[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

说明书

本发明涉及一种基于机器学习参数补偿的激光雷达反演算法，包括：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个子信号反演获得边界值；基于边界值以及随机生成的补偿参数对激光雷达信号进行和反演，使用反演后的结果计算该补偿参数的性能评估参数；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，取值最小的性能评估参数对应的补偿参数集为最优预测补偿参数集；使用参数补偿的方法对总体卡尔曼滤波算法进行补偿，从而降低总体卡尔曼滤波反演结果与真实值的偏差；使用基于高斯过程模型的机器学习方法进行补偿参数估计，同步实现激光雷达信号去噪与反演，进而优化大气消光系数反演结果。

技术领域

本发明涉及激光雷达信号处理技术领域，尤其涉及一种基于机器学习参 数补偿的激光雷达反演算法。

背景技术

近几年，随着经济的迅速发展，环境的破坏也越来越严重，尤其是大气 的污染已严重影响到人们的身体健康和日常生活，因此对大气进行探测研究 显得更加重要。人们所熟知的大气能见度(Visibility)能够反映大气的透 明程度，是与大气探测相关的物理量之一。大气能见度是一个重要的气象观 测要素，能见度值的预报不仅用于气象部门的天气分析，更广泛应用于航空、 航海、高速公路等交通运输部门，军事以及环境监测等领域。而对大气能见 度的测量即等效于对气溶胶消光系数的测量。

激光雷达回波信号的信噪比，对气溶胶消光系数反演的准确性有着显著 的影响。通常大气激光雷达后向散射回波的动态范围很大，因而远距离的气 溶胶后向散射回波极其微弱，以至于有效的回波信号很容易被各种噪声信号 淹没，对消光系数反演的结果产生不利的影响，甚至导致无法反演。实际激 光雷达后向散射回波信号中所包含的三种噪声中，自然背景噪声和本地背景 噪声可以通过背景扣除的方法消除。而对于随机噪声则需要使用降噪算法来 进行抑制。研究人员们针对激光雷达回波信号降噪展开了研究，提出了多种 用于提升激光雷达回波信噪比的方法，基于总体卡尔曼滤波(EnKF)的方法 能够同步进行激光雷达回波信号降噪与反演，表现出较好的效果。但是基于 总体卡尔曼滤波的方法依然存在一些不足之处，主要表现为反演出的消光系 数廓线与真实值廓线存在明显偏移。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于机器学习参数补 偿的激光雷达反演算法，解决现有技术中反演出的消光系数廓线与真实值廓 线存在明显偏差的问题。

本发明解决上述技术问题的技术方案如下：一种基于机器学习参数补偿 的激光雷达反演算法，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。

本发明的有益效果是：一方面使用参数补偿的方法对总体卡尔曼滤波算 法进行补偿，从而降低总体卡尔曼滤波反演结果与真实值的偏差；另一方面 使用基于高斯过程模型的机器学习方法进行补偿参数估计，同步实现激光雷 达信号去噪与反演，进而优化大气消光系数反演结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，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。

进一步，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；