一种基于极化功率矩阵特征值的昆虫特征参数反演方法技术

本发明专利技术公开了一种基于极化功率矩阵特征值的昆虫特征参数反演方法,基于对极化散射矩阵的极化不变量的研究，发现了Graves功率矩阵的两个特征值λ1、λ2(λ1≥λ2)分别与大昆虫和小昆虫的体长、体重有较强的相关关系，从而提出了用大昆虫的λ1和小昆虫的λ2反演昆虫体长、体重的方法，并给出了区分大昆虫和小昆虫的方法；首次实现了昆虫体长参数的测量，其反演体重的误差低于传统方法反演体重的误差，显著提升了VLR对昆虫生物学参数的测量能力，将大大提高对迁飞昆虫的种类识别能力，对于空中生态系统的研究和害虫的治理具有重要意义。

An inversion method of characteristic parameters of insect based on the eigenvalue of polarization power matrix

The invention discloses an insect characteristic parameter inversion method of polarization power matrix eigenvalue based on the research of polarization invariant polarization scattering matrix based on the discovery of two characteristics of Graves power matrix lambda 1, lambda 2 (lambda 1 = lambda 2) respectively with large insects and small insect body length and body weight there is a strong correlation, and a method is proposed for large insects and small insects of the lambda 1 lambda 2 inversion insect body length and body weight, and gives a method to distinguish large insects and small insects; for the first time to realize the measurement of insect body length parameters, the error is lower than the traditional method of weight inversion error inversion weight, significantly enhance the ability of measuring insect biological parameters of VLR, will greatly enhance the ability to identify species of migratory insects, is of great significance for the governance research and pest air ecosystem.

