[发明专利]基于参考信号特征的信号学习与动态确定方法

说明书

本发明公开基于参考信号特征的信号学习与动态确定方法，包括以下步骤：S1、构建参考信号学习与追踪网络；S2、获取无雨时期的参考信号；S3、基于所述参考信号对所述参考信号学习与追踪网络的参数进行更新；S4、获取降雨时期的参考信号，结束所述更新；S5、结束降雨后重复所述S1‑S3；开始降雨时再次执行S4，最终完成所述参考信号的信号学习与动态确定。本发明能够通过学习和追踪无雨时期的参考信号特征，掌握参考信号变化规律，实现降雨时期参考信号的动态确定。

技术领域

本发明涉及微波测雨信号分析与应用技术领域，特别涉及基于参考信号特征的信号学习与动态确定方法。

背景技术

移动通信技术的飞速发展使得人、数据、事物联系更加密切，日趋成熟的微波通信技术更是为气象信息监测提供了新的桥梁和技术手段。目前，利用微波链路测量降雨的新方法作为雨量筒、天气雷达和气象卫星等传统手段的补充，已得到国内外学者的广泛关注。当微波信号穿过降雨区域时，由于雨滴的吸收和散射造成微波能量的衰减，微波链路测量降雨的新方法就是基于雨致衰减反演降雨强度，因此获取实时准确的雨致衰减是微波链路测量降雨的关键。

目前，微波链路获取雨致衰减的方法是利用降雨前后的信号插值计算降雨时期的参考信号，然后再将其与实测信号差分得到雨致衰减。然而，该方法存在两个明显的问题：一方面，微波链路的信号并非呈简单的线性变化；另一方面，通过插值的方式获取参考信号，导致降雨反演存在明显的时间延迟，尤其是对于长时间的降雨，该问题更加明显。

发明内容

针对上述问题，本发明提出基于参考信号特征的信号学习与动态确定方法，以解决现有技术中存在的技术问题，能够通过学习和追踪无雨时期的参考信号特征，掌握参考信号变化规律，实现降雨时期参考信号的动态确定。

为实现上述目的，本发明提供了如下方案：

本发明提供基于参考信号特征的信号学习与动态确定方法，包括以下步骤：

S1、构建参考信号学习与追踪网络；

S2、获取无雨时期的参考信号；

S3、基于所述参考信号对所述参考信号学习与追踪网络的参数进行更新；

S4、获取降雨时期的参考信号，结束所述更新；

S5、结束降雨后重复所述S1-S3；开始降雨时再次执行所述S4，最终完成所述参考信号的信号学习与动态确定。

优选地，所述S1中的参考信号学习与追踪网络包括长短时神经网络、广义回归网络和卡尔曼滤波网络。

优选地，所述S2中无雨时期的参考信号包括微波链路和星地链路。

优选地，所述S2中无雨时期的参考信号AC_sun(t)表示为：

AC_sun(t)＝A_O(t)+A_V(t)+A_C(t)+A_S(t)+A_other+C

式中，A_o是氧气衰减；A_v是水气衰减；A_c是云中液态水衰减；A_s是闪烁衰减；A_other是其他因素造成的衰减；C是一个常量。

优选地，所述S3中参数的更新过程为：将所述参考信号输入所述参考信号学习与追踪网络中，通过学习所述参考信号获取变化特征，并基于所述变化特征对所述参考信号学习与追踪网络的参数进行更新。

优选地，所述参考信号包括信噪比和电平值。

优选地，所述变化特征包括参考信号在所述无雨时期和降雨时期的时序变化特征。