FLS系统的准确识别率为47%,LSTM系统的识别率为75%,本发明解决了现有土壤pH分类方法采用模糊逻辑需要不停调整参数导致周期长不适用于大面积和大数据分析导致其分类精度差的问题,达到了实现简便对大数据进行分类、促进提高分类精度的效果。
Claims (4)
1.一种基于超宽带雷达传感器的土壤pH分类方法,其特征在于:其包括如下步骤:
步骤1:采集相同土壤的回波进行预处理获取不同pH的有效回波;
步骤2:将不同pH的有效回波输入LSTM系统获得不同pH的有效回波的分类准确率;
步骤3:结合分类准确率将有效回波进行交叉验证获得最优分类准确率;
所述步骤2包括如下步骤:
步骤2.1:将不同pH的有效回波进行傅里叶变换获得LSTM系统不同类的输入数据,其中傅里叶变换公式如下:
其中,x(t)为回波,j为复数,ω为角频率,t为时间,X(jω)为傅里叶变换的结果;
步骤2.2:搭建LSTM系统,初始化系统参数后进行预测学习获得分类准确率;
所述步骤2.2包括如下步骤:
步骤2.2.1:搭建LSTM系统后初始化系统参数;
步骤2.2.2:将输入数据输入LSTM系统中,给予不同类的数据对应的标签,取不同类标签的部分数据作为训练标签,其剩余部分作为测试标签;
步骤2.2.3:取不同pH的有效回波的部分数据作为训练数据,其剩余部分作为测试数据;
步骤2.2.4:通过训练数据和训练标签的预测学习,对测试数据的标签进行预测获得预测标签,将预测标签与测试标签对比获得分类准确率;
在LSTM系统预测学习的过程中,使用损失函数优化训练效果,该损失函数为:
2.根据权利要求1所述的一种基于超宽带雷达传感器的土壤pH分类方法,其特征在于:所述步骤1包括如下步骤:
步骤1.1:采用超宽带雷达传感器收集相同土壤的回波采样不同pH的回波;
步骤1.2:计算不同pH的回波需要截取的采样点个数以及有效区间完成预处理获得不同pH的有效回波。
3.根据权利要求1所述的一种基于超宽带雷达传感器的土壤pH分类方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:将不同pH的有效回波进行交叉验证得到不同pH的有效回波的整体分类准确率;
步骤3.2:从不同pH的有效回波的整体分类准确率中选择最优分类准确率。
4.根据权利要求1所述的一种基于超宽带雷达传感器的土壤pH分类方法,其特征在于:所述系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810454691.0A CN108694382B (zh) | 2018-05-14 | 2018-05-14 | 一种基于超宽带雷达传感器的土壤pH分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810454691.0A CN108694382B (zh) | 2018-05-14 | 2018-05-14 | 一种基于超宽带雷达传感器的土壤pH分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108694382A CN108694382A (zh) | 2018-10-23 |
CN108694382B true CN108694382B (zh) | 2022-03-25 |
Family
ID=63847385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810454691.0A Active CN108694382B (zh) | 2018-05-14 | 2018-05-14 | 一种基于超宽带雷达传感器的土壤pH分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108694382B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287924A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 一种基于gru-rnn模型的土壤参数分类方法 |
CN111110208A (zh) * | 2019-12-13 | 2020-05-08 | 南京理工大学 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116399A (zh) * | 2015-08-27 | 2015-12-02 | 电子科技大学 | 一种针对超宽带雷达回波的土壤湿度反演方法 |
CN106104218A (zh) * | 2016-06-17 | 2016-11-09 | 北京小米移动软件有限公司 | 植物监测仪、信息生成方法、装置及植物监测系统 |
CN106328122A (zh) * | 2016-08-19 | 2017-01-11 | 深圳市唯特视科技有限公司 | 一种利用长短期记忆模型递归神经网络的语音识别方法 |
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
CN107944409A (zh) * | 2017-11-30 | 2018-04-20 | 清华大学 | 视频分析方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308535A1 (en) * | 2016-04-22 | 2017-10-26 | Microsoft Technology Licensing, Llc | Computational query modeling and action selection |
US11003987B2 (en) * | 2016-05-10 | 2021-05-11 | Google Llc | Audio processing with neural networks |
CN106353752B (zh) * | 2016-08-28 | 2018-08-14 | 电子科技大学 | 一种基于超宽带与非单点模糊逻辑的土壤含水量测量方法 |
US10546066B2 (en) * | 2016-08-31 | 2020-01-28 | Microsoft Technology Licensing, Llc | End-to-end learning of dialogue agents for information access |
CN107360243A (zh) * | 2017-07-27 | 2017-11-17 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及系统 |
