[发明专利]一种基于机器学习参数补偿的激光雷达反演算法

权利要求书

1.一种基于机器学习参数补偿的激光雷达反演算法，其特征在于，所述方法包括：

步骤1，将激光雷达信号进行均匀分段后分成多个子信号，选取其中最优的第i个子信号反演获得气溶胶的消光系数与后向散射系数的边界值；

步骤2，使用随机生成的补偿参数集对气溶胶的后向散射系数进行参数补偿后，基于所述边界值以及所述补偿参数集对激光雷达信号进行反演，使用反演后的结果计算该补偿参数的性能评估参数；

步骤3，将每组补偿参数集及其对应的性能评估参数输入高斯过程模型进行机器学习，取值最小的所述性能评估参数对应的补偿参数集为最优预测补偿参数集。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中使用非线性自动分段算法将所述激光雷达回波信号分为多个均匀的子信号，通过判定规则选择得到最适合进行边界值拟合的信号后，使用双组分拟合的方法拟合获得边界值。

3.根据权利要求1所述的方法，其特征在于，所述步骤1还包括确定补偿点的位置：

经过分段后，分段点记为b(m)|m＝1,...,M，其中M是当前被分段的激光雷达回波信号的分段点总数；

分段点b(m)对应的距离单元即为所述补偿点的位置。

4.根据权利要求1所述的方法，其特征在于，所述步骤2中计算该补偿参数集的性能评估参数的过程包括：

步骤201，计算使用随机生成的补偿参数集得到补偿后的下一个距离单元的激光雷达距离修正信号

步骤202，基于所述距离修正信号使用总体卡尔曼滤波和Fernald方法同时进行数据同化和反演，得到降噪后的激光雷达距离修正信号X_denoised(i-1)，进而根据该降噪后的激光雷达距离修正信号X_denoised(i-1)获得整条路径上的降噪后的激光雷达距离修正信号X_denoised(i)；

步骤203,基于降噪后的激光雷达距离修正信号X_denoised(i)和原始的激光雷达距离修正信号X(i)构造性能评估函数F(p)：

5.根据权利要求4所述的方法，其特征在于，所述步骤201包括：

步骤20101，基于所述气溶胶的后散射系数的边界值β₁(i)以及随机生成的补偿参数p(i)计算下一个距离单元的气溶胶的后向散射系数β₁(i-1)的预测值：β₁(i-1)＝β₁(i)p(i)；

步骤20102，计算补偿后的相邻两个距离单元之间的距离修正激光雷达之间的比率

其中，Δr为激光雷达信号的距离分辨率，α₁(i)为气溶胶的消光系数的边界值，空气分子的后向散射系数β₂(i)与消光系数α₂(i)均为常数；

步骤20103，基于原激光雷达距离修正信号X(i)和距离噪声修正信息Std·r²(i)，使用蒙特卡洛方法获得激光雷达距离修正信号总体样本

步骤20104，计算补偿后的下一个距离单元的激光雷达距离修正信号

6.根据权利要求4所述的方法，其特征在于，所述步骤202在数据同化中，使用总体卡尔曼滤波的方法来减少所述距离修正信号的噪声；

在总体卡尔曼滤波器中，使用所述距离修正信号X(i-1)和距离修正噪声信息std·r²(i-1)作为输入参数来更新所述距离修正信号的样本求取总体样本的均值作为降噪后的激光雷达距离修正信号X_denoised(i-1)。