涉及土壤含水量測量方法，使用超寬帶雷達回波信號測量土壤含水量方法。
背景技術(shù)：
：近年來，微波遙感技術(shù)由于無破壞、實時性、穿透力強等優(yōu)勢，成為土壤含水量測量的研究熱點。依據(jù)微波與土壤主要電介質(zhì)(水)的關(guān)系，現(xiàn)今的主要研究方法是建立雷達回波、土壤結(jié)構(gòu)的各種參數(shù)與土壤電介質(zhì)之間的不同的數(shù)學模型，通過雷達回波反演出土壤電介質(zhì)含量，再由經(jīng)驗公式推導出土壤含水量。主要使用土壤散射模型(后向散射系數(shù)與電介質(zhì)含量關(guān)系)和土壤介電模板(電介質(zhì)含量與含水量關(guān)系)如專利201410196776.5深層土壤濕度微波遙感探測方法與裝置申請?zhí)?01410340724.0一種基于超寬帶雷達的土壤含水量測量方法采用一種超寬帶雷達采集雷達數(shù)據(jù)，以估計土壤的超寬帶多徑信道；分析多徑信道的參數(shù)(幅度、時延擴展)，分析他們的統(tǒng)計特性；建立含水量與多徑信道的統(tǒng)計特性之間的關(guān)系；根據(jù)對應(yīng)關(guān)系，測量目標土壤的含水量。(同樣使用超寬帶信號監(jiān)測)申請?zhí)?01510536304.4一種針對超寬帶雷達回波的土壤濕度反演方法利用了單點一型模糊邏輯系統(tǒng)對回波數(shù)據(jù)進行學習提取其隸屬函數(shù)的特征參數(shù)；并通過對隸屬函數(shù)進行模板匹配的方式反演土壤體積含水量。專利201410196776.5深層土壤濕度微波遙感探測方法與裝置缺點：由于各參數(shù)間復雜的相互關(guān)系，數(shù)學模型往往存在一定的不確定性甚至某些條件下根本無法使用。同時，現(xiàn)有的技術(shù)(如探地雷達對土壤含水量測量)僅適用于對大面積含水量探測，受到含水量分布不均勻的影響而精度有限。由于設(shè)備笨重和功耗大等問題，很難做到對農(nóng)田含水量的實時監(jiān)測。另外，現(xiàn)有技術(shù)并未考慮成本問題，很難在常規(guī)農(nóng)業(yè)生產(chǎn)中得到推廣和實現(xiàn)。申請?zhí)?01510536304.4一種針對超寬帶雷達回波的土壤濕度反演方法由于使用單點一型模糊邏輯系統(tǒng)，對回波信號預測的精度沒有本文中提出的非單點一型模糊邏輯系統(tǒng)高。另外使用提取特征參數(shù)的方法計算成本和時間成本均大于本文提出的使用模糊邏輯系統(tǒng)的輸出信號序列作為回波模板進行比對的方法,且本方法最終土壤含水量識別正確率更高。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種時間成本與計算成本小,且本方法最終土壤含水量識別正確率更高的土壤含水量測量方法。為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種基于超寬帶信號與非單點一型模糊邏輯系統(tǒng)的土壤含水量測量方法，其特征在于，包括如下步驟：步驟一、采集不同土壤含水量的雷達回波信號；步驟二、截取雷達回波信號中噪聲影響較小部分，將相同含水量的回波信號串聯(lián)在一起組成一組回波信號序列，對多組回波信號序列求均值，作為信號預測中的真正的土壤回波信號序列；步驟三、使用非單點一型模糊邏輯系統(tǒng)對土壤回波信號序列進行預測，提取雷達回波模板；步驟四、將雷達回波模板與雷達收集的未知土壤含水量的回波信號進行比對，根據(jù)比對結(jié)果計算得到回波信號序列與回波模板的均方根誤差(RMSE)，最終將未知土壤含水量信號歸類于最小均方根誤差對應(yīng)模板中，得到測試信號的土壤含水量。上述技術(shù)方案中，步驟1中，在無植被覆蓋農(nóng)田中使用超寬帶雷達采集不同土壤含水量的雷達回波，每種土壤含水量土壤回波需測量800個以上，同時使用時域反射儀精確測量每種回波的真實土壤含水量，起到定標作用。