-
2018
- 2018-05-14 CN CN201810454691.0A patent/CN108694382B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116399A (zh) * | 2015-08-27 | 2015-12-02 | 电子科技大学 | 一种针对超宽带雷达回波的土壤湿度反演方法 |
CN106104218A (zh) * | 2016-06-17 | 2016-11-09 | 北京小米移动软件有限公司 | 植物监测仪、信息生成方法、装置及植物监测系统 |
CN106328122A (zh) * | 2016-08-19 | 2017-01-11 | 深圳市唯特视科技有限公司 | 一种利用长短期记忆模型递归神经网络的语音识别方法 |
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
CN107944409A (zh) * | 2017-11-30 | 2018-04-20 | 清华大学 | 视频分析方法及装置 |
Non-Patent Citations (5)
Title |
---|
Channel Modeling based on Ultra-Wide Bandwidth(UWB) Radar in Soil Environment with different pH values;Miao Liu 等;《2014 Sixth International Conference on Wireless Communications and Signal Processing (WCSP)》;20141222;1-7,第1节倒数第2段,第2节第2段 * |
Marc Rußwurm 等.Temporal Vegetation Modelling using Long Short-Term Memory Networks for Crop Identification from Medium-Resolution Multi-Spectral Satellite Images.《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops》.2017,全文. * |
Miao Liu 等.Channel Modeling based on Ultra-Wide Bandwidth(UWB) Radar in Soil Environment with different pH values.《2014 Sixth International Conference on Wireless Communications and Signal Processing (WCSP)》.2014,1-7. * |
Soil Moisture Retrieval Using UWB Echoes via Fuzzy Logic and Machine Learning;Jing Liang 等;《IEEE INTERNET OF THINGS JOURNAL》;20171009;第5卷(第5期);3344-3352,第2节A部分第2段,B部分第1段 * |
基于周期性分量提取的城市快速路交通流短时预测理论与方法研究;金玮;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20180115(第2018年第01期);C034-475 * |
Also Published As
Publication number | Publication date |
---|---|
CN108694382A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182450B (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
CN110851957B (zh) | 一种基于深度学习的大气数据传感系统解算方法 | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN110531054B (zh) | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 | |
CN111401565B (zh) | 一种基于机器学习算法XGBoost的DOA估计方法 | |
CN105137498A (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
CN108694382B (zh) | 一种基于超宽带雷达传感器的土壤pH分类方法 | |
CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
Li et al. | Comparison of parameter uncertainty analysis techniques for a TOPMODEL application | |
CN104021289A (zh) | 一种非高斯非稳态噪声建模方法 | |
Huang et al. | A data-driven method for hybrid data assimilation with multilayer perceptron | |
CN115685096A (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Adebayo et al. | Refractive index perception and prediction of radio wave through recursive neural networks using meteorological data parameters | |
CN116189794A (zh) | 一种夯土水盐含量测量方法 | |
CN115906667A (zh) | 一种海洋环境参数反演模型构建方法及装置 | |
CN110287924A (zh) | 一种基于gru-rnn模型的土壤参数分类方法 | |
CN115909717A (zh) | 一种基于深度学习的高速公路短时交通流预测方法 | |
CN114724036A (zh) | 一种基于多尺度学习的冰裂隙检测方法 | |
CN117897741A (zh) | 用于生成用于超声传感器模型的合成训练数据的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |