CN116087908B - 一种基于协同作业的雷达高精度物位计测量方法 - Google Patents
一种基于协同作业的雷达高精度物位计测量方法 Download PDFInfo
- Publication number
- CN116087908B CN116087908B CN202310361195.1A CN202310361195A CN116087908B CN 116087908 B CN116087908 B CN 116087908B CN 202310361195 A CN202310361195 A CN 202310361195A CN 116087908 B CN116087908 B CN 116087908B
- Authority
- CN
- China
- Prior art keywords
- parameter
- representing
- parameters
- gate
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 239000000463 material Substances 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/282—Transmitters
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Thermal Sciences (AREA)
- Fluid Mechanics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于协同作业的雷达高精度物位计测量方法，涉及雷达物位计测量技术，包括从雷达物位计历史测量大数据中选取样本数据，构建调参神经网络模型，从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数；根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号进行滤波处理，得到标准化离散频谱，计算连续反射的回波信号之间的差异因子和频谱，从而测量得到雷达物位计与料位的实时距离。可以测量得到雷达物位计与料位的实时距离，降低了计算复杂度，实现了高精度测量的效果。
Description
技术领域
本发明涉及雷达物位计测量技术，尤其涉及一种基于协同作业的雷达高精度物位计测量方法。
背景技术
雷达测距是一种非接触式测量技术，可在恶劣环境下稳定工作，不易受雨雪等天气条件的影响，并具有穿透烟雾和灰尘的能力。雷达物位计是利用电磁波探测目标的电子设备，发射电磁波对目标进行照射并接收其回波，有次获得目标至电磁波发射点的距离、距离变化率、方位、高度等信息。
雷达物位计利用线性调频连续波大带宽、低功耗、安全性等特点可以有效进行协同作业，例如雷达物位计助力智能港口转运车实现高精度定位、货物运输对接等。现有雷达物位计的工作原理中，在测量过程中应用按照线性变化的高频信号，雷达物位计的信号从天线发出，在被测面反射，回波被天线接收。雷达物位计信号的发出与回波接收的频率差被进一步处理，使频率差对应于测量距离。利用快速傅里叶变换将频率差转化为频谱差，进而换算出测量距离。
现有技术中，有一种雷达物位计测量数据处理技术，首先通过傅里叶变换将雷达物位计的时域差拍信号转换为频域差拍信号，然后判断频域差拍信号中主频信号与噪声信号的信噪比，如果信噪比大于设定的阈值，说明频域差拍信号的质量比较好，可通过谱最大值估算的方式计算频域差拍信号中的中心频率值，提高获取的中心频率值的准确度；而如果信噪比小于设计的阈值，则说明频域差拍信号的质量比较差，此时不适合通过谱最大值估算的方式计算频域差拍信号中的中心频率值，因此，采用对频域差拍信号进行去噪处理后，再通过谱最大值估算的方式计算频域差拍信号中的中心频率值的方式进行处理，保证频域差拍信号的中心频率值的准确度，提高雷达物位计的测量精度。
但上述技术至少存在如下问题：现有的雷达物位计测量方法对没有考虑针对不同的物料、传输介质及环境参数对发射参数进行调整的问题，导致回波信号可能出现干扰因素或信号太弱的情况，计算复杂度较高，无法测量得到高精度的距离。
发明内容
本申请实施例通过提供一种基于协同作业的雷达高精度物位计测量方法，解决了现有的雷达物位计测量方法对没有考虑针对不同的物料、传输介质及环境参数对发射参数进行调整的问题，导致回波信号可能出现干扰因素或信号太弱的情况，计算复杂度较高，无法测量得到高精度的距离。实现了针对不同的物料、传输介质及环境参数对发射参数进行调整，得到干扰因素少、信号强度高的回波信号，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离，降低计算复杂度，得到高精度测量结果。
本申请具体包括以下技术方案：
一种基于协同作业的雷达高精度物位计测量方法，包括以下部分：
S1. 从雷达物位计历史测量大数据中选取样本数据，构建调参神经网络模型，从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数；