上述技術(shù)方案中，步驟三具體包括以下步驟：3.2、構(gòu)建非單點一型模糊邏輯系統(tǒng)；3.2、對回波信號進行預測，將回波信號序列數(shù)據(jù)點分為訓練部分以及預測部分兩類，沒類信號序列的數(shù)據(jù)點分別編號，其中si表示訓練部分第i個數(shù)據(jù)點，表示預測部分第k個數(shù)據(jù)點。訓練部分回波信號分組輸入非單點模糊邏輯系統(tǒng)中，信號分組方法為x(i)＝{si+1,si+2,...,si+p}(1)其中x(i)為非單點一型模糊邏輯系統(tǒng)的第i個輸入向量，向量包含p個元素；si+1為訓練部分回波信號序列的第i+1個數(shù)據(jù)點,非單點一型模糊邏輯系統(tǒng)輸出為回波信號序列第i+p+1個數(shù)據(jù)點的預測值，第i+p+1個數(shù)據(jù)點即為模糊邏輯系統(tǒng)輸出預測數(shù)值對應(yīng)的真實值；將x(i)(i＝0,1,2,...,i為整數(shù))依順序輸入模糊邏輯系統(tǒng)中，進行預測得到預測值，預測值有序排列最終構(gòu)成預測信號；將訓練部分數(shù)據(jù)點分組輸入非單點一型模糊邏輯系統(tǒng)中，比較輸出值與真實數(shù)據(jù)點的誤差，使用后向反饋方法訓練非單點一型模糊邏輯系統(tǒng)參數(shù)和mFkl(i+1)=mFkl(i)-αm[fs(x(i))-y(i)][y‾l(i)-fs(x(i))][xk(i)-mFkl(i)]σFkl2(i)φl(x(i))---(2)]]>σFkl(i+1)=σFkl(i)-ασ[fs(x(i))-y(i)][y‾l(i)-fs(x(i))][xk(i)-mFkl(i)]σFkl3(i)φl(x(i))---(3)]]>y‾l(i+1)=y‾l(i)-αy‾[fs(x(i))-y(i)]φl(x(i))---(4)]]>σxk(i+1)=σxk(i)-ασx[fs(x(i))-y(i)][y‾l(i)-fs(x(i))]σxk(i)[xk(i)-mFkl(i)σxk2(i)+σFk2(i)]φl(x(i))---(5)]]>和表示第i次訓練第l個規(guī)則中輸入向量的第k個元素的前件隸屬度函數(shù)的期望和方差，fs(x(i))表示第i次訓練后非單點一型模糊邏輯系統(tǒng)輸出的預測值，y(i)表示第i次訓練后輸出對應(yīng)的真實值，表示第i次訓練后的第l個規(guī)則的后件隸屬度函數(shù)的高度值，φl(x(i))表示第i次訓練后，非單點一型模糊邏輯系統(tǒng)的模糊基函數(shù)，表示第i次訓練后輸入向量第k個元素的高斯模糊函數(shù)方差，表示xi中第k個元素,αmασ分別代表各個參數(shù)調(diào)整的靈敏度，其影響每次參數(shù)調(diào)整的大小。3.3、將預測部分數(shù)據(jù)點分組輸入非單點一型模糊邏輯系統(tǒng)，分組方法如(6)xf(i)={sfi+1,sfi+2,...,sfi+p}---(6)]]>其中xf(i)為預測部分非單點一型模糊邏輯的輸入向量，共包含p個元素，為預測部分第i+p個數(shù)據(jù)點，(i＝0,1,2,...,i為整數(shù))。計算模糊邏輯系統(tǒng)輸出的預測信號與對應(yīng)回波信號序列的均方根誤差(RMSE)；RMSE=1N+1Σk=ii+N[y(i)-fs(x(i))]2---(7)]]>其中N+1為非單點一型模糊邏輯系統(tǒng)預測的數(shù)據(jù)點總數(shù)，fs(x(i))表示第i個輸入向量輸入后非單點一型模糊邏輯系統(tǒng)輸出的預測值，y(i)表示第i次預測后輸出對應(yīng)的真實值；反復訓練非單點一型模糊邏輯系統(tǒng)參數(shù)和在預測部分中找出最小回波信號序列的均方根誤差的預測信號，作為該土壤含水量的土壤回波模板。上述技術(shù)方案中，步驟3.1中非單點一型模糊邏輯系統(tǒng)包括：模糊器：由前件隸屬度函數(shù)函數(shù)組成，每個輸入xi向量使用非單點一型模糊邏輯預測時輸入向量如公式x(i)＝{si+1,si+2,...,si+p}。