CN110895251B - 一种基于湿天线成因判别的无线微波监测露水强度方法 - Google Patents

Abstract

本发明公开了一种基于湿天线成因判别的无线微波监测露水强度方法，包括如下步骤：监测无线微波信号衰减强度；利用马尔可夫转换模型推断干期和湿期时段；利用广义似然比检验法检测干期时段内是否有露水造成的湿天线现象；如果检测出有湿天线现象，则对无线微波接收器接收到的微波信号衰减强度数据，应用训练好的ICA算法分离出湿天线引起的衰减信号；使用菲涅尔反射公式建立湿天线引起的衰减值与露水强度之间的模型关系，实现对于露水强度的监测。本发明结合了直接监测法和间接模型法，实现露水强度的高分辨率监测，创新了传统露水监测方法，同时有效地利用了现有的高时空分辨率微波通信网，不但节约人力物力，而且提高了露水强度的监测精度。

Description

一种基于湿天线成因判别的无线微波监测露水强度方法

技术领域

本发明涉及新一代通信技术应用领域，具体涉及一种基于湿天线成因判别的无线微波监测露水强度方法。

背景技术

露水是城市生态系统重要的环境因子，具有给植物生长调节提供凝结水源和湿度来源、改善土壤水分平衡、减少环境污染等多方面的生态效应。因此，准确监测计量露水凝结量对人们生产生活具有重要意义。

常规露水监测方法主要有：收集器监测法(直接)和模型计算法(间接)。收集器监测法通常使用各种露量计和叶片传感器，操作简单，但对收集器的收集频次要求较高，耗费人力物力；且接收水分的器具表面一旦发生轻微改变，将会引起较大误差。模型计算法节约人力，但需要引入气象要素，建立露水量与气象因素的模型关系，效果通常差强人意。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于湿天线成因判别的无线微波监测露水强度方法，该方法将直接监测法和间接模型法结合，是一种创新的露水监测方法，其充分利用了现有高时空分辨率的无线微波信号，能够提高露水监测精度。

技术方案：为实现上述目的，本发明提供一种基于湿天线成因判别的无线微波监测露水强度方法，包括如下步骤：

S1：利用无线微波发射器和接收器装置监测无线微波信号衰减强度；

S2：利用求解的马尔可夫转换模型从微波链路信号中推断干期和湿期时段；

S3：利用广义似然比检验法检测干期时段内是否有露水造成的湿天线现象；

S4：如果检测出有湿天线现象，则对无线微波接收器接收到的微波信号衰减强度数据，应用训练好的ICA算法分离出湿天线引起的衰减信号；

S5：使用菲涅尔反射公式建立湿天线引起的衰减值与露水强度之间的模型关系，实现对于露水强度的监测。

进一步的，所述步骤S2中推断干期和湿期时段的具体步骤如下：

S2-1：建立马尔可夫转换模型：

建立t时刻微波衰减值A_t在干期和湿期的不同表达式：

其中μ₀，μ₁分别是干期和湿期的微波衰减平均值，噪声项ε₀，ε₁是服从标准正态分布、且标准差分别为σ₀，σ₁的独立随机变量；

干期和湿期间的过渡用平稳的随机变量S_t模拟：

微波监测系统在干期状态的非条件概率表示为：

p₀＝Pr(S_t＝0)＝1-p₁ (3)

结合公式(1)～(3)，得A_t＝μS_t+εS_t，具有5个参数Θ＝(μ₀,μ₁,σ₀,σ₁,p₀)；

S2-2：求解模型参数：对于给定的微波衰减观测系列{A_t＝a_t}，用最大似然法估计最优的模型参数：

其中对数似然函数为：

其中，f_k(x,Θ)表示状态k的概率密度，p_k(x,Θ)是参数Θ的状态概率，p₀由长期气象历史观测资料计算得出；

采用标准的牛顿函数对l(Θ)进行最大化求值，从而根据公式(4)估计出

S2-3：判别干湿期：由估计出的

根据状态概率

即可区分出干湿期，设置阈值Y，根据公式：

判断出干期时段和湿期时段。

进一步的，所述步骤S3的具体步骤如下：

S3-1：将气象现象导致的微波衰减视为未知的决定性信号，用经典的二元假设检验来检测嵌入在干扰信号中的未知确定性信号，区分露水造成的湿天线衰减和降水导致的其它衰减；

H₀:A_i[n,L]＝L_iA_v[n]+A_0i[L]+r_i[n]+q_i[n]

H1:A_i[n,L]＝A_ω[n]+L_iA_v[n]+A_0i[L]+r_i[n]+q_i[n] (9)

n＝1,…,N,i＝1,…,M.

