CN111522016B - 空间目标激光测距微弱信号识别模型构建方法及装置 - Google Patents

空间目标激光测距微弱信号识别模型构建方法及装置 Download PDF

Info

Publication number
CN111522016B
CN111522016B CN202010203086.3A CN202010203086A CN111522016B CN 111522016 B CN111522016 B CN 111522016B CN 202010203086 A CN202010203086 A CN 202010203086A CN 111522016 B CN111522016 B CN 111522016B
Authority
CN
China
Prior art keywords
signal
observation
echo
data
points
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
Application number
CN202010203086.3A
Other languages
English (en)
Other versions
CN111522016A (zh
Inventor
赵春梅
马天明
何正斌
卫志斌
瞿锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202010203086.3A priority Critical patent/CN111522016B/zh
Publication of CN111522016A publication Critical patent/CN111522016A/zh
Application granted granted Critical
Publication of CN111522016B publication Critical patent/CN111522016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例提供一种空间目标激光测距微弱信号识别模型构建方法及装置，对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。本发明实施例可实现不同回波强度有效回波信号的实时识别，并利用时间偏差对观测数据进行修正的基础上，采用辨识“信号线”和最佳阶数的多项式拟合相结合的形式提取完整的有效回波数据，可有效解决现有SLR观测技术中，空间目标观测信噪比低、回波信号弱的问题。

