主动微波去噪的山区雨强反演方法与流程

本发明涉及主动微波去噪的山区雨强反演方法是，属于气象领域。

背景技术：

1、现有的单链路无线微波雨强反演方法，多数是通过在移动通信基站上架设定向超高频无线微波设备，进行点对点发射超高频微波信号；然后由接收端记录下微波信号的强度，计算过程将干空气、风、雾、大气颗粒造成衰减量确定为基础衰减，利用滑动窗口法或采用智能算法计算基础衰减量；将扣除基础衰减后的雨衰减量输入itu-r模型反演得到雨强。现有的这些去噪方法无法精准计算及实时消除山区风、雾条件突变对微波信号的干扰，同时受移动基站位置与数量的限制，大多数情况与雨量站距离较远，难以利用雨量站数据对反演结果进行校正，无法满足高精度的单链路反演结果要求与进一步的构建较为精确的二维雨量场的要求。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供一种主动微波去噪的山区雨强反演方法，利用相位相反、振幅相同的微波信号叠加抵消的特性，结合智能算法精确预测，解决现有技术对山区多变的风、雾条件造成的衰减去除困难的技术问题。

2、技术方案：为解决上述技术问题，本发明的主动微波去噪的山区雨强反演方法，包括以下步骤：

3、步骤s1:实地考察，搭建微波链路，平稳运行一段时间后收集各种天气条件下的微波接受信号；

4、步骤s2:将预处理后的微波衰减按进行聚类辛几何模态分解，比较不同组信号，剔除相似成分，得到由风、雾导致衰减的两组衰减时频图；

5、步骤s3:将两组时频图分别按照8：2分为训练集、验证集，将训练集数据输入lm-bp神经网络训练得到t-1时刻和t时刻分解风、雾衰减图像频谱和相位与t+1时刻衰减图像频谱和相位的对应关系，利用验证集验证；

6、步骤s4:由上一时刻及本时刻的衰减信号预测下一时刻由风、雾条件造成的衰减图像，主动微波发送端实时响应发送可与对应衰减图像抵消的微波信号，实现去噪，利用雨衰模型反演。

7、进一步的，在步骤s1中，收集的微波信号包括雨、风、雾、雨+风、雨+雾、风+雾、雨+风+雾、无干扰因素等7种天气条件组合下的微波接受信号。

8、进一步的，在步骤s2中，微波衰减的聚类辛几何模态分解过程包括：

9、通过原始信号的时间序列x＝{x1,x2…,xn}构造轨迹矩阵其中n为序列长度，d为嵌入维数，τ为延迟时间且一般设置为1，m＝n-(d-1)τ；

10、对轨迹矩阵进行自相关分析，得到矩阵a＝xtx并得到矩阵a对应的特征向量矩阵pi(i＝1,2,…,d)，则初始单分量重构矩阵zi＝pipitxt；

11、使用对角平均化方法将初始单分量重构矩zi转化为长度为n的一维时间序列yi；

12、引入k-means聚类方法对yi进行重组。获得独立的辛几何分量；

13、比较不同分量，剔除相似成分，分别得到由风、雾导致衰减的衰减时频图。

14、进一步的，在步骤s3中，所述lm-bp神经网络是一类优化型的bp神经网络，它沿袭了传统bp神经网络的结构、连接方式、还有误差传递方式，并将高斯-牛顿法与梯度下降法相结合形成的算法替换bp神经网络的单一梯度下降法；

15、所述lm-bp神经网络输入层含有2个神经元，输出层含有2个神经元，为了训练出准确率更高的网络模型，设置了2层隐含层，隐含层节点数均为6；

16、隐含层引入relu激活函数，输出层使用softmax分类函数。

17、进一步的，在步骤s3中，训练所述lm-bp神经网络包括：

18、将所述样本集按照比例8：2随机分为训练集和验证集；

19、模型的学习速率设定为0.05，训练精度目标设定为0.002，最大迭代次数设定为800，若相邻两次训练结果的准确率相差小于0.002，则训练结束，或者训练800次后自动停止迭代；