构建调参神经网络模型，将样本数据分为训练集和测试集，通过训练集对调参神经网络模型进行数据样本的拟合，在训练过程中对训练误差进行梯度下降，优化模型中的权重参数；训练集包括需要输入到调参神经网络模型中的固定参数集合和输入对应输出的调整参数集合；
一个训练样本用
表示，/>
，/>
表示一组固定参数样本，
，/>
表示一组调整参数样本，m表示一组固定参数中元素的数量，n表示一组调整参数中元素的数量；
调参神经网络模型的具体训练过程如下：
将一组固定参数样本输入到所述调参神经网络模型中，所述调参神经网络模型中引入了三个门函数：更新门、限制门和重置门，所述更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；所述限制门控制前一时刻的状态有多少信息被写入到当前的候选集上，限制门越小，前一时刻的状态信息被写入的越少；所述重置门在检测当前时刻状态参数与前一时刻状态参数相差超过阈值范围时，将当前时刻状态参数采用前一时刻状态的参数进行替换，重置当前时刻状态的参数；
将
输入到调参神经网络模型中，初始状态表示为/>
，则有：
其中，
表示初始权重，/>
表示初始偏置；
将一组固定参数样本输入到调参神经网络模型中，调参神经网络模型中引入了三个门函数：更新门、限制门和重置门；
重置门神经元的计算过程为：
其中，
表示重置门神经元的输出，/>
表示t时刻的状态，/>
表示上一时刻的状态，/>
表示阈值；更新门神经元的计算过程为：
其中，
表示t时刻更新门神经元的输出，/>
表示更新门神经元的权重，/>
为激活函数，/>
表示更新门神经元的偏置，/>
表示常数因子；限制门的计算过程为：
其中，
表示上一时刻状态的权重；得到最终输出：
其中，
表示模型输出，/>
为激活函数，/>
表示输出权重；
将模型输出与当前输入对应的调整参数样本y进行误差计算，所述误差计算采用现有的均方误差，将误差与预设差值进行对比，若误差达到预设差值范围内，则训练完成；否则对误差进行梯度下降，优化模型中的权重参数，再次进行误差对比，循环迭代，直至误差符合预设差值范围为止；
更新门可以控制上一时刻神经元状态应该如何被包含当前时间步信息的状态所更新，限制门解决了传统循环神经网络中的梯度衰减问题，捕捉数据之间的关系，得到满足测量精度的固定参数对应的调整参数；
S2. 根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号进行滤波处理，得到标准化离散频谱，计算连续反射的回波信号之间的差异因子和频谱，从而测量得到雷达物位计与料位的实时距离。
进一步，所述步骤S2具体包括：
为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度。
进一步，所述步骤S2具体包括：
对差频信号进行傅里叶变换，得到离散频谱，根据离散频谱计算N个差频信号的离散频谱均值，引入频谱分量，计算每个分量对应的频率，提高分辨率。
进一步，所述步骤S2具体包括：
利用频谱分量对N个差频信号进行标准化处理，得到标准化后的频谱，通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，从而测量得到雷达物位计与料位的实时距离。
进一步，所述步骤S2具体包括：
将频谱映射回原位置，得到频谱坐标，频谱坐标与差异因子的积即为测量距离。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本发明充分考虑了雷达发射信号的脉冲形状、脉冲重复频率、信号带宽、传输介质以及物料表面的形状等因素会对回波信号产生影响，从而影响测量精准度，因此，针对不同物料、传输介质及环境参数等固定参数，构建调参神经网络模型，调整发射信号的带宽、频率和功率等调整参数，增强信号的抗干扰能力和信号强度，从而可以根据优化后的测量方法发射信号，得到反射时间精准的回波信号，准确测量物料的剩余高度；
2、根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号，为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度；通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离；由于频谱分量提高了计算复杂度，利用从时域映射到频域的差频信号避免计算过度复杂，从而降低计算复杂度，得到高精度测量结果。
3、本申请的技术方案能够有效解决现有的雷达物位计测量方法对没有考虑针对不同的物料、传输介质及环境参数对发射参数进行调整的问题，导致回波信号可能出现干扰因素或信号太弱的情况，计算复杂度较高，无法测量得到高精度的距离；并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够针对不同的物料、传输介质及环境参数对发射参数进行调整，得到干扰因素少、信号强度高的回波信号，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离，降低计算复杂度，得到高精度测量结果。
附图说明
图1为本申请所述的一种基于协同作业的雷达高精度物位计测量方法流程图；
图2为本申请所述的调参神经网络模型示意图。
具体实施方式
