一种基于DNN的大气波导参数估计方法与流程

一种基于dnn的大气波导参数估计方法
技术领域
1.本发明涉及一种气波导参数估计方法，特别是一种基于dnn的大气波导参数估计方法，属于信号处理领域。


背景技术：

2.大气波导是近地大气环境中的典型事件。它们代表大气的异常状态。波导将电磁波捕获在特定的大气层中，并在超视距距离内传输波，且传播损耗低，这大大增强了无线电波的传播距离。它还会在td
‑
lte网络系统中造成长途同频干扰，这会严重影响城市的通信系统。
3.基于数值天气预报技术也能够得到大气波导预报信息，该技术受数值天气预报技术发展的制约，尚处于起步阶段。大气波导的探测又可分为接触式测量和遥感反演两种，前者是传统的大气波导探测技术，包括微波折射率仪测量、气象探空、火箭探空等；后者遥感反演大气波导是近年来研究的热点和难点，先后提出了雷达海杂波反演大气波导、gnss散射信号监测反演大气波导、激光雷达和微波辐射计探测大气波导等技术。
4.近年来，随着在深度学习领域不断的探索和研究，已经在语音识别、图像识别、自然语言领域取得比较大的成功。可以将深度学习应用于小样本大气波导参数估计，代替原有的探测技术，所以如何通过深度学习来提高精度优化算法，是一个需要解决的问题。


