[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

说明书

本发明公开了一种基于无线微波衰减特征迁移学习的浓雾监测方法，通过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，对时频图尺寸大小进行调整，得到调整图像，将训练集输入Alexnet网络进行训练，在Alexnet网络达到预设要求时，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结果，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，以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，可以提高能见度等浓雾参数监测的灵活性，提升所得能见度等浓雾参数的准确性。

技术领域

本发明涉及气象因子监测技术领域，尤其涉及一种基于无线微波衰减特征迁移学习的浓雾监测方法。

背景技术

浓雾是一种对人类生产生活的影响较大的气象现象：一方面，浓雾会导致能见度降低从而对交通运输产生巨大影响，造成严重的生命及财产损失；另一方面，空气污染物与浓雾结合形成烟雾会对动植物产生危害。常用的浓雾监测方法有人工观测法，透射计法以及测量散射系数的仪器和卫星监测等。其中，人工观测是通过观测者当前位置已知距离处物体的外观或遮挡来估算可见性，受人的主观性影响较大，且不能给出浓雾准确的量级；透射计测量通过计算水平方向的平均消光系数来估测浓雾浓度：发射器发出的调制磁通量为平均功率恒定的光，接收器包含一个光电探测器，用来测量落在上面的光，虽然这种仪器测量十分精确，但是成本非常高；测量光的散射系数的仪器通过将光束集中在小体积的空气上，在足够大的角度和非关键方向上散射的光的比例可以通过光度测定方法确定。然而这种技术只允许测量很小的样品体积，因此获得的能见度代表性差；卫星监测具有空间覆盖面积大的优势，然而，这种技术很难提供准确的地面监测数据，也很难区分观测结果是否为实际雾或是云雾。可见传统的浓雾监测往往存在局限性，相应的监测结果准确性低。

发明内容

针对以上问题，本发明提出一种基于无线微波衰减特征迁移学习的浓雾监测方法。

为实现本发明的目的，提供一种基于无线微波衰减特征迁移学习的浓雾监测方法，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；

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。

在一个实施例中，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。

在一个实施例中，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；