提升土壤湿度反演精度的方法、装置、设备及计算机制造方法及图纸

本发明专利技术涉及土壤湿度反演技术领域，公开了一种提升土壤湿度反演精度的方法、装置、设备及计算机，S1：通过自适应融合算法实现多星多频段上同一个特征参量的数据融合，特征参量来自于不同卫星之间的历史特征参量；S2：通过遗传算法优化BP神经网络；S3：通过S2建立GA

【技术实现步骤摘要】
提升土壤湿度反演精度的方法、装置、设备及计算机


[0001]本专利技术涉及土壤湿度反演
，特别涉及一种提升土壤湿度反演精度的方法、装置、设备及计算机。

技术介绍

[0002]基于GNSS
‑
R信号的土壤湿度反演是该领域一种重要的技术方法，随着中国北斗卫星导航系统组网完成，该技术在我国也获得越来越广泛的应用。目前主要应用的单天线模式土壤湿度反演，是利用单一接收机收到的干涉信号的信噪比特性来反演土壤湿度，主要基于两种反演方法。
[0003]一种是基于单星单频段的SNR多径振荡分量的频率、幅度和相位三个干涉特性参量与实测土壤湿度建立线性回归模型的方法，但是此方法没有利用到不同卫星不同频段信号的差异性及互补性；另一种是基于多星或多频的反演方法，对多个频段观测量进行数据融合，利用了多频信号间的互补性，但是由于仅借助每个频段中单一特征参量来反演结果，忽视了SNR三个干涉特征参量间与土壤湿度的相关性。
[0004]因此，目前亟需要解决的问题是，如何使土壤湿度反演技术可以实现兼顾利用多星多频数据间互补性与多元特征参数间相关性的问题。

