半监督模糊识别模型及基于该模型的土壤湿度测量方法技术

本发明专利技术公开一种半监督模糊识别模型及基于该模型的土壤湿度测量方法，属于土壤湿度测量技术领域，通过建立地基监测站获取原始数据，提取多个星座、多颗卫星的数据，获取不同波段的信噪比数据及高度角、方位角等信息，然后筛选数据，筛选低仰角范围且震荡明显的信噪比数据，确定权重，进行多星融合，接着去除直射分量得到SNR多径分量，通过谱分析获取主频率，最后对信噪比进行最小二乘拟合获得振幅和相位观测量，建立半监督的模糊识别模型。通过建立半监督的模糊识别模型，融合GPS和GLONASS数据，对土壤湿度进行估算，为以后多星融合提供了理论参考。解决了现有技术中出现的问题。

Semi supervised fuzzy recognition model and soil moisture measurement method based on the model

【技术实现步骤摘要】
半监督模糊识别模型及基于该模型的土壤湿度测量方法
本专利技术涉及一种半监督模糊识别模型及基于该模型的土壤湿度测量方法，属于土壤湿度测量

技术介绍
土壤湿度是农业环境监测的重要指标，是全球水文循环的基本组成部分，是描述陆面及大气能量交换的关键参数，准确观测大面积范围的土壤水分对农业、水文以及气象等领域意义重大。土壤湿度决定农作物供应状况，土壤湿度过低，光合作用不能正常运行，降低作物的产量和品质；严重缺水导致作物凋萎和死亡。土壤湿度过高，恶化土壤通气性，影响土壤微生物的活动，使作物根系的呼吸、生长等生命活动受到阻碍，从而影响作物地上部分的生长。此外还影响耕作措施及播种数量，并影响土壤温度的高低。传统的测量手段(湿度计测量、烘焙法等)对被观测对象会造成一定程度的破坏，且测得的数据离散，并不能代替整个区域；而光学遥感的方法易受地形、地貌等因素的影响。在现有的土壤湿度探测方法中，微波遥感可以实现大面积、非接触、实时连续的探测，而其中GNSS-R(GlobalNavigationSatelliteSystem-Reflectometry)技术，作为GNSS的新型应用分支，随着全球卫星导航系统不断发展完善，近年来发展迅速。随着卫星导航技术的发展，GNSS不仅能应用于定位、导航和授时；近年来在地震、气象、海洋、陆面等遥感方面的应用也得到突破和发展。GNSS导航卫星信号波段处于L波段，能减少大气衰减并能很好地穿透植被，是较为理想的遥感土壤湿度频率。在基于GNSS反射信号的土壤湿度系统中，GNSS卫星-地表面-接收机构成一个双基雷达结构，通过测量GNSS反射信号获取地表特征信息。GNSS卫星发射的L波段信号对反演表面的电磁特性十分敏感，特别是介电常数对反射信号的强弱有着重要的影响，而介电常数与土壤湿度有着直接的物理关系，因此利用反射信号来探测土壤湿度是一种行之有效的方法。GNSS-R土壤湿度反演技术具有成本低、信号源充足、可全天候、全时段探测等优点。GNSS-R地基单天线观测模式中，通常采用线性回归模型进行反演，该方法虽简单但精度普遍不高；近年来也有专家学者采用机器学习方法建模反演，精度虽然得以提高，但需要大量的数据进行训练。因此一种精度得以提高，也不需要大量的数据进行训练，使得数据计算的效率得以提高的土壤湿度测量方法称为目前的迫切需求。
技术实现思路