Description

空间目标激光测距微弱信号识别模型构建方法及装置
技术领域
本发明涉及卫星激光测距技术领域，更具体地，涉及一种空间目标激光测距微弱信号识别模型构建方法及装置。
背景技术
空间碎片长期存在且严重影响在轨航天器的安全，碰撞事件时有发生，而卫星激光测距技术(satellite laser ranging，SLR)作为空间碎片监测精度最高的手段，已被各国用以监测空间碎片，保障航天安全。相比于合作目标，空间碎片属于非合作目标，激光测距技术通过漫反射接收回波信号，导致空间碎片回波信号极其微弱，因此空间目标激光测距微弱信号的识别已经成为紧迫的研究课题，研究成果对于实现空间碎片激光测距的连续平稳自动跟踪观测、大规模空间碎片的快速精密轨道确定与预报具有重要的应用价值和现实意义，同时可服务于可靠的空间碰撞预警。
由于空间碎片有效反射面积小，漫反射的回波光子数少，探测的异常值较多，信噪比较低。常规的回波数据处理方法一般采用人工屏幕处理方法，该方法精度高，对弱信号的适应性好，但检测效率低且依赖于判读人员经验。Graz的快速回波辨识算法(Kirchner G，2004)具有快速有效的特点，对低轨卫星的探测的成功率很高，但对高轨卫星的探测的成功率比较低(1％以下)。在白天测距中，相关检测算法(Degnan J J,2002)原理简单，但距离窗大小及门限阈值对探测效果影响较大。N/M检测方法(McGarry J,1998)针对低信噪比信号的适应性好，但存在算法计算量较大，及无法满足实时性要求等不足。泊松统计滤波算法是目前月球激光测距和SLR的主流方法之一，澳大利亚斯特姆洛山观测站应用泊松算法实现了无人值守的全自动观测(Luck J.2000)，但该算法的检测结果受泊松统计滤波影响较大。贝叶斯统计分析方法(WillJam H J，1997)已经通过了对质量很差的激光测月仿真数据的恢复测试，测试结果证明它能够很好地恢复未知参数。基于点云曲线辨识的卫星激光数据预处理算法(刘雁雨,2011)，将卫星激光观测数据预处理视为有序的带噪声的空间曲线重建问题，能够实现激光观测数据的自动处理，可满足导航系统的需要，但是在信号点不好的情况下，可能无法正确地进行曲线重建且计算过程复杂。基于时间相关性的激光漫反射测距回波信号的快速提取方法(赵鹏,2015)，采用遗传算法进行寻优搜索获得信号点，在信噪比低的情况下具有快速提取能力，但是漏检概率较高且计算量大、耗时长。基于随机House变换的有效回波提取算法(刘通,2016)，将提取有效回波问题转化为辨识图像目标曲线的问题来解决，计算速度快，自动化程度高，但是在信号点分散程度高或信号点中断的情况下误检概率较高。
因此，亟需提出一种新的方法，解决SLR观测技术中，空间目标观测信噪比低、回波信号弱的问题。
发明内容
为了解决或者至少部分地解决上述问题，本发明实施例提供一种空间目标激光测距微弱信号识别模型构建方法及装置。
第一方面，本发明实施例提供一种空间目标激光测距微弱信号识别模型构建方法，包括：
对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
其中，所述对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征的步骤，具体包括：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
其中，所述根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型的步骤，具体包括：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
其中，所述在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据的步骤，具体包括：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
第二方面，本发明实施例提供一种空间目标激光测距微弱信号识别模型构建装置，包括：
特征提取模块，用于对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
回波信号识别模块，用于根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
有效数据提取模块，用于在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
其中，所述特征提取模块具体用于：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
其中，所述回波信号识别模块具体用于：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
其中，所述有效数据提取模块具体用于：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的空间目标激光测距微弱信号识别模型构建方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的空间目标激光测距微弱信号识别模型构建方法的步骤。
本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法及装置，通过激光测距实时信号识别模型的设计和建立，合理可靠的模型参数的解算，实时搜索微弱回波信号，实现不同回波强度有效回波信号的实时识别，并利用时间偏差对观测数据进行修正的基础上，提出采用辨识“信号线”和最佳阶数的多项式拟合相结合的形式提取完整的有效回波数据，可有效解决现有SLR观测技术中，空间目标观测信噪比低、回波信号弱的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法的流程示意图；
图2为本发明实施例提供的空间目标激光测距微弱信号识别模型构建装置的结构示意图；
图3为基于本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法的整体技术路线图；
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法的流程示意图，包括：
步骤100、对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
针对SLR观测技术中，白天观测、高轨卫星和空间碎片观测信噪比低、回波信号弱的问题，对微弱信号的特性进行分析，研究微弱回波信号的变化规律，为信号识别建模奠定基础。
进一步地，所述对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征的步骤，具体包括：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
具体地，数据收集，以北京房山SLR站为例，收集北京房山SLR站的系统详细参数、气象参数、各类空间目标观测数据以及相应的回波信号和噪声信号的O-C误差值。
观测数据时间序列分析：研究观测数据回波信号和噪声信号的O-C误差曲线随时间变化的趋势性和时间相关性，分析二者在时间相关性上的差异。
系统探测性能分析：分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对北京房山SLR系统回波信号的影响，估算系统不同参数下的观测精度、有效点数和回波率，并在此基础上估算北京房山SLR系统的探测性能。
步骤101、根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
具体地，基于激光回波信号的特性分析，将回波信号提取问题分为强回波信号提取和微弱回波信号提取，顾及信号识别的实时性和可靠性，可采用基于时间相关性的激光测距回波信号快速提取方法，如二次识别算法、信号点搜索算法等。不同的提取算法具有不同的特点，但主要目的均在于激光测距回波信号的实时识别，尤其是微弱信号的实时识别。
进一步地，所述根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型的步骤，具体包括：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
具体地，实时信号识别代价的确定：考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度，保证实时识别同时具有较小的提取误差与较好的提取速度。
寻优评价指标的解算：对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，利用3倍均方根误差的原则量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度。
实时信号搜索：根据一定范围的时间长度解算当前时刻O-C残差值，并根据测距误差和预报误差等因素设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
步骤102、在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
具体地，在较长观测时间段内，O-C的残差中包含的时间偏差和距离偏差的变化较大，有效回波信号不会严格符合线性或某种非线性特性，所以在有效数据提取过程中仅考虑相邻信号点之间的相关性，认为大部分信号点分布在一条未知的直线或曲线上，又或者分布在直线或曲线的周边，并将其称为“信号线”，采用信号识别模型辨识“信号线”，提取直线型或某种曲线型分布的信号点，并在提取到一定数量的信号点之后，采用拟合的方法识别所有的信号点。