本申请实施例通过提供一种基于协同作业的雷达高精度物位计测量方法，解决了现有的雷达物位计测量方法对没有考虑针对不同的物料、传输介质及环境参数对发射参数进行调整的问题，导致回波信号可能出现干扰因素或信号太弱的情况，计算复杂度较高，无法测量得到高精度的距离。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
本发明充分考虑了雷达发射信号的脉冲形状、脉冲重复频率、信号带宽、传输介质以及物料表面的形状等因素会对回波信号产生影响，从而影响测量精准度，因此，针对不同物料、传输介质及环境参数等固定参数，构建调参神经网络模型，调整发射信号的带宽、频率和功率等调整参数，增强信号的抗干扰能力和信号强度，从而可以根据优化后的测量方法发射信号，得到反射时间精准的回波信号，准确测量物料的剩余高度；根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号，为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度；通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离；由于频谱分量提高了计算复杂度，利用从时域映射到频域的差频信号避免计算过度复杂，从而降低计算复杂度，得到高精度测量结果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种基于协同作业的雷达高精度物位计测量方法包括以下步骤：
S1. 从雷达物位计历史测量大数据中选取样本数据，构建调参神经网络模型，从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数；
雷达物位计通过发射电磁波和接收电磁波的时间来计算料位的测量距离，由于电磁波在空中传播的速率是光速，因此，可在超短时间内获得足够的测量距离值。
雷达物位计向物料发射信号，当发射信号碰到物料表面就会反射回来，得到回波信号，通过回波信号反射回来的时间间隔，计算雷达物位计与料位的距离，但由于雷达发射信号的脉冲形状、脉冲重复频率、信号带宽、传输介质以及物料表面的形状等因素会对回波信号产生影响，从而影响雷达物位计与料位的距离。
因此，需要针对不同物料、传输介质及环境参数等固定参数，调整发射信号的带宽、频率和功率等调整参数，增强信号的抗干扰能力和信号强度，从而可以根据优化后的测量方法发射信号，得到反射时间精准的回波信号，准确测量物料的剩余高度。所述环境参数包括风速、光照等。
获取雷达物位计历史测量大数据，设立样本选取阈值，从历史测量大数据中选取对测量距离精准度高于样本选取阈值的测量数据，将选取的测量数据作为样本数据，通过深度学习算法从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数。
基于循环神经网络构建调参神经网络模型，将样本数据分为训练集和测试集，通过训练集对调参神经网络模型进行数据样本的拟合，在训练过程中对训练误差进行梯度下降，优化模型中的权重参数。
训练集包括需要输入到调参神经网络模型中的固定参数集合和输入对应输出的调整参数集合，对于任意一个训练样本用
表示，/>
，/>
表示一组固定参数样本，/>
，/>
表示一组调整参数样本，m表示一组固定参数中元素的数量，n表示一组调整参数中元素的数量。
调参神经网络模型的具体训练过程如下：
将一组固定参数样本输入到调参神经网络模型中，调参神经网络模型中引入了三个门函数：更新门、限制门和重置门，所述更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；所述限制门控制前一时刻的状态有多少信息被写入到当前的候选集上，限制门越小，前一时刻的状态信息被写入的越少；所述重置门在检测当前时刻状态参数与前一时刻状态参数相差超过阈值范围时，将当前时刻状态参数采用前一时刻状态的参数进行替换，重置当前时刻状态的参数。
将
输入到调参神经网络模型中，初始状态表示为/>
，则有：
其中，
表示初始权重，/>
表示初始偏置。重置门神经元的计算过程为：
其中，
表示重置门神经元的输出，/>
表示t时刻的状态，/>
表示上一时刻的状态，/>
表示阈值。更新门神经元的计算过程为：
其中，
表示t时刻更新门神经元的输出，/>
表示更新门神经元的权重，/>
为激活函数，/>
表示更新门神经元的偏置，/>
表示常数因子。限制门的计算过程为：
其中，
表示上一时刻状态的权重。得到最终输出：
其中，
表示模型输出，/>
为激活函数，/>
表示输出权重。
将模型输出与当前输入对应的调整参数样本y进行误差计算，所述误差计算采用现有的均方误差，将误差与预设差值进行对比，若误差达到预设差值范围内，则训练完成；否则对误差进行梯度下降，优化模型中的权重参数，再次进行误差对比，循环迭代，直至误差符合预设差值范围为止。
更新门可以控制上一时刻神经元状态应该如何被包含当前时间步信息的状态所更新，限制门解决了传统循环神经网络中的梯度衰减问题，并更好的捕捉数据之间的关系，从而得到满足测量精度的固定参数对应的调整参数。
