[发明专利]一种基于GRU-RNN模型的土壤参数分类方法

权利要求书

1.一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，包括以下步骤：

步骤1：采集相同土壤的具有特定土壤参数的原始回波信号，对原始回波信号进行预处理，得到具有不同土壤参数值的有效回波信号；其中，特定土壤参数包括土壤pH值和土壤含水量；

步骤2：将所有有效回波信号输入原始GRU-RNN模型，为有效回波信号给定标签，再选取部分有效回波信号作为训练数据，训练数据对应的有效回波信号的标签作为训练标签，通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型；

步骤3：采集相同土壤的具有特定土壤参数的雷达回波信号并对其进行预处理，得到目标回波信号，再将目标回波信号输入最终GRU-RNN模型中进行交叉验证，得到目标回波信号的总体分类准确率。

2.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1.信号采集：采用超宽带雷达传感器收集相同土壤的具有土壤含水量和土壤pH值的原始回波信号；

步骤1.2.信号预处理：计算原始回波信号中需要截取的无效采样点总数，并确定原始回波信号的有效区间。

3.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：搭建原始GRU-RNN模型并初始化系统参数；

步骤2.2：将原始回波信号作为数据样本输入原始GRU-RNN模型中，确定带有特定土壤参数包含的不同的物理/化学参数的有效回波信号对应的标签；

步骤2.3：取部分具有不同土壤pH值和土壤含水量的有效回波信号作为训练数据，取部分具有不同土壤pH值的标签和部分具有不同土壤含水量的标签作为训练标签；

步骤2.4：通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型。

4.根据权利要求3所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述原始GRU-RNN模型的层次依次为GRU层、BatchNormalization层、在网络中作为激活函数的Dense层，并使用softmax激活函数进行分类。

5.根据权利要求3所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长。

6.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤3包括如下步骤：

步骤3.1：对采集到的雷达回波信号进行预处理，得到目标回波信号；

步骤3.2：将目标回波信号输入最终GRU-RNN模型中，将所有目标回波信号具有的土壤参数值均作为验证数据，并为所有具有土壤pH值或/和具有土壤含水量的目标回波信号分别给定推测标签；

步骤3.3：通过最终GRU-RNN模型对验证数据进行预测，得到验证标签，将验证标签和推测标签进行交叉验证，得到将该验证数据正确分类的准确率；使所有验证数据均执行本步骤，得到目标回波信号的总体分类准确率。