一种激光雷达电磁环境效应预测方法及系统

本发明涉及电磁环境效应预测领域，特别是涉及一种激光雷达电磁环境效应预测方法及系统。

背景技术：

激光雷达是在光电辐射探测和传统雷达基础上发展起来的主动成像技术。随着激光雷达技术的发展，激光雷达在末端制导、激光主动寻的、伪装下的装甲车辆探测、行星探测器自动登陆和飞行器防撞等领域有着广阔的应用。激光雷达探测光束发散角通常为几十毫弧度，只有恰好在激光探测光路上才能被干扰和监听，相对于传统雷达具有更强的空间抗干扰能力和保密性，展现了良好的军事应用前景。

同时随着科技的迅速发展，各种电子设备如雷达电子设备、通信电子设备的频谱越来越宽，功率越来越大，采用的信号样式的种类也越来越多，这就使得激光雷达面临的电磁环境日益复杂多变，这就要求激光雷达需要在在复杂的电磁环境下的进行严苛的考验。电磁环境效应是指电磁环境对电子设备(系统)的影响作用。电磁干扰是复杂电磁环境的一个组成部分，电磁环境效应分析与预测研究的是在不同的电磁环境下，电子设备或系统的工作所收到的影响，以及他们之间的作用规律。然而在复杂电磁环境下激光雷达的电磁环境效应评估的过程中，由于不能够穷尽所有的电磁信号参数组合，存在电磁环境效应评估不全面的问题。

现有的对电磁环境效应的预测多是使用传统的简单数学模型和单个的算法模型，但是电磁环境效应的规律多出现为非线性、模糊性、不确定性等特点，因此使用传统的简单的数学模型并不能很好的处理该问题，单算法模型存在较差的鲁棒性和不高的泛化能力问题。

技术实现要素：

本发明的目的是提供一种激光雷达电磁环境效应预测方法及系统，以全面对电磁环境效应进行预测，提高预测模型的鲁棒性。

为实现上述目的，本发明提供了如下方案：

一种激光雷达电磁环境效应预测方法，包括：

基于堆叠技术构建电磁环境效应预测模型；所述电磁环境效应预测模型为采用堆叠技术将k近邻算法、决策树算法、梯度提升树算法和极值梯度提升算法融合构建的模型；

获取激光雷达未受干扰时的点云测试数据；

获取样本数据；所述样本数据为所述激光雷达在不同干扰条件下的电磁环境效应阈值；

基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型；

将待预测的干扰条件和所述未受干扰时的点云测试数据输入所述训练好的电磁环境效应预测模型，输出待预测的干扰条件下电磁环境效应阈值；所述干扰条件包括干扰信号的样式、干扰信号的频率和天线极化方向。

可选的，所述电磁环境效应预测模型中包括基分类器和次分类器，所述基分类器包括k近邻算法分类器、梯度提升树算法分类器和极值梯度提升算法分类器，所述次分类器为决策树算法分类器。

可选的，所述获取样本数据，具体包括：

对所述激光雷达开展连续波电磁干扰辐照效应试验，获取不同干扰条件下的点云数据；

对所述点云数据进行预处理，得到处理后的点云数据；

根据所述处理后的点云数据，计算每个干扰条件下的电磁环境效应阈值；

基于所述处理后的点云数据，构建训练样本和测试样本。

可选的，所述基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型，之前还包括：

确定所述电磁环境效应预测模型的评估指标；所述评估指标包括预测准确率、kappa系数和海明距离。

本发明还提供一种激光雷达电磁环境效应预测系统，包括：

电磁环境效应预测模型构建模块，用于基于堆叠技术构建电磁环境效应预测模型；所述电磁环境效应预测模型为采用堆叠技术将k近邻算法、决策树算法、梯度提升树算法和极值梯度提升算法融合构建的模型；

点云测试数据获取模块，用于获取激光雷达未受干扰时的点云测试数据；

样本数据获取模块，用于获取样本数据；所述样本数据为所述激光雷达在不同干扰条件下的电磁环境效应阈值；

训练模块，用于基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型；

电磁环境效应阈值预测模块，用于将待预测的干扰条件和所述未受干扰时的点云测试数据输入所述训练好的电磁环境效应预测模型，输出待预测的干扰条件下电磁环境效应阈值；所述干扰条件包括干扰信号的样式、干扰信号的频率和天线极化方向。

可选的，所述电磁环境效应预测模型中包括基分类器和次分类器，所述基分类器包括k近邻算法分类器、梯度提升树算法分类器和极值梯度提升算法分类器，所述次分类器为决策树算法分类器。