S2. 根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号进行滤波处理，得到标准化离散频谱，计算连续反射的回波信号之间的差异因子和频谱，从而测量得到雷达物位计与料位的实时距离。
根据调整参数调整雷达物位计的发射参数，利用雷达发射器对待测方向发射M个脉冲信号，并接收含有目标物、干扰物在内的回波信号，所述目标物即物料，接收到N个回波信号，
，发射信号与回波信号的具体表达式为：
其中，
表示发射信号，t表示时间，/>
表示虚数单位，/>
表示初始频率，/>
表示带宽，/>
表示扫频周期，/>
表示回波信号，/>
，表示信号的回波时延，/>
表示料位相对于雷达物位计的距离，/>
表示电磁波在空气中的传播速率。
将发射信号
和回波信号/>
输入混频器中进行混频，得到混频后的信号：
其中，
表示雷达发射信号的共轭。
为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度。构建低通滤波器，对混频后的信号进行多采样低通滤波处理得到差频信号，所述低通滤波器的处理过程如下：
令
，则有
其中，
表示低通滤波结果，/>
表示滤波系数，/>
表示第k次采样值，k表示采样次数。
对差频信号进行傅里叶变换，得到离散频谱
，具体公式为：
根据离散频谱计算N个差频信号的离散频谱均值
，引入频谱分量，计算每个分量对应的频率，使其分辨率提高，频谱分量可通过下列计算得到：
其中，
表示迭代/>
次时第/>
个差频信号的频谱分量，/>
表示第/>
个差频信号的第u个频谱分量对应的频率，/>
表示迭代/>
次时第u个频谱分量对应的频率，
。
利用频谱分量对N个差频信号进行标准化处理，得到标准化后的频谱，具体计算如下：
其中，
表示标准化后的频谱集合，/>
表示第N个差频信号的频谱，/>
表示第N个差频信号的频谱分量。通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，从而测量得到雷达物位计与料位的实时距离。所述差异因子/>
的计算方法为：
将频谱映射回原位置，得到频谱坐标，频谱坐标与差异因子的积即为测量距离。所述频谱坐标的计算方法为：
其中，
表示第i个回波信号测得的频谱坐标，/>
表示频谱，/>
表示差频信号。雷达物位计与料位的测量距离为：/>
。
标准化后的频谱，由于频谱分量提高了计算复杂度，需要利用从时域映射到频域的差频信号避免计算过度复杂，从而进行高效测量，得到高精度测量结果。
综上所述，便完成了本申请所述的一种基于协同作业的雷达高精度物位计测量方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本发明充分考虑了雷达发射信号的脉冲形状、脉冲重复频率、信号带宽、传输介质以及物料表面的形状等因素会对回波信号产生影响，从而影响测量精准度，因此，针对不同物料、传输介质及环境参数等固定参数，构建调参神经网络模型，调整发射信号的带宽、频率和功率等调整参数，增强信号的抗干扰能力和信号强度，从而可以根据优化后的测量方法发射信号，得到反射时间精准的回波信号，准确测量物料的剩余高度；
2、根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号，为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度；通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离；由于频谱分量提高了计算复杂度，利用从时域映射到频域的差频信号避免计算过度复杂，从而降低计算复杂度，得到高精度测量结果。
效果调研：
本申请的技术方案能够有效解决现有的雷达物位计测量方法对没有考虑针对不同的物料、传输介质及环境参数对发射参数进行调整的问题，导致回波信号可能出现干扰因素或信号太弱的情况，计算复杂度较高，无法测量得到高精度的距离；并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够针对不同的物料、传输介质及环境参数对发射参数进行调整，得到干扰因素少、信号强度高的回波信号，基于连续反射的回波信号之间的差异因子和频谱，测量得到雷达物位计与料位的实时距离，降低计算复杂度，得到高精度测量结果。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于协同作业的雷达高精度物位计测量方法，其特征在于，包括以下步骤：
S1. 从雷达物位计历史测量大数据中选取样本数据，构建调参神经网络模型，从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数；
构建调参神经网络模型，将样本数据分为训练集和测试集，通过训练集对调参神经网络模型进行数据样本的拟合，在训练过程中对训练误差进行梯度下降，优化模型中的权重参数；训练集包括需要输入到调参神经网络模型中的固定参数集合和输入对应输出的调整参数集合；
一个训练样本用
表示，/>
，/>
表示一组固定参数样本，
，/>
表示一组调整参数样本，m表示一组固定参数中元素的数量，n表示一组调整参数中元素的数量；
调参神经网络模型的具体训练过程如下：
