CN112731567B - 一种用于超高频微波的时空协同干湿增强判别方法 - Google Patents

Abstract

本发明公开了一种用于超高频微波的时空协同干湿增强判别方法，包括以下步骤：（1），选取降雨时段作为训练集，并获得时段微波链路L₁以及标记获取距离L₁链路最近的两条链路L₂、L₃微波信号接收端的微波衰减信号强度数据；（2），将邻近链路L₂、L₃微波信号衰减数据作为空间数据与L₁链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x₁,x₂,x₃...}；（3），干湿结果使用线性函数表征：

，其中w_i是权重系数，𝞪是偏差系数；（4），训练好的模型对微波衰减数据进行干湿判别。本发明的一种用于超高频微波的时空协同干湿增强判别方法，提出时空协同判别的改进，能够实现对超高频微波监测降雨的数据快速且更精准的干湿判别。

Description

一种用于超高频微波的时空协同干湿增强判别方法

技术领域

本发明涉及一种用于超高频微波的时空协同干湿增强判别方法，属于气象因子监测技术领域。

背景技术

高精度的降雨监测资料是实现水旱灾害防治、水文气象领域研究以及政府综合治理决策的前提。微波通信信号衰变反演雨强是一种新型的降雨监测技术，使用微波通信信号衰变反演雨强需要对微波衰减信号的干湿期进行精准判别。然而干湿期判别难度较大，会影响微波反演雨强精度，限制微波监测降水这项技术的推广使用。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种用于超高频微波的时空协同干湿增强判别方法，提出时空协同判别的改进，能够实现对超高频微波监测降雨的数据快速且更精准的干湿判别。

技术方案：为解决上述技术问题，本发明的用于超高频微波的时空协同干湿增强判别方法，包括以下步骤：

(1)，选取降雨时段作为训练集，并获得时段微波链路L₁以及标记获取距离L₁链路最近的两条链路L₂、L₃微波信号接收端的微波衰减信号强度数据，并对信号强度数据进行初步处理，获得初步L₁链路微波衰减信号数据序列{a₁,a₂,a₃...},L₂链路微波衰减信号数据序列{b₁,b₂,b₃...},L₃链路微波衰减信号数据序列{c₁,c₂,c₃...}；

(2)，将邻近链路L₂、L₃微波信号衰减数据作为空间数据与L₁链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x₁,x₂,x₃...}。

(3)，干湿结果使用线性函数表征：f(x)^*＝∑_i＝1w_ix_i+α，其中w_i是权重系数，α是偏差系数，

将f(x)的结果进行分类，引入Sigmoid函数作为单位阶跃函数y：

做变换可得：

用交叉熵代价函数为损失函数，对训练集所有样本而言，共同造成的损失函数均值J_θ(X)，其中θ为未知参数：

用最小梯度法迭代训练获得适合的w_i和α值：

α值同理可进行迭代得到最优值，其中对于样本来说，y为1为湿时刻，y为0位干时刻，h_θ(X)为预测概率函数，预测概率值在0-1之间，m为样本个数，x^(j)指反距离平方加权计算获得新的时间数据序列中的第j个数据，y⁽ⁱ⁾为第i个数据计算的阶跃函数分类结果，r为分类结果0或1，P为分类结果为r的概率；

(4)，训练好的模型对微波衰减数据进行干湿判别。

作为优选，所述步骤(1)中，对信号强度数据的初步处理包括：对个别丢失数据进行插补，并去除明显超过响应阈值的干扰数据。

作为优选，所述步骤(1)中，确定距离L₁链路最近的两条链路L₂、L₃具体包括：根据微波链路位置计算L₁链路中心点到周边微波链路中心点的距离，选取距离最小的两条链路作为本发明空间校正链路，标记为L₂、L₃。

作为优选，所述步骤(2)中，反距离平方加权计算具体计算如下：

其中d₁指L₁链路中心距离链路L₂中心的距离，d₂指L₁链路中心距离链路L₃中心的距离i＝1,2,3…。

在本发明中，本文只用一个统计量，并且本文考虑到单链路的统计量容易受到不确定因素的影响导致判别结果有偏差，利用微波信号数据空间相关性，在该统计量中加入反距离加权后的邻近链路衰减值，可以实现更加简单精准地判别干湿期。

有益效果：本发明的用于超高频微波的时空协同干湿增强判别方法，提供了时空协同判别干湿时刻的思路，在原有链路L₁微波衰减时间序列数据基础上，引入空间邻近两条链路L₂、L₃协同判别干湿：对链路L₁的数据序列利用同时刻的L₂、L₃微波衰减数据进行反距离平方加权加和得到新的数据序列，形成的新的特征值对于判断干湿结果更加敏感，减小了由于其他杂波干扰导致判别错误的可能性，大大提高了干湿时刻判别的准确性，而且，相比于其他分类模型具有原理简单，分类更加快速准确的优点。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明的用于超高频微波的时空协同干湿增强判别方法，包括以下步骤：