其中H₀是零假设，H₁是湿天线衰减假设；L是链路长度；i,n分别是链路数和每条链路所选样本数；A_v[n]是除降雨因素之外引起的衰减；A_ω[n]是湿天线衰减；r_i[n]是白噪声；q_i[n]是量化噪声；A_0i[L]是空间自由传播衰减；

S3-2：A_v[n],A_ω[n]是未知开始时间n_v,n_ω和持续时间τ_v,τ_ω的常瞬态信号，水蒸气衰减和空间自由传播衰减是每条链路μ_i的基线衰减，用未知方差σ²的加性高斯白噪声对r_i[n]和q_i[n]建模，假设不同传感器上的噪声过程是独立同分布的，所以二元假设检验进一步表示为：

H₀：A_i[n,L]＝L_iΔA_v[n；τ_v,n_v]+μ_i+ω_i[n]

H₁：A_i[n,L]＝A_ω[n；τ_ω,n_ω]+L_iΔA_v[n；τ_v,n_v]+μ_i+ω_i[n] (10)

S3-3：利用广义似然比检验法列式得到

其中，

是接收到的信号

在H₁和未知矢量参数

情况下的概率密度函数；

是信号在H₀和θ₀ 情况下的概率密度函数；

是H₀情况下的(M+4)维向量；

是H₁情况下的(M+7)维向量；

分别是假设H₁,H₀成立情况下θ₁,θ₀极大似然估计值；γ是阈值；

S3-4：对每个假设中的未知量进行极大似然估计，确定露水的发生时间和持续时间。

通过计算对数似然函数

的最大值求得：

式(13)中，

h_v(n_v,τ_v)是(N*1)维向量，h_vn∈{0,1}，

当τ_v固定，并且约束条件为

ΔA_v,n_v,μ,σ²的极大似然估计值按照式(14～17)计算：

其中

τ_v的极大似然估计值通过把ΔA_v,n_v,μ,σ²的极大似然估计值代入公式(13)，搜索τ_v∈[τ₁,τ₂]的最大值，其中τ₁和τ₂为优先阈值，意味着信号的最小持续时间为τ₁，最大持续时间为τ₂。

通过计算对数似然函数L(X；θ ₁)的最大值求得：

式中，h_ω(n_ω,τ_ω)是(N*1)维向量，h_ωn∈{0,1}，

因为空气湿度达到一定值时，才会产生湿天线衰减，所以n_ω≥n_v,n_ω+τ_ω＜n_v+τ_v，可以据此简化极大似然估计值的计算。

是在n_ω,τ_ω,n_v,τ_v上的四维搜索，对于这四个参数的任意组合，我们讨论了约束条件

下的二次优化问题。在每种假设下，ΔA_v,n_v,τ_v,μ,σ²的极大似然估计值是不同的；

对θ₁,θ₀进行极大似然估计，得到

的值代入公式(11)中得到：

当L_G(X)>γ，则认为有湿天线现象的存在。

进一步的，所述步骤S4中湿天线引起的衰减信号的具体获取方法为：通过白化矩阵

对接收到的信号A(t)进行白化得到

利用定点迭代算法进行信号分离，对于分离出的源信号O(t)，统计各信号的特征，包括幅度分布特性、谱特性、相关性、非平稳性，并与大数据特征响应指纹库中湿天线特征指纹进行比对，快速识别并分离出湿天线引起的衰减信号。

进一步的，所述步骤S5中湿天线引起的衰减值与露水强度之间的模型关系的具体建立方法为：

S5-1：反演露水强度：假设空气、天线罩、水膜和空气四层平面为均质各向同性介质，天线罩光学厚度为介质中半波长的倍数，垂直于入射平面的极化波公式为：

平行于入射平面的极化波公式为：

R＝R_hcos²(ψ)+R_vsin²(ψ) (23)

