[发明专利]基于粒子群算法的激光雷达波形数据分解的方法

说明书

技术领域

本发明属于激光数据处理技术领域，具体是指一种基于粒子群算法的激光雷达波形数据分解的方法。

背景技术

激光回波波形中蕴含着大量激光光斑内部地表信息，通过对回波波形的分析可以对地表目标的细特征进行提取。因此，寻找一个有效并且准确的回波分解算法是一个值得研究的课题。

背景噪声会导致波形幅度的随机变化，过多的毛刺可能会导致检测到误点，因此平滑滤波对于参数拟合有着较大的影响。然而，一些滤波算法会导致幅值上的失真以及过度平滑使得细节丢失或是丢失峰值点等结果，因此需要比较并选择其中较好的算法。

现有的算法中，LM算法的精度依赖于初值，若是初值偏差较大那么就很难得到精确的拟合效果。以往的算法中，往往通过过零拐点的检测来确定脉宽参数，而实际激光模型并非标准的高斯模型，并不对称，因此在波形叠加脉宽展宽的情况下以此方法获得的回波参数作为初值并不精确。

综上所述，目前的激光回波分解算法在参数较多以及叠加展宽的情况下效果并不理想，因此效果较好的vondrak平滑算法对于回波分解更加适合，而通过改进粒子群算法获取其参数值作为LM算法的初值是优化其结果的一种方法。

粒子群算法，也称粒子群优化算法(Particle Swarm Optimization)，缩写为PSO，是近年来发展起来的一种新的进化算法(Evolutionary Algorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。

LM算法，全称为Levenberg-Marquard算法，它可用于解决非线性最小二乘问题，多用于曲线拟合等场合。

发明内容

本发明的目的是基于三维激光成像系统，开发一套完整的激光回波数据分解的方法，在参数较多以及叠加展宽的情况下，采用效果较好的vondrak平滑算法，并通过改进粒子群算法获取其参数值作为LM算法的初值优化其结果。

本发明的技术方案是：基于粒子群算法的激光雷达波形数据分解的方法，具体步骤如下：

(1)获取激光雷达全波形回波数据；

(2)对波形进行去噪处理；

(3)对波形进行平滑处理；

(4)通过峰值检测检测出回波的峰值点，根据背景噪声水平设定峰值点阈值，去除因噪声产生的多余的峰值点，确定回波峰值点位置及个数；

(5)运用改进粒子群算法进行迭代，获取单个波形参数的大致值；

(6)将步骤(5)中获得的参数大致值作为LM迭代算法的初值，通过最小二乘法获取最终的波形参数；拟合效果按照拟合度公式计算，所述拟合度公式如下：

R=1-Σi=1N(obsi-yi)2/Σi=1Nobsi2]]>