[发明专利]一种基于协同作业的雷达高精度物位计测量方法

权利要求书

1.一种基于协同作业的雷达高精度物位计测量方法，其特征在于，包括以下步骤：

S1. 从雷达物位计历史测量大数据中选取样本数据，构建调参神经网络模型，从样本数据中寻找固定参数与调整参数的最佳对应关系，即满足测量精度的固定参数对应的调整参数；

构建调参神经网络模型，将样本数据分为训练集和测试集，通过训练集对调参神经网络模型进行数据样本的拟合，在训练过程中对训练误差进行梯度下降，优化模型中的权重参数；训练集包括需要输入到调参神经网络模型中的固定参数集合和输入对应输出的调整参数集合；

一个训练样本用表示，，表示一组固定参数样本，，表示一组调整参数样本，m表示一组固定参数中元素的数量，n表示一组调整参数中元素的数量；

调参神经网络模型的具体训练过程如下：

将一组固定参数样本输入到所述调参神经网络模型中，所述调参神经网络模型中引入了三个门函数：更新门、限制门和重置门，所述更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；所述限制门控制前一时刻的状态有多少信息被写入到当前的候选集上，限制门越小，前一时刻的状态信息被写入的越少；所述重置门在检测当前时刻状态参数与前一时刻状态参数相差超过阈值范围时，将当前时刻状态参数采用前一时刻状态的参数进行替换，重置当前时刻状态的参数；

将输入到调参神经网络模型中，初始状态表示为，则有：

，

其中，表示初始权重，表示初始偏置；

将一组固定参数样本输入到调参神经网络模型中，调参神经网络模型中引入了三个门函数：更新门、限制门和重置门；

重置门神经元的计算过程为：

，

其中，表示重置门神经元的输出，表示t时刻的状态，表示上一时刻的状态，表示阈值；更新门神经元的计算过程为：

，

其中，表示t时刻更新门神经元的输出，表示更新门神经元的权重，为激活函数，表示更新门神经元的偏置，表示常数因子；限制门的计算过程为：

，

其中，表示上一时刻状态的权重；得到最终输出：

，

其中，表示模型输出，为激活函数，表示输出权重；

将模型输出与当前输入对应的调整参数样本y进行误差计算，所述误差计算采用现有的均方误差，将误差与预设差值进行对比，若误差达到预设差值范围内，则训练完成；否则对误差进行梯度下降，优化模型中的权重参数，再次进行误差对比，循环迭代，直至误差符合预设差值范围为止；

更新门可以控制上一时刻神经元状态应该如何被包含当前时间步信息的状态所更新，限制门解决了传统循环神经网络中的梯度衰减问题，捕捉数据之间的关系，得到满足测量精度的固定参数对应的调整参数；

S2. 根据调整参数调整雷达物位计的发射参数向物料发射信号，接收回波信号进行滤波处理，得到标准化离散频谱，计算连续反射的回波信号之间的差异因子和频谱，从而测量得到雷达物位计与料位的实时距离。

2.如权利要求1所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：

为了抑制混频后产生的周期干扰，导致信号灵敏度降低，需要对混频后的信号进行低通滤波处理，使信号在可接受的灵敏度范围内取得最佳平稳度。

3.如权利要求1所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：

对差频信号进行傅里叶变换，得到离散频谱，根据离散频谱计算N个差频信号的离散频谱均值，引入频谱分量，计算每个分量对应的频率，提高分辨率。

4.如权利要求3所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：

利用频谱分量对N个差频信号进行标准化处理，得到标准化后的频谱，通过对信号频谱进行标准化处理，可以计算连续反射的回波信号之间的差异因子，从而测量得到雷达物位计与料位的实时距离。

5.如权利要求4所述的一种基于协同作业的雷达高精度物位计测量方法，其特征在于，所述步骤S2具体包括：

将频谱映射回原位置，得到频谱坐标，频谱坐标与差异因子的积即为测量距离。