可选的，所述样本数据获取模块，具体包括：

连续波电磁干扰辐照效应试验单元，用于对所述激光雷达开展连续波电磁干扰辐照效应试验，获取不同干扰条件下的点云数据；

预处理单元，用于对所述点云数据进行预处理，得到处理后的点云数据；

电磁环境效应阈值计算单元，用于根据所述处理后的点云数据，计算每个干扰条件下的电磁环境效应阈值；

样本数据构建单元，用于基于所述处理后的点云数据，构建训练样本和测试样本。

可选的，还包括：

评估指标确定模块，用于在基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型之前，确定所述电磁环境效应预测模型的评估指标；所述评估指标包括预测准确率、kappa系数和海明距离。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

引起激光雷达测试精度降低的因素包含干扰信号样式、频率，由于这两种影响因素与激光雷达效应阈值之间的关系都为非线性，采用传统的确定性分析方法难以展开非线性的预测建模，且通过试验测试得到所有单源电磁干扰下激光雷达的效应阈值，工作量巨大，不易实现。因此，本发明可以通过构建原始试验数据样本，利用机器学习的方法进行训练建模，并通过优化电磁环境效应预测模型可以实现对激光雷达在不同电磁敏感参数下(包括干扰信号类型和干扰信号频率、天线极化方向)效应阈值的预测，从而减少通过大量试验确定激光雷达效应阈值的工作量，实现全面对电磁环境效应进行预测的效果，同时本发明基于堆叠技术构建的电磁环境效应预测模型鲁棒性能好。

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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明激光雷达电磁环境效应预测方法的流程示意图；

图2为本发明激光雷达电磁环境效应预测系统的结构示意图；

图3为本发明具体实施例的流程框图；

图4为本发明具体实施例中连续波电磁环境效应试验系统的结构示意图；

图5为本发明具体实施例中不同模型的训练误差对比图。

具体实施方式

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，所描述的实施例仅仅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做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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明激光雷达电磁环境效应预测方法的流程示意图。如图1所示，本发明激光雷达电磁环境效应预测方法包括以下步骤：

步骤100：基于堆叠技术构建电磁环境效应预测模型。本发明的电磁环境效应预测模型为采用堆叠技术(stacking)将k近邻算法(knn)、决策树算法(dt)、梯度提升树算法(gbdt)和极值梯度提升算法(xgboost)融合构建的模型，该堆叠技术为使用stacking框架组成的融合算法，形成xgb-gbdt-knn-dt融合模型。构建的电磁环境效应预测模型中xgb、gbdt、knn算法作为基分类器，dt作为次分类器。

步骤200：获取激光雷达未受干扰时的点云测试数据。

步骤300：获取样本数据。样本数据为激光雷达在不同干扰条件下的电磁环境效应阈值。本发明通过对激光雷达开展连续波电磁干扰辐照效应试验。实时记录干扰设备和受试设备的信号数据，进而得到不同干扰条件下的点云数据，进而确定对应干扰条件下的电磁环境效应阈值。具体过程为：

首先，对激光雷达开展连续波电磁干扰辐照效应试验，调节干扰条件，记录各个干扰条件下的点云数据，对所有收集到的数据进行格式化存储。

然后，对存储的点云数据进行预处理，包括异常点处理、样本均衡化和数据标准化三部分。异常点处理：激光雷达探测系统在探测扫描的过程中存在缝隙、不光滑面等问题不可避免的会出现异常点，异常点的存在会影响预测模型的准确性，本发明使用kmeans算法对异常点进行过滤。样本均衡化：样本类别不均衡导致样本量较少的分类中包含的特征很少，寻找规律比较难，训练好模型后，容易与少量的数据样本产生依赖导致过拟合的问题，使用该模型对新的数据进行预测，会得到较差的准确性，所以要对数据集进行均衡化的操作，本发明采用的是smote算法来解决数据集样本不均衡的问题。数据标准化：为了消除数值对计算结果的影响，可以将数据缩放到指定到的区间，对数据集进行标准化处理，本发明使用的是z-score标准化，对特征进行缩放使得特征具有均值为0，方差为1的标准化的正太分布特性。