进一步地，所述在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据的步骤，具体包括：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法，通过激光测距实时信号识别模型的设计和建立，合理可靠的模型参数的解算，实时搜索微弱回波信号，实现不同回波强度有效回波信号的实时识别，并利用时间偏差对观测数据进行修正的基础上，提出采用辨识“信号线”和最佳阶数的多项式拟合相结合的形式提取完整的有效回波数据，可有效解决现有SLR观测技术中，空间目标观测信噪比低、回波信号弱的问题。
如图2所示，为本发明实施例提供的空间目标激光测距微弱信号识别模型构建装置的结构示意图，包括：特征提取模块201、回波信号识别模块202和有效数据提取模块203，其中，
特征提取模块201，用于对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
具体地，针对SLR观测技术中，白天观测、高轨卫星和空间碎片观测信噪比低、回波信号弱的问题，对微弱信号的特性进行分析，研究微弱回波信号的变化规律，为信号识别建模奠定基础。
进一步地，所述特征提取模块201具体用于：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
回波信号识别模块202，用于根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
具体地，回波信号识别模块202基于激光回波信号的特性分析，将回波信号提取问题分为强回波信号提取和微弱回波信号提取，顾及信号识别的实时性和可靠性，可采用基于时间相关性的激光测距回波信号快速提取方法，如二次识别算法、信号点搜索算法等。不同的提取算法具有不同的特点，但主要目的均在于激光测距回波信号的实时识别，尤其是微弱信号的实时识别。
进一步地，所述回波信号识别模块202具体用于：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
有效数据提取模块203，用于在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
具体地，在较长观测时间段内，O-C的残差中包含的时间偏差和距离偏差的变化较大，有效回波信号不会严格符合线性或某种非线性特性，所以在有效数据提取过程中仅考虑相邻信号点之间的相关性，认为大部分信号点分布在一条未知的直线或曲线上，又或者分布在直线或曲线的周边，并将其称为“信号线”，采用信号识别模型辨识“信号线”，提取直线型或某种曲线型分布的信号点，并在提取到一定数量的信号点之后，采用拟合的方法识别所有的信号点。
进一步地，所述有效数据提取模块203具体用于：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
本发明实施例提供的空间目标激光测距微弱信号识别模型构建装置，通过激光测距实时信号识别模型的设计和建立，合理可靠的模型参数的解算，实时搜索微弱回波信号，实现不同回波强度有效回波信号的实时识别，并利用时间偏差对观测数据进行修正的基础上，提出采用辨识“信号线”和最佳阶数的多项式拟合相结合的形式提取完整的有效回波数据，可有效解决现有SLR观测技术中，空间目标观测信噪比低、回波信号弱的问题。
本发明实施例以目前北京房山SLR数据采集及处理系统为研究平台，利用北京房山SLR站系统参数及观测数据评估系统的探测性能，同时分析北京房山SLR系统不同轨道高度的观测目标的观测数据，并以此构建微弱信号实时识别及有效数据提取数学模型。研制微弱信号实时识别及有效数据提取系统，嵌入至目前房山SLR数据采集与处理平台，实现嵌入式数据采集与提取系统的构建与应用。
图3为基于本发明实施例提供的空间目标激光测距微弱信号识别模型构建方法的整体技术路线图。以目前北京房山SLR数据采集及处理系统为研究平台，利用北京房山SLR站系统参数及观测数据评估系统的探测性能，同时分析北京房山SLR系统不同轨道高度的观测目标的观测数据，并以此构建微弱信号实时识别及有效数据提取数学模型。研制微弱信号实时识别及有效数据提取系统，嵌入至目前房山SLR数据采集与处理平台，实现嵌入式数据采集与提取系统的构建与应用。
图4为本发明实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储在存储器430上并可在处理器410上运行的计算机程序，以执行上述各方法实施例所提供的空间目标激光测距微弱信号识别模型构建方法，例如包括：对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例提供的空间目标激光测距微弱信号识别模型构建方法，例如包括：对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种空间目标激光测距微弱信号识别模型构建方法，其特征在于，包括：
对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据；
所述根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型的步骤，具体包括：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
2.根据权利要求1所述的空间目标激光测距微弱信号识别模型构建方法，其特征在于，所述对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征的步骤，具体包括：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
3.根据权利要求1所述的空间目标激光测距微弱信号识别模型构建方法，其特征在于，所述在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据的步骤，具体包括：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
4.一种空间目标激光测距微弱信号识别模型构建装置，其特征在于，包括：
特征提取模块，用于对空间目标激光回波信号特性进行分析，提取不同类型观测目标的回波信号特征；
回波信号识别模块，用于根据所述不同类型观测目标的回波信号特征，构建回波信号实时识别模型；
有效数据提取模块，用于在利用时间偏差对观测数据进行修正的基础上，采用辨识信号线和最佳阶数的多项式拟合相结合的形式构建有效数据提取模型以提取完整有效回波数据；
所述回波信号识别模块具体用于：
考虑实时信号识别搜索代价的要求，根据系统参数估计每次激光发射后获取的回波信号数目，确定合理的一定范围的时间长度；
对一定范围的时间长度内的O-C残差值进行线性拟合，确定拟合后的残差均方根，量化噪声点和信号点的分布特征，并给出噪声点和信号点短时数据线性度和相邻数据关联度；
根据一定范围的时间长度解算当前时刻O-C残差值，并设置残差值的阈值和识别点数阈值，针对不同回波信号强度的观测目标，变换搜索算法的参数设置，建立不同信号强度的信号实时识别模型。
5.根据权利要求4所述的空间目标激光测距微弱信号识别模型构建装置，其特征在于，所述特征提取模块具体用于：
收集SLR观测站的系统参数、气象参数、各类空间目标的观测数据的时间序列以及相应的回波信号和噪声信号的O-C残差值；
分析空间目标轨道高度、望远镜有效接收面积、望远镜指向误差、大气透过率、激光发射频率对所述SLR观测站回波信号的影响，估算不同系统参数下的观测精度、有效点数和回波率，并在此基础上估算所述SLR观测站的探测性能；
分析观测数据回波信号和噪声信号的O-C残差值随时间变化的趋势性，以及噪声点和信号点的时间相关性，提取不同类型观测目标的回波信号特征。
6.根据权利要求4所述的空间目标激光测距微弱信号识别模型构建装置，其特征在于，所述有效数据提取模块具体用于：
根据观测数据点的观测残差解算卫星预报轨道误差，并认为轨道预报误差引起的斜距误差由距离偏差和时间偏差组成，通过平差得到时间偏差，进而对观测数据进行时间偏差修正；
将O-C残差数据点视为图像中的像素点，将图像上的曲线映射为参数空间中的点，通过分数累加的策略寻找信号点所在的目标曲线；
待辨识信号线提取有效回波点数达到规定点数，利用最小二乘原理，根据观测残差平方和最小原则选择最佳的拟合阶数，通过最佳拟合阶数的多项式拟合信号线，提取全部有效回波数据。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述空间目标激光测距微弱信号识别模型构建方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述空间目标激光测距微弱信号识别模型构建方法的步骤。
CN202010203086.3A 2020-03-20 2020-03-20 空间目标激光测距微弱信号识别模型构建方法及装置 Active CN111522016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010203086.3A CN111522016B (zh) 2020-03-20 2020-03-20 空间目标激光测距微弱信号识别模型构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010203086.3A CN111522016B (zh) 2020-03-20 2020-03-20 空间目标激光测距微弱信号识别模型构建方法及装置