前件隸屬度函數(shù)類型選擇高斯隸屬度函數(shù)，則第l個規(guī)則中，第k個前件隸屬度函數(shù)為μFkl(xk(i))=exp(-(xk(i)-mFkl)22σFkl2)---(8)]]>其中xi表示第i次輸入非單點一型模糊邏輯系統(tǒng)的一個輸入向量，表示xi中第k個元素,和分別表示該高斯隸屬度函數(shù)的期望和方差，需通過個人經(jīng)驗設(shè)置參數(shù)；模糊邏輯規(guī)則：均由相同結(jié)構(gòu)描述為Rl:Ifx1isF1land...xkisFkland...xpisFpl]]>ThenyisGll＝1,...,M(9)xk表示非單點一型模糊邏輯系統(tǒng)輸入向量的第k個元素，表示第l個規(guī)則中輸入第k個元素的語言描述，Gl表示第l個規(guī)則中輸出的語言描述；模糊推理機制：由于非單點一型模糊邏輯系統(tǒng)中前件隸屬度函數(shù)輸出值存在不確定性，需要使用模糊函數(shù)進行描述，表示輸入向量第p個元素的隸屬度函數(shù)輸出的模糊函數(shù)，模糊函數(shù)使用高斯隸屬度函數(shù)，μXp(xp(i))=exp(-(xp(i)-mXp)22σXp2)---(10)]]>其中為輸入向量x(i)的第p個元素，為模糊函數(shù)的期望，為模糊函數(shù)的方差推理機制表達式可化簡為μBl(y)=μGl*{μF1l(xk,maxl)*...*μFpl(xk,maxl)},y∈Yxk,maxl=σxk2mFkl+σFk2mxklσxk2+σFk2---(11)]]>其中*表示模糊邏輯中t-norm運算(最小值運算或乘法運算)，為第l個規(guī)則的輸出模糊集，為非單點一型模糊邏輯中輸入向量第k個元素在第l個規(guī)則中隸屬度函數(shù)輸出的最大值對應(yīng)的橫坐標，與分別代表輸入向量的第k個元素的前件隸屬度函數(shù)輸出的模糊函數(shù)的期望與方差，且非單點一型模糊邏輯系統(tǒng)中默認與輸入向量x(i)的第k個元素相等；表示第l個規(guī)則對應(yīng)的后件隸屬度函數(shù)，需通過經(jīng)驗構(gòu)建；表示第l個規(guī)則中輸入向量第1個元素對應(yīng)的前件隸屬度函數(shù)；表示第l個規(guī)則中輸入向量第p個輸入元素對應(yīng)的前件隸屬度函數(shù)；解模糊器：對不同規(guī)則的推理機制結(jié)果使用高度解模糊化方法，且所有規(guī)則對應(yīng)的后件隸屬度函數(shù)為高斯隸屬度函數(shù)，確定的最大值對應(yīng)的橫坐標為計算過程中數(shù)值大小簡化為1，得出最終輸出y(x)=f(x)=Σl=1My‾lφl(x)=Σi=1My‾lμBl(y‾l)Σi=1MμBl(y‾l)=Σi=1My‾lΠk=1pexp(-(xk,maxl-mFkl)22σFkl2)Σi=1MΠk=1pexp(-(xk,maxl-mFkl)22σFkl2)---(12)]]>其中x表示非單點一型模糊邏輯的一個輸入向量，含有p個元素；為第l個規(guī)則對應(yīng)的后件隸屬度函數(shù)高度值；φl(x)為非單點一型模糊邏輯系統(tǒng)的模糊基函數(shù)；為第l個規(guī)則的輸出模糊集；為非單點一型模糊邏輯中輸入向量的第k個元素在第l個規(guī)則中隸屬度函數(shù)輸出的最大值對應(yīng)的橫坐標，表達式見公式(11)；由于非單點一型模糊邏輯系統(tǒng)默認數(shù)值與相等，(12)中可以看出，非單點一型模糊邏輯系統(tǒng)中影響輸出y的參數(shù)分別為和綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：一、本發(fā)明具有超寬帶雷達體積小、功耗低、抗干擾能力強、成本可控的特點，同時兼顧非單點一型模糊邏輯系統(tǒng)優(yōu)勢，運算時間短且精度高，可以達到實時的土壤含水量監(jiān)測效果。