将一组固定参数样本输入到所述调参神经网络模型中，所述调参神经网络模型中引入了三个门函数：更新门、限制门和重置门，所述更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；所述限制门控制前一时刻的状态有多少信息被写入到当前的候选集上，限制门越小，前一时刻的状态信息被写入的越少；所述重置门在检测当前时刻状态参数与前一时刻状态参数相差超过阈值范围时，将当前时刻状态参数采用前一时刻状态的参数进行替换，重置当前时刻状态的参数；
将
输入到调参神经网络模型中，初始状态表示为/>
，则有：
其中，
表示初始权重，/>
表示初始偏置；
将一组固定参数样本输入到调参神经网络模型中，调参神经网络模型中引入了三个门函数：更新门、限制门和重置门；
重置门神经元的计算过程为：
其中，
表示重置门神经元的输出，/>
表示t时刻的状态，/>
表示上一时刻的状态，/>
表示阈值；更新门神经元的计算过程为：
其中，
表示t时刻更新门神经元的输出，/>
表示更新门神经元的权重，/>
为激活函数，/>
表示更新门神经元的偏置，/>
表示常数因子；限制门的计算过程为：
其中，
表示上一时刻状态的权重；得到最终输出：
其中，
表示模型输出，/>
为激活函数，/>
表示输出权重；
将模型输出与当前输入对应的调整参数样本y进行误差计算，所述误差计算采用现有的均方误差，将误差与预设差值进行对比，若误差达到预设差值范围内，则训练完成；否则对误差进行梯度下降，优化模型中的权重参数，再次进行误差对比，循环迭代，直至误差符合预设差值范围为止；
更新门可以控制上一时刻神经元状态应该如何被包含当前时间步信息的状态所更新，限制门解决了传统循环神经网络中的梯度衰减问题，捕捉数据之间的关系，得到满足测量精度的固定参数对应的调整参数；
S2. 根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号进行滤波处理，得到标准化离散频谱，计算连续反射的回波信号之间的差异因子和频谱，从而测量得到雷达物位计与料位的实时距离。
2.如权利要求1所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：
为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度。
3.如权利要求1所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：
对差频信号进行傅里叶变换，得到离散频谱，根据离散频谱计算N个差频信号的离散频谱均值，引入频谱分量，计算每个分量对应的频率，提高分辨率。
4.如权利要求3所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：
利用频谱分量对N个差频信号进行标准化处理，得到标准化后的频谱，通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，从而测量得到雷达物位计与料位的实时距离。
5.如权利要求4所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：
将频谱映射回原位置，得到频谱坐标，频谱坐标与差异因子的积即为测量距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361195.1A CN116087908B (zh) | 2023-04-07 | 2023-04-07 | 一种基于协同作业的雷达高精度物位计测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361195.1A CN116087908B (zh) | 2023-04-07 | 2023-04-07 | 一种基于协同作业的雷达高精度物位计测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116087908A CN116087908A (zh) | 2023-05-09 |
| CN116087908B true CN116087908B (zh) | 2023-06-16 |
Family
ID=86187218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310361195.1A Active CN116087908B (zh) | 2023-04-07 | 2023-04-07 | 一种基于协同作业的雷达高精度物位计测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116087908B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116500609B (zh) * | 2023-05-16 | 2023-11-21 | 北京锐达仪表有限公司 | 落料状态及物位波动状态检测用复合微波雷达测量系统 |
