[发明专利]基于无线微波衰减特征迁移学习的浓雾监测方法

权利要求书

1.一种基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，包括如下步骤：

S10，获得微波信号接收端针对大气测量获得的微波衰减信号强度数据，并对微波衰减信号强度数据进行预处理；

S20，将预处理后的微波衰减信号强度数据进行小波变换得到时频图；所述将预处理后的微波衰减信号强度数据进行小波变换得到时频图的过程包括：

S31，确定尺度参数a，根据尺度参数a确定小波基，将小波基与预处理后的微波衰减信号强度数据比较，得到多个片段信号；

S32，计算一个片段信号的连续小波变换系数C1，连续小波变换系数C1表示小波基与相应片段信号的相似程度；

S33，对位置参数b进行调整，以平移小波针对其他片段信号重复执行步骤S32，直到对各个片段信号进行分析，得到各个片段信号的连续小波变换系数C1；

S34，更新尺度参数a，返回执行步骤S31，直至针对预设的各个尺度参数a确定各个片段信号的连续小波变换系数C1；

S35，根据各个尺度参数a分别对应的连续小波变换系数C1绘制时频图；

S30，对时频图尺寸大小进行调整，得到调整图像，使所述调整图像符合预训练的Alexnet网络的输入要求；

S40，将调整图像划分为测试集和训练集，确定训练集中各个调整图像的状态标签，将训练集输入Alexnet网络进行训练，在Alexnet网络输出的状态检测结果与训练集的状态标签之间的差距达到预设要求时，根据Alexnet网络当前的网络参数确定Alexnet网络模型，并利用Alexnet网络模型对测试集进行检测，输出测试集中各个调整图像的网络检测浓雾状态结果；

S50，根据网络检测结果和预设的反演公式计算测试集中各个调整图像的浓雾液态水含量，根据各个浓雾液态水含量计算测试集中各个调整图像对应的能见度；所述能见度的计算公式包括：

V＝1.002·(LWC×N_D)^-0.6473，

N_D＝-0.071×T²+2.213×T+141.56，

其中，V表示能见度，N_D表示水滴数量浓度，T表示当前温度，LWC表示浓雾液态水含量。

2.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，对微波衰减信号强度数据进行预处理的过程包括：

识别微波衰减信号强度数据中的丢失数据，对丢失数据进行插补，并剔除微波衰减信号强度数据中大于响应阈值的噪声数据。

3.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述Alexnet网络包括5个卷积层、3个池化层、3个全连接层和1个soft-max层。

4.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述Alexnet网络的激活函数包括：

其中，ReLu表示激活函数，x表示输入信号。

5.根据权利要求1所述的基于无线微波衰减特征迁移学习的浓雾监测方法，其特征在于，所述反演公式包括：

A_f＝φ·LWC，

其中，A_f表示网络检测结果，φ表示设定常数。