20、用验证集对更新后的lm-bp神经网络进行预测效果的测试，并根据精度更新调整网络参数；

21、基于训练好的lm-bp神经网络，获得t-1时刻和t时刻分解风、雾衰减图像频谱和相位与t+1时刻衰减图像频谱和相位的对应关系

22、进一步的，在步骤s4中：

23、链路实际投入运行后，根据上一时刻及本时刻的衰减信号预测下一时刻相应风、雾的衰减图像；

24、叠加风和雾造成的衰减图像，得到综合风雾影响的衰减图像频率及相位；

25、主动微波发送器实时发送可与风雾衰减相抵消的主动微波，实现去噪；

26、下一时刻接收端收到的衰减信息为净雨衰减量，利用itu-r模型进行雨强反演，去噪方法依靠主动微波，解决了现有的神经网络去噪多用于直接预测降水因子强度，利用神经网络预测风雾等干扰因子，实时获得下一时刻的纯净雨衰信息。

27、有益效果：本发明的主动微波去噪的山区雨强反演方法，通过接收端主动发送微波抵消山区多变的风、雾条件造成的衰减，获取净雨衰减量，与现有方法相比，对干扰信号的处理具有实时性、独立性，无需后续根据气象站信息矫正，弥补传统方法基础衰减误差较大的不足；利用聚类辛几何分解方法对接收信号进行分解，提取的有效信号分量失真程度和频率混淆程度更低，分解效果更好且提取出来的倍频信息更加丰富；lm-bp神经网络具有收敛速度较快的优点，同时在全局收搜寻最优解时陷入局部最优的概率较小，提高训练的准确率；此外，本发明所需设备安装能够充分利用现有商业微波发射塔，适用性强，投资小，效率高，适合推广使用。

技术特征：

1.一种主动微波去噪的山区雨强反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的主动微波去噪的山区雨强反演方法，其特征在于，在步骤s1中，收集的微波信号包括雨、风、雾、雨+风、雨+雾、风+雾、雨+风+雾、无干扰因素7种天气条件组合下的微波接受信号。

3.根据权利要求1所述的主动微波去噪的山区雨强反演方法，其特征在于，在步骤s2中，聚类辛几何模态分解过程如下：

4.根据权利要求1所述的主动微波去噪的山区雨强反演方法，其特征在于，在步骤s3中，所述lm-bp神经网络是一类优化型的bp神经网络，所述lm-bp神经网络输入层含有2个神经元，输出层含有2个神经元，设置了2层隐含层，隐含层节点数均为6；隐含层引入relu激活函数，输出层使用softmax分类函数。

5.根据权利要求4所述的主动微波去噪的山区雨强反演方法，其特征在于，在步骤s3中，训练所述lm-bp神经网络包括：

6.根据权利要求1所述的主动微波去噪的山区雨强反演方法，其特征在于，在步骤s4中：

技术总结
本发明公开了一种主动微波去噪的山区雨强反演方法，包括：搭建微波链路，平稳运行一段时间后收集各种天气条件下的微波接受信号；将预处理后的微波衰减按进行聚类辛几何模态分解，比较不同组信号，剔除相似成分，得到由风、雾导致衰减的两组衰减时频图；将两组时频图分别按照8：2分为训练集、验证集，将训练集数据输入LM‑BP神经网络训练得到t‑1时刻和t时刻分解风、雾衰减图像频谱和相位与t+1时刻衰减图像频谱和相位的对应关系，利用验证集验证。本发明充分利用毫米波雷达全向发射信号的特性，结合雨衰减特性反演雨强，弥补现有单发单收链路的不足。本发明利用主动微波消除山区微波链路收到的风、雾干扰，弥补现有基础衰减消除方式的不足。

技术研发人员：周保红,张微,欧思程,王辉,李檬,杨锦辉,刘道君,陈渝青,杨涛,郑鑫
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：
技术公布日：2024/2/19