其中，r_v,r_h分别是垂直波和平行波分量的反射系数，R_v,R_h分别是垂直波和平行波分量的反射率，R是总反射值，Ω是入射角与反射角之比，n是水的复折射系数，δ是介质中传播波的相位项，α是入射波的角度，ψ是入射波的偏振角，λ是传播电磁场中的波长，d是水膜厚度；

S5-2：将步骤S4中分离出的湿天线引起的衰减值代入R值并使用(21)～(25)的公式，计算出水膜厚度d，即露水强度，由此建立湿天线引起的衰减值与露水强度之间的模型关系。

进一步的，所述步骤S2-3中阈值Y的设定采用标准牛顿型算法进行最大值估计。

本发明利用无线链路的信号衰减进行环境要素监测，该技术依托现有通信设备，具有投资小、密度大、时效性强等突出优势。由于露水的凝结会对天线造成润湿现象，带来微波信号的衰减，因此，通过监测微波信号衰减的情况，结合特定的反演算法，能够实现露水的监测。其总体思路为：在未发生降雨、并有湿天线存在的前提下，通过监测天线上露水的凝结强度及微波信号衰减值，建立露水强度与微波信号衰减值的关系模型，根据衰减值进行露水监测。

本发明依据微波衰减数据，利用马尔可夫转换模型判别干湿期；识别干期后，通过广义似然比检验法检测出由露水造成的湿天线现象的存在；对衰减信号进行分离，得到由湿天线造成的衰减；运用菲涅尔反射公式建立湿天线衰减值与露水强度之间的关系，根据监测无线微波衰减值计算露水凝结量，从而实现露水强度高分辨率监测，提高露水监测的精度。

有益效果：本发明与现有技术相比，具备如下优点：

1、利用马尔可夫转换模型进行干湿期判别，与传统干湿期判别方法相比，提高了模型对非稳定性问题的适用性，具有更高的科学性和理论依据。

2、采用极大似然法求解干湿期判别模型，将模型估计转化为参数估计，有效解决了稀疏矩阵的求解问题。

3、通过广义似然比检验法检测湿天线现象的存在继而进行信号的分离，能够高效的实现有效信号的提取，能够更好的满足高精度露水强度监测的需求。

4、运用菲涅尔反射公式建立湿天线衰减值与露水强度之间的关系，结合了直接监测法和间接模型法，实现露水强度的高分辨率监测，创新了传统露水监测方法，同时有效地利用了现有的高时空分辨率微波通信网，不但节约人力物力，而且提高了露水强度的监测精度。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明。

如图1所示，本发明提供一种基于湿天线成因判别的无线微波监测露水强度方法，包括如下步骤：

S1：利用无线微波发射器和接收器装置监测无线微波信号衰减强度。

S2：利用求解的马尔可夫转换模型从微波链路信号中推断干期和湿期时段：

S2-1：建立马尔可夫转换模型：

建立t时刻微波衰减值A_t在干期和湿期的不同表达式：

其中μ₀，μ₁分别是干期和湿期的微波衰减平均值，噪声项ε₀，ε₁是服从标准正态分布、且标准差分别为σ₀，σ₁的独立随机变量；

干期和湿期间的过渡用平稳的随机变量S_t模拟：

微波监测系统在干期状态的非条件概率表示为：

p₀＝Pr(S_t＝0)＝1-p₁ (3)

结合公式(1)～(3)，得A_t＝μS_t+εS_t，具有5个参数Θ＝(μ₀,μ₁,σ₀,σ₁,p₀)；

S2-2：求解模型参数：对于给定的微波衰减观测系列{A_t＝a_t}，用最大似然法估计最优的模型参数：

其中对数似然函数为：

其中，f_k(x,Θ)表示状态k的概率密度，p_k(x,Θ)是参数Θ的状态概率，p₀由长期气象历史观测资料计算得出；

采用标准的牛顿函数对l(Θ)进行最大化求值，从而根据公式(4)估计出

S2-3：判别干湿期：由估计出的

根据状态概率即可区分出干湿期，采用标准牛顿型算法进行最大值估计的方法设置阈值Y，根据公式：

判断出干期时段和湿期时段。

S3：利用广义似然比检验法检测干期时段内是否有露水造成的湿天线现象：

S3-1：将气象现象导致的微波衰减视为未知的决定性信号，用经典的二元假设检验来检测嵌入在干扰信号中的未知确定性信号，区分露水造成的湿天线衰减和降水导致的其它衰减；