(1)，选取降雨时段作为训练集，并获得时段微波链路L₁以及标记获取距离L₁链路最近的两条链路L₂、L₃微波信号接收端的微波衰减信号强度数据，确定距离L₁链路最近的两条链路L₂、L₃具体包括：根据微波链路位置计算L₁链路中心点到周边微波链路中心点的距离，选取距离最小的两条链路作为本发明空间校正链路，标记为L₂、L₃，并对信号强度数据进行初步处理，对个别丢失数据进行插补，并去除明显超过响应阈值的干扰数据，获得初步L₁链路微波衰减信号数据序列{a₁,a₂,a₃...}，L₂链路微波衰减信号数据序列{b₁,b₂,b₃...},L₃链路微波衰减信号数据序列{c₁,c₂,c₃...}；

(2)，将邻近链路L₂、L₃微波信号衰减数据作为空间数据与L₁链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x₁,x₂,x₃...}，反距离平方加权计算具体计算如下：

其中d₁指L₁链路中心距离链路L₂中心的距离，d₂指L₁链路中心距离链路L₃中心的距离i＝1,2,3…；

(3)，干湿结果使用线性函数表征：f(x)^*＝∑_i＝1w_ix_i+α，其中w_i是权重系数，α是偏差系数，

将f(x)的结果进行分类，引入Sigmoid函数作为单位阶跃函数y：

做变换可得：

用交叉熵代价函数为损失函数，对训练集所有样本而言，共同造成的损失函数均值J_θ(X)，其中θ为未知参数：

用最小梯度法迭代训练获得适合的w_i和α值：

α值同理可进行迭代得到最优值，其中对于样本来说，y为1为湿时刻，y为0位干时刻，h_θ(X)为预测概率函数，预测概率值在0-1之间，m为样本个数；

(4)，将计算得到的新的带有干湿标签的时间数据集{x₁,x₂,x₃...}作为输入，使用线性函数表征输出f(x)^*值，后引入Sigmoid函数f(x)如(3)所示，

当f(x)为1分类为湿，当f(x)为0分类为干，将分类结果对比标签采用交叉熵代价函数为损失函数，逐步迭代训练获得最佳分类函数的参数值获得训练好的模型，并使用训练好的模型对微波衰减数据进行干湿判别，本文计算使用一个统计量并采用简洁智能算法对干湿期进行精准快速的判别。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种用于超高频微波的时空协同干湿增强判别方法，其特征在于，包括以下步骤：

(1)，选取降雨时段作为训练集，并获得时段微波链路L₁以及标记获取距离L₁链路最近的两条链路L₂、L₃微波信号接收端的微波衰减信号强度数据，并对信号强度数据进行初步处理，获得初步L₁链路微波衰减信号数据序列{a₁,a₂,a₃...},L₂链路微波衰减信号数据序列{b₁,b₂,b₃...},L₃链路微波衰减信号数据序列{c₁,c₂,c₃...}；

(2)，将邻近链路L₂、L₃微波信号衰减数据作为空间数据与L₁链路微波信号衰减数据反距离平方加权计算获得新的时间数据序列{x₁,x₂,x₃...}；

(3)，干湿结果使用线性函数表征：f(x)^*＝∑_i＝1w_ix_i+α，其中i为(2)中时间所获新的时间数据序列第i个元素，w_i是权重系数，α是偏差系数，

其中f(x)为1标记为湿，f(x)为0标记为干；

将f(x)的结果进行分类，引入Sigmoid函数作为单位阶跃函数y：

做变换可得：

用交叉熵代价函数为损失函数，对训练集所有样本而言，共同造成的损失函数均值J_θ(X)，其中θ为未知参数：

用最小梯度法迭代训练获得适合的w_i和α值：

α值同理可进行迭代得到最优值，其中对于样本来说，y为1为湿时刻，y为0为干时刻，h_θ(X)为预测概率函数，预测概率值在0-1之间，m为样本个数；x^(j)指反距离平方加权计算获得新的时间数据序列中的第j个数据，y⁽ⁱ⁾为第i个数据计算的阶跃函数分类结果，r为分类结果0或1，P为分类结果为r的概率；

(4)，训练好的模型对微波衰减数据进行干湿判别。

2.根据权利要求1所述的用于超高频微波的时空协同干湿增强判别方法，其特征在于：所述步骤(1)中，对信号强度数据的初步处理包括：对个别丢失数据进行插补，并去除明显超过响应阈值的干扰数据。

3.根据权利要求1所述的用于超高频微波的时空协同干湿增强判别方法，其特征在于：所述步骤(1)中，确定距离L₁链路最近的两条链路L₂、L₃具体包括：根据微波链路位置计算L₁链路中心点到周边微波链路中心点的距离，选取距离最小的两条链路作为空间校正链路，标记为L₂、L₃。

4.根据权利要求1所述的用于超高频微波的时空协同干湿增强判别方法，其特征在于：所述步骤(2)中，反距离平方加权计算具体计算如下：

其中d₁指L₁链路中心距离链路L₂中心的距离，d₂指L₁链路中心距离链路L₃中心的距离i＝1,2,3…。

Images