技术实现要素：

5.针对上述现有技术，本发明要解决的技术问题是提供一种基于dnn的大气波导参数估计方法，解决目前大气波导参数估计传统数学模型操作难度大、流程复杂等问题。
6.为解决上述技术问题，本发明的一种基于dnn的大气波导参数估计方法，包括以下步骤：
7.步骤1：电磁波传播损耗模型采用窄角抛物线方程进行建模，具体为：
[0008][0009]
其中，设沿电磁波水平传播方向为x轴，竖直方向为z轴，n(x,z)为折射指数，k0表示真空中的传播常数，u(x,z)满足：ψ(x,z)代表电场分量或者磁场分量；
[0010]
计算电磁波在波导中的传播损耗l，具体为：
[0011]
l＝l
f
‑
l
a
＝32.45+20lg f+20lg r
‑
20lg f
[0012]
其中，l
f
为电磁波自由空间传播损耗，l
a
为媒质传播损耗，r表示发射源和接收点之间的距离，f为波导中的传播因子，f表示频率；
[0013]
步骤2：建立网络训练集，在选定的水平范围内，每隔设定距离选取一个点采样得到电磁波功率并根据步骤1计算相对于发射点的传播损耗值，组成一组传播损耗序列值作
为网络的输入，天线信号选择单载频正弦信号s(t)，具体为：
[0014]
s(t)＝sin(2πf
i
)
[0015]
其中，f
i
为信号的频率，在训练集选取的频段范围内，按频段划分成多个小训练集，设置每个小训练集的信号频率相同大气波导高度，在大气波导高度范围内每隔给定高度选取一个点仿真得到多组数据，设定天线和接收机高度；
[0016]
步骤3：构建dnn支路，定义dnn的层和参数，具体为：dnn共有五层，包含输入层，输出层和三层隐藏层，每一层的输出定义为：
[0017][0018]
假设第l
‑
1层共有m个神经元，第l层共有n个神经元，则第l层的线性系数w组成了一个n
×
m的矩阵w
l
，第l层的偏置值b组成了一个n
×
l的向量b
l
,第l
‑
1层的的输出a组成了一个m
×
l的向量a
l
‑1，第l层的的未激活前线性输出z组成了一个n
×
l的向量z
l
，即为第l层的输出；
[0019]
激活函数均为relu函数，relu激活函数具体为：
[0020][0021]
步骤4：使用训练集训练模型，使用验证集评估模型，不断调整模型参数至满足精度要求，获得神经网络模型，具体为：损失函数采用二次损失函数为：
[0022][0023]
其中，y代表真实值，y
′
代表预测值，设置训练batch数量和测试batch数量；
[0024]
设定学习率初始值，采用指数衰减的自动调节学习率方式，通过dnn网络对信号加通道数据进行计算，输出天线信号的原始相位差；经过多次迭代训练，通过估计结果的误差调整dnn模型的各神经元的权重至误差满足精度要求，保存训练模型；
[0025]
步骤5：利用测试集对训练好的模型进行大气波导参数估计，输出大气波导高度估计结果。
[0026]
本发明的有益效果：本发明提出了一种基于深度神经网络的参数估计方法，基于蒸发波导的折射率分布，并结合深度学习，建立了利用无线电波信号功率衰减与大气波导参数之间的网络映射模型。将该模型应用于大气高度估计反演问题，并对反演结果进行分析，验证了深度学习在反演问题中的可行性，更进一步利用小样本的稀疏频点无线电波信号对网络进行训练，从而达到全频率无线电波信号下的估计。
[0027]
本发明将用dnn网络取代传统的数值计算方法。使用网络替代数值计算方法，可以解决数值计算的精度低且耗时长的缺点，在较远距离处也可以去的准确的预测结果，更进一步地，可以利用稀疏点频率训练而获得连续频率估计的结果。
附图说明
[0028]
图1为本发明的大气波导参数估计实验数据采集示意图；
[0029]
图2为本发明的总系统结构框图；
[0030]
图3为本发明的实验流程图；
[0031]
图4为本发明的最小均方误差随训练步数的梯度下降图；
[0032]
图5为本发明的测试实验网络输出和真实值的误差的结果图；
具体实施方式
[0033]
下面结合附图对本发明具体实施方式做进一步说明。
[0034]
本发明提出了一种基于深度学习dnn网络的大气波导参数方法，利用dnn网络提取大气波导中信号的衰减特征，将参数估计问题转化为dnn网络特征提取问题，找出不同距离上的无线电波信号衰减和大气波导参数之间的映射关系。建立x波段信号在大气波导中的传播模型，将在不同距离下的功率采样点作为输入，通过稀疏频点的无线电波信号进行大气波导参数估计，从而达到连续频率的大气波导参数估计。本发明不专门研究dnn网络本身，而是针对已经比较成熟的神经网络的结构和参数进行修改，使之适用于训练接收机接收的信号。
[0035]
本次发明的技术方案为一种基于dnn的大气波导参数估计方法，该发明包括如下步骤：
[0036]
步骤一：这里对于大气波导影响下的信号衰减的建模使用抛物方程法。由于电磁波在波导中的陷获角比较小，这里使用窄角抛物方程。设沿电磁波水平传播方向为x轴，竖直方向为z轴。电磁波沿x轴进行传播，z轴代表高度，当传播介质为各向同性且折射指数为n(x,z)时，变换maxwell方程组得到一个二维波动方程，如(1)所示:
[0037][0038]
其中k0表示真空中的传播常数，参数ψ代表电场分量或者磁场分量，引入一个简化函数，如下所示：
[0039][0040]
其中i为虚数。该函数仅描述电场或者磁场分量的振幅变化，而与相位变化无关。将其带入(1)中可得：