H₀:A_i[n,L]＝L_iA_v[n]+A_0i[L]+r_i[n]+q_i[n]

H1:A_i[n,L]＝A_ω[n]+L_iA_v[n]+A_0i[L]+r_i[n]+q_i[n] (9)

n＝1,…,N,i＝1,…,M.

其中H₀是零假设，H₁是湿天线衰减假设；L是链路长度；i,n分别是链路数和每条链路所选样本数；A_v[n]是除降雨因素之外引起的衰减；A_ω[n]是湿天线衰减；r_i[n]是白噪声；q_i[n]是量化噪声；A_0i[L]是空间自由传播衰减；

S3-2：A_v[n],A_ω[n]是未知开始时间n_v,n_ω和持续时间τ_v,τ_ω的常瞬态信号，水蒸气衰减和空间自由传播衰减是每条链路μ_i的基线衰减，用未知方差σ²的加性高斯白噪声对r_i[n]和q_i[n]建模，假设不同传感器上的噪声过程是独立同分布的，所以二元假设检验进一步表示为：

H₀：A_i[n,L]＝L_iΔA_v[n；τ_v,n_v]+μ_i+ω_i[n]

H₁：A_i[n,L]＝A_ω[n；τ_ω,n_ω]+L_iΔA_v[n；τ_v,n_v]+μ_i+ω_i[n] (10)

S3-3：利用广义似然比检验法列式得到

其中，

是接收到的信号

在H₁和未知矢量参数

情况下的概率密度函数；

是信号在H₀和θ₀ 情况下的概率密度函数；

是H₀情况下的(M+4)维向量；

是H₁情况下的(M+7)维向量；

分别是假设H₁,H₀成立情况下θ₁,θ₀极大似然估计值；γ是阈值；

S3-4：对每个假设中的未知量进行极大似然估计，确定露水的发生时间和持续时间。

通过计算对数似然函数L(X；θ ₀)的最大值求得：

式(13)中，

h_v(n_v,τ_v)是(N*1)维向量，h_vn∈{0,1}，

当τ_v固定，并且约束条件为

ΔA_v,n_v,μ,σ²的极大似然估计值按照式(14～17)计算：

其中

τ_v的极大似然估计值通过把ΔA_v,n_v,μ,σ²的极大似然估计值代入公式(13)，搜索τ_v∈[τ₁,τ₂]的最大值，其中τ₁和τ₂为优先阈值，意味着信号的最小持续时间为τ₁，最大持续时间为τ₂。

通过计算对数似然函数L(X；θ ₁)的最大值求得：

式中，h_ω(n_ω,τ_ω)是(N*1)维向量，h_ωn∈{0,1}，

因为空气湿度达到一定值时，才会产生湿天线衰减，所以n_ω≥n_v,n_ω+τ_ω＜n_v+τ_v，可以据此简化极大似然估计值的计算。

是在n_ω,τ_ω,n_v,τ_v上的四维搜索，对于这四个参数的任意组合，我们讨论了约束条件

下的二次优化问题。在每种假设下，ΔA_v,n_v,τ_v,μ,σ²的极大似然估计值是不同的对θ₁,θ₀进行极大似然估计，得到

的值代入公式(11)中得到：

当L_G(X)>γ，则认为有湿天线现象的存在。

S4：如果检测出有湿天线现象，则对无线微波接收器接收到的微波信号衰减强度数据，应用训练好的ICA算法分离出湿天线引起的衰减信号，其具体如下：

通过白化矩阵

对接收到的信号A(t)进行白化得到

利用定点迭代算法进行信号分离，对于分离出的源信号O(t)，统计各信号的特征，包括幅度分布特性、谱特性、相关性、非平稳性，并与大数据特征响应指纹库中湿天线特征指纹进行比对，快速识别并分离出湿天线引起的衰减信号。

