[发明专利]基于机器学习加权平均融合特征提取提高测高精度的方法

权利要求书

1.一种基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，包括：

通过海面机载实验，获取机载时延波形数据；

根据机载时延波形数据，构建得到融合特征输入样本集，并确定融合特征输入样本集中各融合特征输入样本对应的融合特征输出样本；

根据融合特征输入样本集和融合特征输入样本集中各融合特征输入样本对应的融合特征输出样本，对各回归模型进行超参数的寻优，并得到各回归模型的最优输出；

根据各回归模型的最优输出与对应的融合特征输出样本的比较结果，筛选得到N个最优回归模型；

根据N个最优回归模型，构建得到R²-Ranking融合模型；

将获取的待测区域的机载时延波形数据作为R²-Ranking融合模型的输入，通过R²-Ranking融合模型对海面高度进行反演，输出相应的海面高度值。

2.根据权利要求1所述的基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，根据机载时延波形数据，构建得到融合特征输入样本集，并确定融合特征输入样本集中各融合特征输入样本对应的融合特征输出样本，包括：

将机载时延波形数据与经潮汐改正后的DTU全球平均海面数据通过时间、经纬度进行时空匹配，得到原始样本集；其中，原始样本集中包括：原始输入样本、原始输出样本、原始输入样本与原始输出样本之间的对应关系；DTU全球平均海面数据由DTU模型提供；

采用皮尔逊相关系数法，对机载时延波形数据进行筛选，剔除掉与DTU全球平均海面数据相关系数小于0.1的特征，得到一次筛选输入样本；

采用主成分分析法，从一次筛选输入样本中提取得到累计贡献率不小于98％的样本，作为二次筛选输入样本；

引入HALF特征和DER特征，将得到的若干个二次筛选输入样本、HALF特征和DER特征作为融合特征输入样本，构建得到融合特征输入样本集；

根据原始样本集中原始输入样本与原始输出样本之间的对应关系，确定各融合特征输入样本对应的融合特征输出样本。

3.根据权利要求2所述的基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，HALF特征是指归一化时延波形峰值τ_spec前沿70％能量值处的点所对应的时延位置；其中，归一化时延波形峰值τ_spec定义如下：

其中，τ表示反射信号时延，W(τ)表示反射信号相关功率时延波形。

4.根据权利要求2所述的基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，DER特征是指时延波形前缘微分波形峰值τ_der处的点所对应的时延位置；其中，时延波形前缘微分波形峰值τ_der定义如下：

其中，τ表示反射信号时延，W(τ)表示反射信号相关功率时延波形。

5.根据权利要求1所述的基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，回归模型，包括：单一回归模型和集成树回归模型；

单一回归模型，包括：线性回归模型、ElasticNet回归模型和支持向量机SVR回归模型；其中，线性回归模型，包括：Lasso回归模型和Ridge回归模型；

集成树回归模型，包括：基于Boost集成思想的梯度提升决策树GBDT回归模型、极限梯度提升决策树XGBoost回归模型、轻梯度提升机集成树LightGBM回归模型和基于Bagging集成思想的随机森林集成树RF回归模型。

6.根据权利要求1所述的基于机器学习加权平均融合特征提取提高测高精度的方法，其特征在于，采用网格搜索和K折交叉验证法，对各回归模型进行超参数的寻优。