针对现有技术的不足，本专利技术的目的在于提供一种半监督模糊识别模型及基于该模型的土壤湿度测量方法，通过建立半监督的模糊识别模型，融合GPS和GLONASS卫星的数据，对土壤湿度进行估算，为以后多星融合提供了理论参考。本专利技术所述的半监督模糊识别模型，模型的建立包括以下步骤：步骤1：数据获取，选用接收机在实验场地进行安置，获取地基监测站的监测数据，并从监测数据中提取目标数据；步骤2：数据预处理，在步骤1中获取的目标数据中，根据拟合结果剔除质量较差的数据；步骤3：去除趋势项，将仰角正弦化，并对目标数据进行多项式拟合，去除直射分量，得到SNR多径分量，利用信号频谱分析法进行频谱分析获取主频率；步骤4：求取观测量，对SNR多径分量进行最小二乘拟合，分别求得振幅和相位观测量；步骤5：建立半监督模糊识别模型，将上述观测值与实测土壤湿度建立相关关系，绘制观测量与土壤湿度的相关关系图，并根据两者关系及经验模型建立半监督的模糊识别模型。进一步的，步骤1中接收机为GNSS接收机。进一步的，步骤1中目标数据包括：GPS和GLONASS卫星的仰角、方位角、时间和SNR数据，以及实测土壤湿度数据。进一步的，步骤2中数据预处理包括：根据拟合结果剔除目标数据中不满足预设质量条件的SNR数据。进一步的，步骤3中去除趋势项具体包括以下：SNR直射和反射信号可表示为：其中Ad，Am分别表示直射、反射信号的幅度，Ac表示为二者的干涉信号的幅度，即信噪比SNR；ψ为两信号的相位差，θ为卫星高度角；提取出多径分量之后的序列振幅SNRm可表示为：对上述数据进行去噪处理，然后根据高度角分为上升、下降段，将其转化为高度角正弦序列，最后进行多项式拟合，将直射分量去除。进一步的，步骤4中求取观测量具体包括以下：对步骤4中的序列振幅SNRm进行Lomb-Scargle频谱分析，得到频率的谱，进而求得等效天线高度的谱，选取谱值最大的等效天线高度值作为等效天线高度的估测值，然后通过最小二乘拟合求得振幅值。进一步的，步骤5中建立半监督模糊识别模型具体包括以下步骤：设研究对象样本数为n，组成样本集Y＝{y1,y2,…,yj,…,yn}，yj表示第j个样本的因变量特征值，每个样本有m个指标特征值，则n个样本的特征值矩阵为X＝(xij)m×n；步骤11：数据标准化处理：正向指标负向指标式中：ximax、ximin分别表示样本第i指标的最大值和最小值；xij为第j个样本第i个指标的特征值；根据特征值与因变量特征值之间的正负相关性，利用式(3)将样本的指标特征值矩阵转化为相对隶属度矩阵R，即：式中：rij为第j个样本第i指标的归一化值，且0≤rij≤1；步骤12：计算监督矩阵n个样本根据m个标准特征值进行识别，设聚类级别数为c，n个样本对各个级别的相对隶属度用矩阵U表示为：式中：uhj表示样本j(j＝1,2,…,n)属于h(h＝1,2,…,c)类别的相对隶属度；式(5)应满足以下约束条件设c个级别的m个指标的标准特征值矩阵S为：式中：sih表示级别h(h＝1,2,…,c)指标i(i＝1,2,…,m)的标准特征值，且0≤sih≤1；若根据n0个已知样本的因变量特征值y对c个级别进行识别，可得相对隶属度矩阵其中，zhj为样本j(1≤j≤n0)属于级别h的相对隶属度；由已知样本的相对隶属度矩阵Z构建监督矩阵F，F满足条件步骤13：计算权重由于不同指标对模糊聚类的作用程度不同，因此引入权重向量，设权重向量W为：W＝(w1,w2,…,wi,…,wm)(11)式中：wi为第i个指标权重，0≤wi≤1且步骤14：建立半监督模糊识别模型为更好地描述样本j与级别h之间的差异，将广义欧氏权距离以样本j归属于级别h的相对隶属度uhj为权重，定义加权广义欧氏距离Dhj为：式中：dhj为样本j到级别h的欧氏权距离，且0≤dhj≤1，0≤Dhj≤1。通过建立目标函数并构建拉格朗日函数，求导整理得：式中：α为监督因子，0≤α≤1；由式(14)和式(15)可见，监督因子α越大，监督矩阵F＝(fhj)c×n的监督作用越大；通过调整监督因子α可改变样本的相对隶属度值，从而优化模糊识别决策；给定聚类数c、监督因子α以及uhj和sih所要求满足的迭代计本文档来自技高网...