S5：使用菲涅尔反射公式建立湿天线引起的衰减值与露水强度之间的模型关系：

S5-1：反演露水强度：假设空气、天线罩、水膜和空气四层平面为均质各向同性介质，天线罩光学厚度为介质中半波长的倍数，垂直于入射平面的极化波公式为：

平行于入射平面的极化波公式为：

R＝R_hcos²(ψ)+R_vsin²(ψ) (23)

其中，r_v,r_h分别是垂直波和平行波分量的反射系数，R_v,R_h分别是垂直波和平行波分量的反射率，R是总反射值，Ω是入射角与反射角之比，n是水的复折射系数，δ是介质中传播波的相位项，α是入射波的角度，ψ是入射波的偏振角，λ是传播电磁场中的波长，d是水膜厚度；

S5-2：将步骤S4中分离出的湿天线引起的衰减值代入R值并使用(21)～(25)的公式，计算出水膜厚度d，即露水强度，由此建立湿天线引起的衰减值与露水强度之间的模型关系。

S6：根据监测无线微波衰减值计算露水凝结量，实现对于露水强度的监测。

Claims (5)

1.一种基于湿天线成因判别的无线微波监测露水强度方法，其特征在于：包括如下步骤：

S1：利用无线微波发射器和接收器装置监测无线微波信号衰减强度；

S2：利用求解的马尔可夫转换模型从微波链路信号中推断干期和湿期时段；

S3：利用广义似然比检验法检测干期时段内是否有露水造成的湿天线现象；

S4：如果检测出有湿天线现象，则对无线微波接收器接收到的微波信号衰减强度数据，应用训练好的ICA算法分离出湿天线引起的衰减信号；

S5：使用菲涅尔反射公式建立湿天线引起的衰减值与露水强度之间的模型关系，实现对于露水强度的监测；

所述步骤S2中推断干期和湿期时段的具体步骤如下：

S2-1：建立马尔可夫转换模型：

建立t时刻微波衰减值A_t在干期和湿期的不同表达式：

其中μ₀，μ₁分别是干期和湿期的微波衰减平均值，噪声项ε₀，ε₁是服从标准正态分布、且标准差分别为σ₀，σ₁的独立随机变量；

干期和湿期间的过渡用平稳的随机变量S_t模拟：

微波监测系统在干期状态的非条件概率表示为：

p₀＝Pr(S_t＝0)＝1-p₁ (3)

结合公式(1)～(3)，得A_t＝μS_t+εS_t，具有5个参数Θ＝(μ₀，μ₁，σ₀，σ₁，p₀)；

S2-2：求解模型参数：对于给定的微波衰减观测系列{A_t＝a_t}，用最大似然法估计最优的模型参数：

其中对数似然函数为：

其中，f_k(x，Θ)表示状态k的概率密度，p_k(x，Θ)是参数Θ的状态概率，p₀由长期气象历史观测资料计算得出；

采用标准的牛顿函数对l(Θ)进行最大化求值，从而根据公式(4)估计出

S2-3：判别干湿期：由估计出的

根据状态概率

即可区分出干湿期，设置阈值Y，根据公式：

判断出干期时段和湿期时段。

2.根据权利要求1所述的一种基于湿天线成因判别的无线微波监测露水强度方法，其特征在于：所述步骤S3的具体步骤如下：

S3-1：将气象现象导致的微波衰减视为未知的决定性信号，用经典的二元假设检验来检测嵌入在干扰信号中的未知确定性信号，根据公式(9)区分露水造成的湿天线衰减和降水导致的其它衰减；

其中H₀是零假设，H₁是湿天线衰减假设；L是链路长度；i，n分别是链路数和每条链路所选样本数；A_v[n]是除降雨因素之外引起的衰减；A_ω[n]是湿天线衰减；r_i[n]是白噪声；q_i[n]是量化噪声；A_0i[L]是空间自由传播衰减；

S3-2：A_v[n]，A_ω[n]是未知开始时间n_v，n_ω和持续时间τ_v，τ_ω的常瞬态信号，水蒸气衰减和空间自由传播衰减是每条链路μ_i的基线衰减，用未知方差σ²的加性高斯白噪声对r_i[n]和q_i[n]建模，假设不同传感器上的噪声过程是独立同分布的，二元假设检验表示为：