[0041][0042]
对上式进行因式分解可得：
[0043][0044][0045]
式(4)可以分解为：
[0046]
[0047][0048]
式(6)是前向抛物方程，式(7)是后向抛物方程，分别应用于向前或向后传播的电磁波。这里只研究前向抛物方程(6)的解。将微分算子q进行泰勒展开：
[0049][0050]
将(8)代入(6)中得到：
[0051][0052]
式(9)就是计算小仰角条件下传播特性时所用的窄角抛物线方程。
[0053]
电磁波在波导中的传播损耗l由两部分构成，其中一部分为电磁波自由空间传播损耗l
f
；另一部分为由传播介质和障碍物反射和吸收电磁波引起的损失，称为媒质传播损耗l
a
。
[0054]
l
f
可以通过天线的发射功率p
t
与接收功率p
r
的比来定义，在对数域中表示如下：
[0055][0056]
其中p
t
和p
r
还具有如下关系，r表示发射源和接收点之间的距离:
[0057][0058]
l
a
则与波导中的传播因子f有关，关系如下：
[0059][0060]
u(x,z)是根据抛物方程(9)计算得来，x表示水平传播距离。
[0061]
根据上述分析，结合两部分，最终传播损耗l可表示为:
[0062]
l＝l
f
‑
l
a
＝32.45+20lg f+20lg r
‑
20lg f
ꢀꢀꢀ
(13)
[0063]
其中f表示频率，单位为mhz,r的单位是km。
[0064]
步骤二：网络的训练集，结合图2进行说明。电磁波传播损耗模型将选择以上说明的抛物方程模型，输入的传输损耗数据由公式(13)计算而来，在3km到53km的水平范围内，每隔200m选取一个点采样得到电磁波功率并计算相对于发射点的传播损耗值，最终共选取250个数值组成一组传播损耗序列值作为网络的输入，天线信号选择简单的单载频正弦信号s(t)，如下式：
[0065]
s(t)＝sin(2πf
i
)
ꢀꢀꢀ
(14)
[0066]
f
i
为信号的频率，此发明训练集选取频段为1到10ghz，每1ghz作为一个小训练集，每个小训练集的信号频率相同大气波导高度设置为1到40m，每隔1m选取一个点仿真得到20组数据，天线和接收机高度均为15m。
[0067]
表1：实验关键参数
[0068][0069][0070]
步骤三：构建dnn支路，定义dnn的层和参数
[0071]
这里定义dnn共有五层，包含输入层，输出层，三层隐藏层，每一层的输出定义为
[0072][0073]
假设第l
‑
1层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n
×
m的矩阵w
l
,第l层的偏置值b组成了一个n
×
l的向量b
l
,第l
‑
1层的的输出a组成了一个m
×
l的向量a
l
‑1，第l层的的未激活前线性输出z组成了一个n
×
l的向量z
l
，即为第l层的输出。
[0074]
激活函数均为relu函数，相比sigmoid函数与tanh函数，能克服梯度消失问题和加快训练速度，并且可以激活其稀疏性。relu激活函数如下图所示：
[0075][0076]
步骤四：使用训练集训练模型，使用验证集评估模型，不断调整模型参数，从而获得最佳的神经网络模型。损失函数采用二次损失函数，公式如式(17)，y代表真实值，y'代表预测值。训练batch大小设置512，测试batch大小为256。
[0077][0078]
学习率初始值为0.000001，采用指数衰减的自动调节学习率方式。通过dnn网络对信号加通道数据进行计算,输出天线信号的原始相位差；经过多次迭代训练，通过估计结果的误差调整dnn模型的各神经元的权重，保存训练模型。
[0079]
步骤五：利用测试集对训练好的模型进行大气波导参数估计，输出大气波导高度估计结果。测试集信号选取如公式(14)，f
i
则1到10ghz，每隔100mhz取一个值，波导高度为1到40m，每隔1m选取一次，进行测试。最后以100个测试集的随机数据为一轮测试，对输出的相位差求标准差，得到结果。
[0080]
[0081]
公式(18)为所求标准差的公式，同式(17)y代表真实值，y'代表预测值。
[0082]
结合图3对网络的性能进行进一步的仿真验证：
[0083]
1.实验场景：本实验采用python语言搭建网络，基于tensorflow对模型进行训练。仿真平台使用spyder软件进行性能验证。训练集为g，信号频率从1到10ghz每1ghz选取一个点的频点设置，天线和接收机高度均为15m，波导高度为1到40m，每隔1m选取一次，每个样本重复50次，总共20000组训练数据。使用深度神经网络训练后，保存网络权值偏移等变量，使用测试集进行测试。测试集g(m)为，信号频率1到10ghz，每隔100mhz取一个值，波导高度为1到40m，每隔1m选取一次，总共4000组测试数据，最后以100个测试集的随机数据为一轮测试，在网络训练过程中放入网络进行测试得到网络输出和真实值的误差，以便可以看出网络的变化以及最终网络的效果。
[0084]
2.实验内容分析
[0085]
由图4可以看出随训练步数的mse的变化，可以看出最后训练和测试的mse都接近0；图5表示在训练的过程中把测试数据放入网络将网络和真实值的大气波导进行误差分析，可以看出随着训练次数的增加，网络输出误差迅速减小，最终平稳在0.5以内，表明网络效果很好。