【技术实现步骤摘要】
一种基于极化功率矩阵特征值的昆虫特征参数反演方法
本专利技术属于昆虫雷达
，具体涉及一种基于极化功率矩阵特征值的昆虫特征参数反演方法。
技术介绍
雷达是监测昆虫空中迁飞的最有效手段之一，20世纪六十年代，扫描昆虫雷达的出现，发现了昆虫聚集成层现象，极大的推进了迁飞昆虫学的研究；20世纪七十年代，垂直昆虫雷达(VLR，VerticalLookingRadar)出现并快速发展，使昆虫的连续长期检测成为了可能，并能提取昆虫个体的体轴朝向和体重等参数，大大促进了雷达昆虫学的发展。监视并辨别迁飞的昆虫，对于研究空中生态系统和治理害虫具有重要意义。若能提取昆虫的体重、尺寸和振翅频率等参数，将能实现昆虫种类辨识，而这些参数中，目前振翅频率的测量已有多种方法，且已成功实现昆虫振翅频率的提取；昆虫体长、体重参数的测量将非常有助于昆虫种类的辨别。基于X波段VLR的旋转极化测量能力，可以得到与昆虫RCS有关的三个参数a0、a1(α2)、a2(α4)，及用这三个参数计算的昆虫PSM参数σxx和σyy。这些参数可以作为特征参数来估计昆虫的体重，但是目前还没有关于昆虫体长估计方法的报道。Aldhous根据测量的40mg-4000mg体重的昆虫数据，发现体重与a0、体重与σyy，都存在二阶关系，给出了用a0和σyy估计昆虫体重的两个经验公式。Riley发现σxx和σyy都可以用来估计1-2mg昆虫的体重。Chapman基于更多的实验测量数据改进了上述体重估计方法，发现σxx适合质量小于7mg的昆虫质量估计，而a0适合质量大于7mg的昆虫质量估计，根据σxx和a0的大小，用三个经验公式估计不同质量范围的昆虫；这些方法估计的昆虫体重误差在昆虫体重的二分之一以内，涵盖了1mg-3g的体重范围。Drake基于156只昆虫的测量数据，将a0和α2联合用于昆虫体重估计，将体重估计的误差减小到40％。总之，目前基于旋转极化测量方法，对体重参数的估计误差高达40％，亟需进一步提高估计性能，对体长参数的估计缺乏有效方法。
技术实现思路
有鉴于此，本专利技术提供了一种基于极化功率矩阵特征值的昆虫特征参数反演方法，首先基于168只昆虫样本建立了昆虫的体长、体重与极化散射矩阵(PSM,polarizationscatteringmatrix)的极化不变量的内在联系，然后基于拟合的经验公式从昆虫的PSM中提取体长、体重。这有助于辨别迁飞的昆虫，从而研究空中生态系统、预测并治理虫害。一种基于极化功率矩阵特征值的昆虫特征参数反演方法，包括：步骤一，利用雷达测量不同种类昆虫样本，并计算每个样本的散射矩阵SR；步骤二，根据散射矩阵SR获得每个样本的Graves功率矩阵步骤三、获得Graves功率矩阵的两个特征值λ1和λ2,且λ1≥λ2；步骤四、将昆虫样本按体长大小分为两组，一组定义为大昆虫组，另一组定义为小昆虫组；将大昆虫组中各昆虫各自对应的特征值λ1作为其特征参数υ，将小昆虫组中各昆虫各自对应的特征值λ2作为其特征参数υ；步骤五、以各个昆虫样本的特征参数υ为自变量，以昆虫样本的体长作为因变量，利用三阶多项式拟合得到昆虫特征参数υ与体长之间的拟合公式；以各个昆虫样本的特征参数υ为自变量，以昆虫样本的体重为因变量，利用二阶多项式拟合得到昆虫特征参数υ与体重之间的拟合公式；步骤六、针对待测昆虫，获得该昆虫对应的特征参数υ，并根据步骤五的拟合公式，分别得到待测昆虫的体长和体重。较佳的，所述步骤四中，对昆虫进行分组的方法为：获得各昆虫的Graves功率矩阵的行列式值DetG＝λ1λ2，并判断10lg(DetG)与-73的关系：当≤-73时，为小昆虫，当＞-73时，为大昆虫。较佳的，所述步骤六中，对于待测昆虫，获得待测昆虫的Graves功率矩阵的行列式值DetG＝λ1λ2，并判断10lg(DetG)与-73的关系：当≤-73时，特征值λ2作为其特征参数υ；当＞-73时，特征值λ1作为其特征参数υ。较佳的，所述步骤五中，待测昆虫的体长L和体重M的拟合公式为：L＝0.0018·[10lg(υ)]3+0.3050·[10lg(υ)]2+17.21·[10lg(υ)]+342.89本专利技术具有如下有益效果：本专利技术是一种基于极化功率矩阵特征值的昆虫特征参数反演方法，为从雷达观测的数据中精确反演昆虫的体长、体重提供了一种有效的手段；本专利技术基于对极化散射矩阵的极化不变量的研究，发现了Graves功率矩阵的两个特征值λ1、λ2(λ1≥λ2)分别与大昆虫和小昆虫的体长、体重有较强的相关关系，从而提出了用大昆虫的λ1和小昆虫的λ2反演昆虫体长、体重的方法，并给出了区分大昆虫和小昆虫的方法；首次实现了昆虫体长参数的测量，其反演体重的误差低于传统方法反演体重的误差，显著提升了VLR对昆虫生物学参数的测量能力，将大大提高对迁飞昆虫的种类识别能力，对于空中生态系统的研究和害虫的治理具有重要意义。附图说明图1(a)是体长15mm昆虫的Graves功率矩阵特征值与两种典型的昆虫极化方向图的关系，图1(b)是体长25mm昆虫的Graves功率矩阵特征值与两种典型的昆虫极化方向图的关系。图中实线是目标散射回波的极化方向图；虚线大圆是Graves功率矩阵的大特征值λ1；虚线小圆是Graves功率矩阵的小特征值λ2。径向轴是功率，单位为W。图2为实测昆虫体长与极化方向图形状的关系，雷达波长为3cm：图2(a)的昆虫的拉丁学名为Mesapameasecalis,体长14mm，体宽3mm；图2(b)的昆虫的拉丁学名Noctuapronuba，体长28.8mm，体宽7.5mm；图2(c)的昆虫的拉丁学名Schistocercagregaria，体长48.3mm，体宽5.4mm。图3(a)为大特征值λ1与昆虫体长的散点关系图；图3(b)为大特征值λ1与昆虫体重的散点关系图；图3(c)为小特征值λ2与昆虫体长的散点关系图；图3(d)为小特征值λ2与昆虫体重的散点关系图；圆圈和方框分别是小昆虫和大昆虫的数据点；实线为小昆虫和大昆虫数据的线性拟合曲线。图4(a)为昆虫Graves功率散射矩阵行列式DetG与体长关系；图4(b)昆虫Graves功率散射矩阵行列式DetG与体重关系；虚线为大昆虫与小昆虫的分界线。图5(a)为特征参数υ与昆虫体长关系；图5(b)为特征参数υ与昆虫体重关系；实线是多项式拟合结果。图6(a)为特征参数DetG与昆虫体长关系；图6(b)为特征参数DetG与昆虫体重关系；实线是多项式拟合结果。图7为本专利技术的方法流程图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。目标的PSM由一对正交的极化基定义，如水平极化和垂直极化，在不同的极化基下，PSM有不同的形式。在同一极化基定义下，当目标被雷达照射的面相同，但是目标朝向不同时(即极化基与目标体轴夹角改变)，PSM也不相同。这对基于PSM的目标物理属性提取带来了一定的困难。在散射矩阵研究中，人们希望能找到一些量，它们与雷达极化基的选取以及目标的朝向无关，在给定的观测条件下，这些量直接反应了某种物理特性，因而可以作为目标的特征信号。这些特征信号的取值仅取决于目标自身的物理属性，而与雷达的极化基和目标的朝向无关，因此称为极化不变量。设在某一极化基下昆本文档来自技高网...

