[发明专利]BP神经网络雨、雪、雾天气脉冲激光测距方法

摘要

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。

主权项

1.一种BP神经网络雨、雪、雾天气脉冲激光测距方法，其特征是，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；步骤2将BP神经网络的权值、阈值置成接近于0的随机值，并初始化精度控制参数和学习速率；步骤3：对波形图片进行归一化预处理，作为输入层；利用不同卷积层的激活函数提取回波波形的轮廓低阶特征和更抽象高阶的特征；利用下采样层对特征降维，减小计算量；将最后获得1*1的特征图feature map乘以相应的权值再加上阈值，再通过激活函数对每一神经元进行运算，得到最终每个神经元的输出，形成输出层全连接层；步骤4：回波图形经过步骤1和2的处理会输出一组回波时刻的概率，当某一回波时刻概率大于0.7时，判定该时刻就是神经网络判断的回波时刻，由于实际的回波时刻与神经网络判断的回波时刻会有误差，所以需要更新神经网络的权值和阈值，如果实际的回波时刻与神经网络判断的回波时刻之间的误差在±0.2ns之内，证明神经网络的判断是正确的；步骤5：反向传播：对比实际的回波时刻与神经网络判断的回波时刻，计算出输出误差，通过反向传播的方法可以依次计算出每一层的神经元误差、权值误差和阈值误差，根据这些误差对神经网络的权值和阈值进行更新，使误差沿梯度方向下降；步骤6：前向传播和反向传播合称为一代迭代周期epoch，当神经网络经过训练后，整体输出的回波时刻与实际的回波时刻错误率小于2％时，代表训练完成，执行步骤7，否则重复步骤3到6，继续训练，调整权值和阈值；步骤7：当神经网络训练结果达到目标时，证明各个权值已经稳定，回波时刻判断模型完成，保存各层的权值和阈值；步骤8：将另外一组数据和标签作为测试集输入到BP神经网络模型中，对比输出结果与实际结果ground truth是否一致，验证模型的正确性，当测试的正确率达到80％以上时，证明模型是正确的，否则重新训练模型；(2)、将BP神经网络应用于实际脉冲激光测距系统：当BP神经网络模型训练好后，将其加入到脉冲激光测距系统中，用来检测回波时刻，测量距离，具体步骤如下：步骤1：脉冲激光器产生一束脉冲激光，打向目标物体；步骤2：脉冲激光透过雨滴，到达目标物体并返回；步骤3：雪崩光电二极管APD接收脉冲回波，经模数转化器ADC采样和后续电路波形复原，然后将回波波形输入到已经训练好的BP神经网络模型中，检测回波时刻；步骤4：利用步骤3得到的回波时刻，计算出脉冲激光从发射到接收的之间的时间差，然后利用时间换算距离TOF原理，计算出目标物体的距离；步骤5：重复上述步骤1至4即可实现连续完整的脉冲激光测距。