最后，基于预处理后的点云数据，结合激光雷达未受干扰时的点云测试数据确定不同干扰条件下的电磁环境效应阈值，将电磁环境效应阈值作为分类标签，将预处理后的点云数据根据构建的数据样本量划分为训练样本和测试样本。在不同干扰信号类型、不同频率下激光雷达的效应阈值存在以下特点：(1)不同干扰信号类型，频率相同，激光雷达的效应阈值不同。(2)相同干扰信号类型，频率不同，激光雷达的效应阈值不同，两者之间为非线性变化。(3)相同干扰信号类型，频率相同，天线极化方向不同，激光雷达的效应阈值不同，两者之间为非线性变化。

这是由于激光雷达非用频设备，在不同干扰信号作用时，受到干扰的是电路板上不同的器件，由于器件不同，不同器件敏感信号不同，效应阈值不同。

步骤400：基于样本数据和未受干扰时的点云测试数据对电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型。训练过程中采用评估指标对电磁环境效应预测模型进行评估，直到评估指标满足要求即为训练完成。本发明采用的评估指标包括预测准确率、kappa系数和海明距离。

预测准确率，是分类预测正确的结果与总的分类样本个数的百分比。如下公式所示：

其中，tp是模型预测结果为正的正样本个数，fp是模型预测结果为正的负样本个数，fn是模型预测结果为负的正样本个数，tn是模型预测结果为负的负样本个数。

kappa系数，取值的范围是[-1,1]，kappa系数越大，代表模型分类结果越准确。如下公式所示：

其中，po表示总共的分类精度，pe表示(第i类真实样本的个数乘以预测样本个数)/样本总数的平方。

海明距离，是用来衡量预测标签和真实标签之间的距离，取值范围是[0,1]，距离为0，则表明真实结果和预测结果相同；距离为1，则表示真实结果和预测结果完全相反，海明距离越小越好。如下公式所示：

其中，在给定的样本i中，是第j个标签的预测结果，yij是真实结果，l是标签的数量。

步骤500：将待预测的干扰条件和未受干扰时的点云测试数据输入训练好的电磁环境效应预测模型，输出待预测的干扰条件下电磁环境效应阈值。干扰条件包括干扰信号的样式、干扰信号的频率和天线极化方向。

基于上述方案，本发明还提供一种激光雷达电磁环境效应预测系统，图2为本发明激光雷达电磁环境效应预测系统的结构示意图。如图2所示，本发明激光雷达电磁环境效应预测系统包括：

电磁环境效应预测模型构建模块201，用于基于堆叠技术构建电磁环境效应预测模型；所述电磁环境效应预测模型为采用堆叠技术将k近邻算法、决策树算法、梯度提升树算法和极值梯度提升算法融合构建的模型。

点云测试数据获取模块202，用于获取激光雷达未受干扰时的点云测试数据。

样本数据获取模块203，用于获取样本数据；所述样本数据为所述激光雷达在不同干扰条件下的电磁环境效应阈值。

训练模块204，用于基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型。

电磁环境效应阈值预测模块205，用于将待预测的干扰条件和所述未受干扰时的点云测试数据输入所述训练好的电磁环境效应预测模型，输出待预测的干扰条件下电磁环境效应阈值；所述干扰条件包括干扰信号的样式、干扰信号的频率和天线极化方向。

作为具体实施例，本发明的激光雷达电磁环境效应预测系统中，所述样本数据获取模块203，具体包括：

连续波电磁干扰辐照效应试验单元，用于对所述激光雷达开展连续波电磁干扰辐照效应试验，获取不同干扰条件下的点云数据。

预处理单元，用于对所述点云数据进行预处理，得到处理后的点云数据。

电磁环境效应阈值计算单元，用于根据所述处理后的点云数据，计算每个干扰条件下的电磁环境效应阈值。

样本数据构建单元，用于基于所述处理后的点云数据，构建训练样本和测试样本。

作为具体实施例，本发明的激光雷达电磁环境效应预测系统，还包括：

评估指标确定模块，用于在基于所述样本数据和所述未受干扰时的点云测试数据对所述电磁环境效应预测模型进行训练，得到训练好的电磁环境效应预测模型之前，确定所述电磁环境效应预测模型的评估指标；所述评估指标包括预测准确率、kappa系数和海明距离。

下面提供一个具体实施案例，进一步说明本发明的上述方案，本实施例选择一种无人机、无人车常用的离轴激光雷达作为被测设备。图3为本发明具体实施例的流程框图，如图3所示，本实施例包括以下步骤：