【技术保护点】
一种基于极化功率矩阵特征值的昆虫特征参数反演方法，其特征在于，包括：步骤一，利用雷达测量不同种类昆虫样本，并计算每个样本的散射矩阵SR；步骤二，根据散射矩阵SR获得每个样本的Graves功率矩阵

【技术特征摘要】
1.一种基于极化功率矩阵特征值的昆虫特征参数反演方法，其特征在于，包括：步骤一，利用雷达测量不同种类昆虫样本，并计算每个样本的散射矩阵SR；步骤二，根据散射矩阵SR获得每个样本的Graves功率矩阵步骤三、获得Graves功率矩阵的两个特征值λ1和λ2,且λ1≥λ2；步骤四、将昆虫样本按体长大小分为两组，一组定义为大昆虫组，另一组定义为小昆虫组；将大昆虫组中各昆虫各自对应的特征值λ1作为其特征参数υ，将小昆虫组中各昆虫各自对应的特征值λ2作为其特征参数υ；步骤五、以各个昆虫样本的特征参数υ为自变量，以昆虫样本的体长作为因变量，利用三阶多项式拟合得到昆虫特征参数υ与体长之间的拟合公式；以各个昆虫样本的特征参数υ为自变量，以昆虫样本的体重为因变量，利用二阶多项式拟合得到昆虫特征参数υ与体重之间的拟合公式；步骤六、针对待测昆虫，获得该昆虫对应的特征参数υ，并根据步骤五的拟合公式，分别得到待测昆虫的体长和体重。2.如权利要求1所述的一种基于功率矩阵特征值的昆虫特征参数反演方法，其特征在于，所述步骤四中，对昆虫进行分组的方法为：获得各昆虫的Graves功率矩阵的行...

【专利技术属性】
技术研发人员：胡程，李卫东，王锐，龙腾，曾涛，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11