[发明专利]BP神经网络雨、雪、雾天气脉冲激光测距方法

说明书

本发明涉及脉冲激光测距，为实现在雨、雪、雾天气下的脉冲激光测距，能良好的抗干扰，在衰减严重和噪声明显的激光回波中提取波形的特征，检测出具体回波时刻，为此，本发明BP神经网络雨、雪、雾天气脉冲激光测距方法，包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距；具体过程如下：(1)、BP神经网络模型的训练：步骤1：将已有的回波图形作为训练集；步骤2将BP神经网络的权值、阈值置成接近于0的随机值；步骤3：对波形图片进行归一化预处理；步骤4：判别；步骤5：反向传播；步骤6：判断是否继续训练；步骤7：结果稳定存储；步骤8：验证。本发明主要应用于脉冲激光测距场合。

技术领域

本发明涉及脉冲激光测距，具体讲,涉及BP神经网络雨、雪、雾天气脉冲激光测距方法。

背景技术

随着技术的快速进步，脉冲激光测距技术广泛的应用于现代科技的各个领域，特别是在无人驾驶，智能机器人、激光雷达测绘、军事应用等领域。伴随使用场景的复杂度逐步提升，脉冲激光测距技术的瓶颈也越来越明显。在利用脉冲激光测量距离时，激光信号在往返测距系统和目标物体的过程中会有所衰减。特别是在雨、雪、雾天气条件下，由于水的吸收和反射作用，激光信号遇见水会发生严重的衰减，出现接收端的信号功率减小、光斑扩展及波形发生畸变等问题，从而降低了脉冲激光测距系统的性能，严重时甚至造成失效，因此如何在复杂天气环境实现准确测距是当下的技术难点。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。基本BP算法包括信号的前向传播和误差的反向传播两个过程。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。与传统的统计方法相比，BP神经网络不需要精确的数学模型，没有任何对变量的假设(如正态性、独立性等)要求，这样大大弥补了传统统计方法的不足，解决一些传统统计方法不能解决的问题。

参考文献

[1]何璠.基于BP人工神经网络的环境质量评价模型研究[D].四川大学,2006.

[2]郭婧.近场定距脉冲激光在降雨中的大气传输特性研究[D].南京理工大学,2012.

[3]邓伟.BP神经网络构建与优化的研究及其在医学统计中的应用[D].复旦大学,2002.

[4]潘秀娟.复杂环境下的激光成像及传输技术研究[D].北京交通大学,2017.

发明内容

为克服现有技术的不足，本发明旨在针对在雨、雪、雾复杂天气条件下的脉冲激光测距存在较大误差的问题，提出一种基于BP神经网络在雨、雪、雾天气下的脉冲激光测距方法。该方法具有良好的抗干扰能力，可以在衰减严重和噪声明显的激光回波中提取波形的特征，检测出具体回波时刻，从而实现在雨、雪、雾复杂天气条件下的精准测距。该方法可以应用于无人驾驶，激光雷达测绘等领域，打破天气因素的限制，具有极大的实用意义和极高的商业价值。为此，本发明采取的技术方案是，BP神经网络雨、雪、雾天气脉冲激光测距方法，包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距；具体过程如下：

(1)、BP神经网络模型的训练：

步骤1：将已有的回波图形作为训练集，其中波形的具体回波时刻是已知的；