H₀：A_i[n，L]＝L_iΔA_v[n；τ_v，n_v]+μ_i+ω_i[n]

H₁：A_i[n，L]＝A_ω[n；τ_ω，n_ω]+L_iΔA_v[n；τ_v，n_v]+μ_i+ω_i[n] (10)

S3-3：利用广义似然比检验法列式得到

其中，

是接收到的信号

在H₁和未知矢量参数θ ₁情况下的概率密度函数；

是信号在H₀和θ ₀情况下的概率密度函数；

是H₀情况下的(M+4)维向量；

是H₁情况下的(M+7)维向量；

分别是假设H₁，H₀成立情况下θ ₁，θ ₀的极大似然估计值；γ是阈值；

S3-4：对每个假设中的未知量进行极大似然估计，确定露水的发生时间和持续时间：

通过计算对数似然函数L(X；θ ₀)的最大值求得：

式(13)中，

h_v(n_v，τ_v)是(N*1)维向量，h_vn∈{0，1}，

当τ_v固定，并且约束条件为

ΔA_v，n_v，μ，σ²的极大似然估计值按照式(14～17)计算：

其中

τ_v的极大似然估计值通过把ΔA_v，n_v，μ，σ²的极大似然估计值代入公式(13)，搜索τ_v∈[τ₁，τ₂]的最大值，其中τ₁和τ₂为优先阈值，意味着信号的最小持续时间为τ₁，最大持续时间为τ₂；

通过计算对数似然函数L(X；θ ₁)的最大值求得：

式中，h_ω(n_ω，τ_ω)是(N*1)维向量，h_ωn∈{0，1}，

空气湿度达到一定值时，会产生湿天线衰减，所以n_ω≥n_v，n_ω+τ_ω＜n_v+τ_v，据此简化极大似然估计值的计算；

是在n_ω，τ_ω，n_v，τ_v上的四维搜索，对于这四个参数的任意组合，讨论约束条件

下的二次优化问题，在每种假设下，ΔA_v，n_v，τ_v，μ，σ²的极大似然估计值是不同的；

最后，得到

的值代入公式(11)中得到：

当L_G(X)＞γ，则认为有湿天线现象的存在。

3.根据权利要求1所述的一种基于湿天线成因判别的无线微波监测露水强度方法，其特征在于：所述步骤S4中湿天线引起的衰减信号的具体获取方法为：通过白化矩阵

对接收到的信号A(t)进行白化得到

利用定点迭代算法进行信号分离，对于分离出的源信号O(t)，统计各信号的特征，包括幅度分布特性、谱特性、相关性、非平稳性，并与大数据特征响应指纹库中湿天线特征指纹进行比对，快速识别并分离出湿天线引起的衰减信号。

4.根据权利要求2所述的一种基于湿天线成因判别的无线微波监测露水强度方法，其特征在于：所述步骤S5中湿天线引起的衰减值与露水强度之间的模型关系的具体建立方法为：

S5-1：反演露水强度：假设空气、天线罩、水膜和空气四层平面为均质各向同性介质，天线罩光学厚度为介质中半波长的倍数，垂直于入射平面的极化波公式为：

平行于入射平面的极化波公式为：

R＝R_hcos²(ψ)+R_vsin²(ψ) (23)

其中，r_v，r_h分别是垂直波和平行波分量的反射系数，R_v，R_h分别是垂直波和平行波分量的反射率，R是总反射值，Ω是入射角与反射角之比，n是水的复折射系数，δ是介质中传播波的相位项，α是入射波的角度，ψ是入射波的偏振角，λ是传播电磁场中的波长，d是水膜厚度；

S5-2：将步骤S4中分离出的湿天线引起的衰减值代入R值并使用(21)～(25)的公式，计算出水膜厚度d，即露水强度，由此建立湿天线引起的衰减值与露水强度之间的模型关系。

5.根据权利要求1所述的一种基于湿天线成因判别的无线微波监测露水强度方法，其特征在于：所述步骤S2-3中阈值Y的设定采用标准牛顿型算法进行最大值估计。

Images