基于参考信号特征的信号学习与动态确定方法技术

本发明专利技术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

【技术实现步骤摘要】
基于参考信号特征的信号学习与动态确定方法


[0001]本专利技术涉及微波测雨信号分析与应用
，特别涉及基于参考信号特征的信号学习与动态确定方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]针对上述问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于参考信号特征的信号学习与动态确定方法，其特征在于，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。2.根据权利要求1所述的基于参考信号特征的信号学习与动态确定方法，其特征在于，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。3.根据权利要求1所述的基于参考信号特征的信号学习与动态确定方法，其特征在于，所述S2中无雨时期的参考信号包括微波链路和星地链路。4.根据权利要求1所述的基于参考信号特征的信号学习与动态确定方法，其特征在于，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。5.根据权利要求1所述的基于参考信号特征的信号学习与动态确定方法，其特征在于，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...

【专利技术属性】
技术研发人员：刘西川，张鹏，李书磊，曾庆伟，姬文明，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：