Publications (2)

Publication Number Publication Date
CN111522016A CN111522016A (zh) 2020-08-11
CN111522016B true CN111522016B (zh) 2022-10-28

Family

ID=71901081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010203086.3A Active CN111522016B (zh) 2020-03-20 2020-03-20 空间目标激光测距微弱信号识别模型构建方法及装置

Country Status (1)

Country Link
CN (1) CN111522016B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112911586B (zh) * 2021-01-18 2022-09-13 福建农林大学 基于智能反射面实现隐蔽通信的方法及系统
CN112965048B (zh) * 2021-02-09 2023-04-07 深圳市灵明光子科技有限公司 激光测距误差校正方法、装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1759224B1 (en) * 2004-06-24 2011-08-03 BAE Systems PLC Improvements relating to velocity extraction
KR101221876B1 (ko) * 2011-12-09 2013-01-14 한국 천문 연구원 에스엘알 관측 데이터 자동처리 시스템 및 방법
CN106154246B (zh) * 2015-04-27 2018-11-27 中国人民解放军63921部队 回波光子信号实时处理方法
CN105093199B (zh) * 2015-07-30 2018-02-16 中国人民解放军信息工程大学 基于雷达时域回波的目标识别特征提取方法

Also Published As

Publication number Publication date
CN111522016A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Blasone et al. Monitoring sediment source areas in a debris-flow catchment using terrestrial laser scanning
CN108761574A (zh) 基于多源信息融合的降雨量估算方法
CN111522016B (zh) 空间目标激光测距微弱信号识别模型构建方法及装置
KR101258668B1 (ko) 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법
CN112965146B (zh) 一种结合气象雷达与雨量桶观测数据的定量降水估算方法
CN105488770A (zh) 一种面向对象的机载激光雷达点云滤波方法
CN113253233B (zh) 基于全天空流星雷达信号的分析处理方法、系统
CN107479045B (zh) 基于全波形激光雷达点云数据剔除低矮植被的方法及系统
CN104699755A (zh) 一种基于数据挖掘的智能化多目标综合识别方法
CN109521412B (zh) 基于局部统计量融合的雷达组网空域目标检测方法
Chen et al. A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs
CN113970739A (zh) 一种空管一次雷达自适应风电场杂波识别和抑制方法
US11668857B2 (en) Device, method and computer program product for validating data provided by a rain sensor
KR101428517B1 (ko) Ｇｐｓ 데이터 분석에 의한 플래그 데이터 제공 방법 및 시스템
CN116958907A (zh) 一种输气管道周边隐患目标巡检方法及系统
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN109828275B (zh) 一种零度层亮带的识别方法和系统
He et al. ICESat-2 data classification and estimation of terrain height and canopy height
CN114004950A (zh) 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法
CN111812670B (zh) 一种单光子激光雷达空间变换噪声判断、滤波方法及装置
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
CN109945075B (zh) 一种供水管道泄漏程度检测方法及装置
CN111597692A (zh) 一种地表净辐射估算方法、系统、电子设备和存储介质
CN111060922A (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN111007541A (zh) 一种卫星导航地基增强系统仿真性能评估方法

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