| CN116989869B (zh) * | 2023-09-28 | 2023-12-19 | 江苏索利得物联网有限公司 | 一种基于料仓参数分析的仓顶雷达扫描方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280594A (zh) * | 2021-12-29 | 2022-04-05 | 中仪知联(无锡)工业自动化技术有限公司 | 一种基于正交匹配追踪的物位雷达测距方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103834758B (zh) * | 2014-03-14 | 2015-07-15 | 中南大学 | 一种连续高精度的高炉料位实时检测方法 |
| US12032089B2 (en) * | 2019-03-14 | 2024-07-09 | Infineon Technologies Ag | FMCW radar with interference signal suppression using artificial neural network |
| CN113805166B (zh) * | 2021-08-17 | 2024-08-02 | 中控技术股份有限公司 | 一种雷达物位计的目标跟踪测距方法及系统 |
| CN114136194B (zh) * | 2021-10-12 | 2024-06-14 | 江苏丰尚智能科技有限公司 | 仓内物料体积监测方法、装置、监测设备和存储介质 |
-
2023
- 2023-04-07 CN CN202310361195.1A patent/CN116087908B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280594A (zh) * | 2021-12-29 | 2022-04-05 | 中仪知联(无锡)工业自动化技术有限公司 | 一种基于正交匹配追踪的物位雷达测距方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116087908A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116087908B (zh) | 一种基于协同作业的雷达高精度物位计测量方法 | |
| CN110609287B (zh) | 一种双频雷达散射计及同时测量海面风场和流场的方法 | |
| CN104360329A (zh) | 一种全数字阵列相控阵天气雷达的强度定标方法 | |
| CN106569208A (zh) | 基于杂波图的机场跑道异物检测方法 | |
| CN113805166B (zh) | 一种雷达物位计的目标跟踪测距方法及系统 | |
| CN107748275B (zh) | 一种用于雷达流速仪安装现场的远程校正方法 | |
| CN111025278A (zh) | 一种无线电高度表 | |
| CN103090930B (zh) | 雷达物位计及其信号处理方法 | |
| US11921242B2 (en) | Method and device for time-of-flight estimate | |
| CN113466807B (zh) | 雷达临界被截获距离测试系统 | |
| JP2001201560A (ja) | レーダ装置及びその制御方法 | |
| CN114296046B (zh) | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 | |
| JP2001264419A (ja) | 距離検出装置 | |
| CN114137484A (zh) | 多模式微波遥感器高度计模式的系统参数设计、模拟方法 | |
| CN116299297B (zh) | 雷达散射截面积的计算方法、装置及存储介质 | |
| CN116840807B (zh) | 一种基于探地雷达系统的全波反演介电常数估计方法 | |
| CN114942053B (zh) | 一种基于相位估值的高精度雷达物位计测距方法 | |
| CN118050740B (zh) | 一种调频连续波激光雷达信号分析方法及系统 | |
| CN114265128B (zh) | 一种无线电雨量监测方法及系统 | |
| CN103134946B (zh) | 一种基于线性调频信号的空间介质流速测量方法与装置 | |
| CN109932710B (zh) | 基于锯齿lfmcw波形体制测速雷达的远距离目标速度修正方法 | |
| RU2374664C2 (ru) | Способ измерения радиолокационной отражаемости облачной среды | |
| US10247817B2 (en) | Radar system with measurement domain tracking updates | |
| CN116625459A (zh) | 基于相参积累的液位雷达自适应调节方法、系统及介质 | |
| RU2030763C1 (ru) | Способ измерения радиолокационной отражаемости |
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 |