技术实现思路

[0005]为了解决基于GNSS
‑
R信号的土壤湿度反演监测领域中由于无法兼顾多星多频数据间互补性与多元特性参数间相关性，以至于无法得到高精度的土壤湿度反演结果的问题，本专利技术提供了一种提升土壤湿度反演精度的方法、装置、设备及计算机。
[0006]本专利技术的
技术实现思路
如下：
[0007]一种提升土壤湿度反演精度的方法，包括以下步骤：
[0008]S1：通过自适应融合算法实现多星多频段上同一个特征参量的数据融合，所述特征参量来自于不同卫星之间的历史特征参量；
[0009]S2：通过遗传算法优化BP神经网络；
[0010]S3：通过S2建立GA
‑
BP神经网络模型，将S1数据融合后的各特征参量作为GA
‑
BP神经网络模型的输入，令土壤湿度实测值作为GA
‑
BP神经网络模型的输出，对GA
‑
BP神经网络模型进行训练，得到训练好的GA
‑
BP神经网络模型，确定为反演模型；
[0011]S4：通过反演模型对当前土壤湿度进行反演，得到提升的土壤湿度反演精度。
[0012]进一步地，所述S1包括：
[0013]通过自适应融合算法获取不同卫星之间的振荡幅度最优融合观测量、频率最优融合观测量、相位最优融合观测量。
[0014]进一步地，所述S2通过遗传算法优化BP神经网络包括以下步骤：
[0015]S21：初始化BP神经网络后，给定学习样本集进行学习；
[0016]S22：通过引入遗传算法给定BP神经网络的初始值和阈值；
[0017]S23：通过S22的初始值和阈值求取BP神经网络的隐藏层、输出层各单元的输出；
[0018]S24：然后计算整个样本集总体误差，并判断总体误差是否满足要求；
[0019]S25：若S24判断结果为是，结束优化BP神经网络；若S24判断结果为否，反向计算各单元一般化误差，同时调整各层间的权值，返回S23。
[0020]进一步地，所述S22通过引入遗传算法给定BP神经网络的初始值和阈值包括以下步骤：
[0021](1)选取初始种群，计算适应度；
[0022](2)判断适应度或迭代次数是否满足给定BP神经网络的初始值和阈值；
[0023](3)若满足，即结束遗传算法；若不满足，即通过选择、交叉操作重新计算适应度；
[0024](4)再次判断适应度或迭代次数是否满足给定BP神经网络的初始值和阈值；
[0025](5)若满足，即结束遗传算法；若不满足，即通过变异操作重新计算适应度，返回步骤(2)。
[0026]进一步地，所述S3包括以下步骤：
[0027]S31：对S1的融合数据进行预处理，并建立反演数据集；
[0028]S32：建立GA
‑
BP神经网络模型，并将反演数据集划分为训练集与测试集；
[0029]S33：通过将训练集作为GA
‑
BP神经网络模型的输入，以土壤湿度实测值作为GA
‑
BP神经网络模型的输出进行训练；
[0030]S34：通过测试集与土壤湿度实测值计算反演误差，判断土壤湿度反演精度是否良好；
[0031]S35：若S34判断结果为是，即确定土壤湿度反演模型；若S34判断结果为否，即调整参数，返回S33重新训练GA
‑
BP神经网络模型。
[0032]本专利技术提供了一种提升土壤湿度反演精度的装置，包括：
[0033]自适应融合算法模块，用于实现多频段上同一个特征参量的数据融合，以建立多频信号间的相关性；
[0034]GA
‑
BP神经网络模块，用于训练GA
‑
BP神经网络模型；
[0035]所述自适应融合算法模块与GA
‑
BP神经网络模块相连，自适应融合算法模块将融合数据传输至GA
‑
BP神经网络模块，作为训练GA
‑
BP神经网络模型的输入。
[0036]本专利技术提供了一种提升土壤湿度反演精度的设备，包括：
[0037]存储器，所述存储器中存储有至少一条指令；
[0038]处理器，用于加载并执行所述指令以实现上述任意一项所述的提升土壤湿度反演精度的方法的操作。
[0039]本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行时，实现上述任意一项所述的提升土壤湿度反演精度的方法的操作。
[0040]本专利技术的有益效果包括：
[0041](1)设计一种基于自适应数据融合和GA
‑
BP神经网络，利用多星多频特征参量实现提升土壤湿度反演精度的模型，该模型可以兼顾多星多频数据间互补性与多元特性参数间相关性；
[0042](2)通过利用自适应融合对多星多频信号进行处理，实现多频段数据融合的同时，
不需要认为指定观测量的权重，避免了主观臆断的随机性；
[0043](3)通过利用GA
‑
BP神经网络建立与实际土壤湿度间的多元线性回归模型，提升土壤湿度反演精度。
附图说明
[0044]图1为本专利技术的提升土壤湿度反演精度方法的逻辑框图。
[0045]图2为本专利技术通过遗传算法优化BP神经网络的流程示意图。
具体实施方式
[0046]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提升土壤湿度反演精度的方法，其特征在于：包括以下步骤：S1：通过自适应融合算法实现多星多频段上同一个特征参量的数据融合，所述特征参量来自于不同卫星之间的历史特征参量；S2：通过遗传算法优化BP神经网络；S3：通过S2建立GA
‑
BP神经网络模型，将S1数据融合后的各特征参量作为GA
‑
BP神经网络模型的输入，令土壤湿度实测值作为GA
‑
BP神经网络模型的输出，对GA
‑
BP神经网络模型进行训练，得到训练好的GA
‑
BP神经网络模型，确定为反演模型；S4：通过反演模型对当前土壤湿度进行反演，得到提升的土壤湿度反演精度。2.根据权利要求1所述的一种提升土壤湿度反演精度的方法，其特征在于：所述S1包括：通过自适应融合算法获取不同卫星之间的振荡幅度最优融合观测量、频率最优融合观测量、相位最优融合观测量。3.根据权利要求1所述的一种提升土壤湿度反演精度的方法，其特征在于：所述S2通过遗传算法优化BP神经网络包括以下步骤：S21：初始化BP神经网络后，给定学习样本集进行学习；S22：通过引入遗传算法给定BP神经网络的初始值和阈值；S23：通过S22的初始值和阈值求取BP神经网络的隐藏层、输出层各单元的输出；S24：然后计算整个样本集总体误差，并判断总体误差是否满足要求；S25：若S24判断结果为是，结束优化BP神经网络；若S24判断结果为否，反向计算各单元一般化误差，同时调整各层间的权值，返回S23。4.根据权利要求3所述的一种提升土壤湿度反演精度的方法，其特征在于：所述S22通过引入遗传算法给定BP神经网络的初始值和阈值包括以下步骤：(1)选取初始种群，计算适应度；(2)判断适应度或迭代次数是否满足给定BP神经网络的初始值和阈值；(3)若满足，即结束遗传算法；若不满足，即通过选择、交叉操作重新计算适应度；(4)再次判断适应度或迭代次数是否满足...

【专利技术属性】
技术研发人员：赵菊敏，李灯熬，赵锦华，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：