【技术保护点】
1.一种半监督模糊识别模型，其特征在于：所述模型的建立包括以下步骤：/n步骤1：数据获取，/n选用接收机在实验场地进行安置，获取地基监测站的监测数据，并从监测数据中提取目标数据；/n步骤2：数据预处理，/n在步骤1中获取的目标数据中，根据拟合结果剔除质量较差的数据；/n步骤3：去除趋势项，/n将仰角正弦化，并对目标数据进行多项式拟合，去除直射分量，得到SNR多径分量，利用信号频谱分析法进行频谱分析获取主频率；/n步骤4：求取观测量，/n对SNR多径分量进行最小二乘拟合，分别求得振幅和相位观测量；/n步骤5：建立半监督模糊识别模型，/n将上述观测量与实测土壤湿度建立相关关系，绘制观测量与土壤湿度的相关关系图，并根据两者关系及经验模型建立半监督的模糊识别模型。/n

【技术特征摘要】
1.一种半监督模糊识别模型，其特征在于：所述模型的建立包括以下步骤：
步骤1：数据获取，
选用接收机在实验场地进行安置，获取地基监测站的监测数据，并从监测数据中提取目标数据；
步骤2：数据预处理，
在步骤1中获取的目标数据中，根据拟合结果剔除质量较差的数据；
步骤3：去除趋势项，
将仰角正弦化，并对目标数据进行多项式拟合，去除直射分量，得到SNR多径分量，利用信号频谱分析法进行频谱分析获取主频率；
步骤4：求取观测量，
对SNR多径分量进行最小二乘拟合，分别求得振幅和相位观测量；
步骤5：建立半监督模糊识别模型，
将上述观测量与实测土壤湿度建立相关关系，绘制观测量与土壤湿度的相关关系图，并根据两者关系及经验模型建立半监督的模糊识别模型。


2.根据权利要求1所述的半监督模糊识别模型，其特征在于：所述的步骤1中接收机为GNSS接收机。


3.根据权利要求1所述的半监督模糊识别模型，其特征在于：所述的步骤1中目标数据包括：GPS和GLONASS卫星的仰角、方位角、时间和SNR数据，以及实测土壤湿度数据。


4.根据权利要求1所述的半监督模糊识别模型，其特征在于：所述的步骤2中数据预处理包括：根据拟合结果剔除目标数据中不满足预设质量条件的SNR数据。


5.根据权利要求1所述的半监督模糊识别模型，其特征在于：所述的步骤3中去除趋势项具体包括以下：SNR直射和反射信号可表示为：



其中：Ad，Am分别表示直射、反射信号的幅度，Ac表示为二者的干涉信号的幅度，即信噪比SNR；ψ为两信号的相位差，θ为卫星高度角；
提取出多径分量之后的序列振幅SNRm可表示为：



对上述数据进行去噪处理，然后根据高度角分为上升、下降段，将其转化为高度角正弦序列，最后进行多项式拟合，将直射分量去除。


6.根据权利要求5所述的半监督模糊识别模型，其特征在于：所述的步骤4中求取观测量具体包括以下：对步骤4中的序列振幅SNRm进行Lomb-Scargle频谱分析，得到频率的谱，进而求得等效天线高度的谱，选取谱值最大的等效天线高度值作为等效天线高度的估测值，然后通过最小二乘拟合求得振幅值。


7.根据权利要求1所述的半监督模糊识别模型，其特征在于：所述的步骤5中建立半监督模糊识别模型具体包括以下步骤：设研究对象样本数为n，组成样本集Y＝{y1,y2,…,yj,…,yn}，yj表示第j个样本的因变量特征值，每个样本有m个指标特征值，则n个样本的特征值矩阵为X＝(xij)m×n；
步骤11：数据标准化处理：
正向指标
负向指标
式中：ximax、ximin分别表示样本第i指标的最大值和最小值；xij为第j个样本第i个指标的特征值；
根据特征值与因变量特征值之间的正负相关性，利用式(3)将样本的指标特征值矩阵转化为相对隶属度矩阵R，即：



式中：rij为第j个样本第i指标的归一化值，且0≤rij≤1；
步骤12：计算监督矩阵：
n个样本根据m个标准特征值进行识别，设聚类级别数为c，n个样本对各个级别的相对隶属度用矩阵U表示为：



式中：uhj表示样本j，j＝1,2,…,n；属于h，h＝1,2,…,c类别的相对隶属度；
式(5)应满足以下约束条件



设c个级别的m个指标的标准特征值矩阵S为：



式中：sih表...

【专利技术属性】
技术研发人员：杨东凯，荆丽丽，常海宁，
申请(专利权)人：山东航向电子科技有限公司，
类型：发明
国别省市：山东;37