[发明专利]基于反向传播神经网络的大气延迟估计方法

权利要求书

1.一种基于反向传播神经网络的大气延迟估计方法，其特征在于：

步骤S1：从一幅SAR图像中选择存在连续大气延迟干扰像素点作为待观测区域；

步骤S2：生成训练样本集；

步骤S3：设计并训练神经网络，包括以下步骤：

步骤S31：构建一个依次连接的输入层、隐藏层和输出层的三层的神经网络，每层的节点数分别为7、12、1；

步骤S32：采用随机小值初始化方法初始化网络权值；

步骤S33：将训练样本集输入到神经网络中；

步骤S34：利用反向传播BP算法，对神经网络进行训练，当迭代次数达到1000或训练样本的均方误差小于10^-6时停止迭代，得到训练好的神经网络；

步骤S4：对待观测区域内所有像素点进行分类：将待观测区域中所有的已知大气延迟值像素点组成已知大气延迟值点集；将待观测区域中除了已知大气延迟值像素点之外的所有像素点作为未知大气延迟值像素点，组成未知大气延迟值点集；

步骤S5：获得一个新的已知大气延迟值像素点；

步骤S6：获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。

2.根据权利要求1所述的基于反向传播神经网络的大气延迟估计方法，其特征在于：步骤S2中所述生成训练样本集包括以下步骤：

步骤S21：提取待观测区域内每个已知大气延迟值像素点的数字高程；

步骤S22：从待观测区域内选取一个未选过的已知大气延迟值像素点；

步骤S23：利用平面距离计算公式，计算所选已知大气延迟像素点与其余每个已知大气延迟值像素点之间的平面距离，将平面距离按照升序排序，得到平面距离序列；

步骤S24：利用距离加权公式，计算所选已知大气延迟值像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值，将4个参考大气延迟值构成所选已知大气延迟值像素点的参考信息；

步骤S25：判断是否选完待观测区域内所有的已知大气延迟值像素点，若是，执行步骤S26，否则，执行步骤S22；

步骤S26：利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集。

3.根据权利要求2所述的基于反向传播神经网络的大气延迟估计方法，其特征在于：步骤S21中所述数字高程包括像素点在SAR图像的方位向坐标值、在SAR图像的距离向坐标值、高程值。

4.根据权利要求2或3所述的基于反向传播神经网络的大气延迟估计方法，其特征在于：所述步骤S5中所述获得一个新的已知大气延迟值像素点包括以下步骤：

步骤S51：从未知大气延迟值点集内选取一个未知大气延迟值像素点，利用平面距离计算公式，计算所选像素点与已知大气延迟值像素点集中每个像素点的平面距离，对平面距离按照升序排序，得到平面距离序列；

步骤S52：判断平面距离序列中第4个已知大气延迟值像素点的平面距离值是否大于1km，若是，则将该像素点放回未知大气延迟值点集中执行步骤S51，否则，执行步骤S53；

步骤S53：利用与步骤S24中相同的距离加权公式，计算所选像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值，将4个参考大气延迟值构成所选像素点的参考信息；

步骤S54：将所选像素点的数字高程与参考信息构成向量，将该向量输入训练好的神经网络，输出所选像素点大气延迟值，将所选像素点加入已知大气延迟值像素点集，将所选像素点从未知大气延迟值像素点集中删除；

步骤S55：判断未知大气延迟值点集是否为空集，若是，则执行下一步，否则，执行步骤S51。