步骤1：构建连续波电磁环境效应试验系统，将被测激光雷达放在天线前方1米处，探测板放在激光雷达前方，通电使其正常工作，保存不加干扰时的点云数据。构建连续波电磁环境效应试验系统如图4所示，由屏蔽室、高频信号发生器smr20、功率放大器、定向耦合器、喇叭天线、功率计、场强计、场强监测用电脑、探测板(木质平面板)等构成。将被测激光雷达、给雷达供电的电池、用于探测用的探测板、监测场强的场强计、辐射电磁波的喇叭天线放在屏蔽室内部，将喇叭天线与定向耦合器通过大功率同轴线缆连接，通过喇叭天线将干扰电磁波辐射出去；将激光雷达和装有数据监测软件的电脑通过网线连接，用来监测激光雷达的工作状态；将场强计和装有场强监测软件的电脑通过光纤连接，用来监测辐射到激光雷达的场强。

步骤2：基于构建的连续波电磁环境效应试验系统，进行不同干扰条件的试验，实时收集实验记录数据。具体过程如下：

step1：设置信号发生器smr20产生的信号(包括信号样式、幅度、频率等)、设置功率放大器增益产生的连续波干扰信号。

step2：设置天线极化方向，打开信号发生器smr20、功率放大器输出连续波干扰信号；

step3：调整辐射场信号类型、频率、场强，辐射激光雷达，记录激光雷达在不同干扰下的点云数据；

step4：重复step1-step3，记录激光雷达处于性能边界时的干扰信号参数，记录相应干扰条件下的电磁环境效应阈值，即激光雷达测试结果。

步骤3：数据预处理。包括异常点处理、样本均衡化和数据标准化三部分。

步骤4：确定stacking模型输入参数及构建试验数据样本。通过前述的电磁干扰效应试验结果分析，得知干扰信号的样式、频率、天线极化方向、激光雷达未受干扰时的点云测试结果作为预测的输入。因此将这4个参数设定为模型输入参数。由于激光雷达成像过程基本相似，因此只选取单线离轴激光雷达为试验对象，以上述4个参量作为试验时的可调变量，开展电磁干扰效应试验，得到激光雷达的效应阈值，最终构建数据样本量为135658组，将其中的108,527组(样本量的80％)作为训练样本，27,131组(样本量的20％)作为测试样本。

步骤5：确定评估指标，基于该评估指标进行stacking模型训练。评估指标包括准确率、kappa系数和海明距离，利用评估指标对电磁环境效应的预测效果进行评估。将训练样本中的4个参量作为模型输入，激光雷达的效应阈值作为模型输出，将xgb、gbdt、knn算法作为基分类器，dt作为次分类器。对基分类器的各个模型进行训练，将基分类器的预测结果作为新的训练集，不断优化调整模型参数，并确定最优参数，得到后验模型。

步骤6：基于训练好的stacking模型对不同干扰条件下的电磁环境效应阈值进行预测。

为了显示stacking(xgb-gbdt-knn-dt)模型预测结果的优越性，在stacking模型训练过程中对adb、svc、rf、dt、xgboost、gbdt、knn模型同步进行了训练，由于训练数据样本量较大，故只取前108,527组数据进行展示。图5为不同模型的训练误差，图5中(a)部分为adb模型真实值和预测值拟合图，准确率值为0.7360,hamming值为0.2639，kappa系数值为0.6480；图5中(b)部分为svc模型真实值和预测值拟合图，准确率值为0.8150,hamming值为0.1849，kappa系数值为0.7534；图5中(c)部分为rf模型真实值和预测值拟合图，准确率值为0.8717,hamming值为0.1282，kappa系数值为0.8290；图5中(d)部分为dt模型真实值和预测值拟合图，准确率值为0.8850,hamming值为0.1149，kappa系数值为0.8467；图5中(e)部分为xgb模型真实值和预测值拟合图，准确率值为0.9085,hamming值为0.0914，kappa系数值为0.8780；图5中(f)部分为gbdt模型真实值和预测值拟合图，准确率值为0.9497,hamming值为0.0502，kappa系数值为0.9329；图5中(g)部分为knn模型真实值和预测值拟合图，准确率值为0.9636,hamming值为0.0363，kappa系数值为0.9515；图5中(h)部分为本发明stacking(xgb-gbdt-knn-dt)模型融合真实值和预测值拟合图，准确率值为0.9663,hamming值为0.0336，kappa系数值为0.9550。从图5中可以看出，对于激光雷达效应阈值的训练误差，(xgb-gbdt-knn-dt)模型的训练精度高于adb、svc、rf、dt、xgboost、gbdt、knn模型的训练精度，且模型精度低于国军标规定的允差范围±3db之内之内，满足实际的需求。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。