二、對回波信號預測的精度本文中提出的非單點一型模糊邏輯系統(tǒng)更高。本文提出的使用模糊邏輯系統(tǒng)的輸出信號序列作為回波模板進行比對的方法時間成本與計算成本小,且本方法最終土壤含水量識別正確率更高。附圖說明圖1土壤體積含水量13.7％雷達回波去耦合噪聲后的回波信號圖2土壤體積含水量13.7％非單點一型模糊邏輯系統(tǒng)輸出信號與真實信號間均方根誤差隨訓練次數(shù)變化曲線圖3土壤體積含水量40.9％非單點一型模糊邏輯系統(tǒng)輸出回波模板(0-10ns)圖4土壤體積含水量40.9％非單點一型模糊邏輯系統(tǒng)輸出回波模板(10-20ns)圖5土壤體積含水量40.9％單點和非單點一型模糊邏輯系統(tǒng)不同性噪比下正確識別概率對比圖。具體實施方式下面結(jié)合附圖，對本發(fā)明作詳細的說明。2.1雷達回波采集本實驗選擇10*10m無植被的農(nóng)田內(nèi)采集數(shù)據(jù)。首先，將PulsON410懸掛至距地面80cm的空中，雷達天線垂直指向地面。使用PulsON410雷達收集雷達回波，需重復采集雷達回波800次以上。將測量區(qū)域分為3*3的小區(qū)域，每塊區(qū)域面積30*30cm。使用TDR300測量每塊小區(qū)域內(nèi)土壤體積水量，注意TDR300探針需垂直插入土壤3.5公分深。將9個測量結(jié)果求平均，作為該區(qū)域土壤體積含水量。不斷向測量區(qū)域內(nèi)加水灌溉，20分鐘等待后，繼續(xù)收集雷達回波并測量土壤體積含水量。以此方法共收集5種不同土壤體積含水量的雷達回波數(shù)據(jù)，分別為體積含水量13.7％、21.7％、28.3％、35.0％、40.9％。2.2雷達回波處理采集的雷達回波，考慮前端耦合噪聲以及PulsON410滲透深度，截取圖中91-490點數(shù)據(jù)作為回波信號如圖1，用于生成回波模板。提取800個擁有相同土壤體積含水量的回波信號，每20個級聯(lián)為一組，共分為40組數(shù)據(jù)，并求40組回波數(shù)據(jù)均值作為一個回波信號序列。2.3建立回波模型(a)確立一型模糊邏輯邏輯系統(tǒng)該實驗使用非單點一型模糊邏輯系統(tǒng)，并與單點一型模糊邏輯系統(tǒng)結(jié)果進行對比，模糊器選擇高斯隸屬度函數(shù)，模糊邏輯運算t-norm使用乘法運算，解模糊器使用高度解模糊化方法。非單點一型模糊邏輯系統(tǒng)由模糊器、規(guī)則、模糊推理機制和解模糊器構(gòu)成。模糊器選擇高斯隸屬度函數(shù)，第l個規(guī)則中，第k個輸入的隸屬度函數(shù)為μFkl(xk(i))=exp(-(xk(i)-mFkl)22σFkl2)---(1)]]>其中xi表示第i次輸入非單點一型模糊邏輯系統(tǒng)的一個輸入向量，表示xi中第k個元素,和分別表示該高斯隸屬度函數(shù)的期望和方差，需通過個人經(jīng)驗設(shè)置參數(shù)；模糊邏輯規(guī)則均由相同結(jié)構(gòu)描述為Rl:Ifx1isF1land...xkisFkland...xpisFpl]]>ThenyisGll＝1,...,M(2)xk表示非單點一型模糊邏輯系統(tǒng)輸入向量的第k個元素，表示第l個規(guī)則中輸入第k個元素的語言描述，Gl表示第l個規(guī)則中輸出的語言描述；對于非單點模糊邏輯系統(tǒng)，模糊推理機制為μBl(y)=μGl*{μF1l(xk,maxl)*...*μFpl(xk,maxl)},y∈Yxk,maxl=σxk2mFkl+σFk2mxklσxk2+σFk2---(3)]]>其中*表示模糊邏輯中t-norm運算(最小值運算或乘法運算)，為第l個規(guī)則的輸出模糊集，為非單點一型模糊邏輯中輸入向量第k個元素在第l個規(guī)則中隸屬度函數(shù)輸出的最大值對應(yīng)的橫坐標，與分別代表輸入向量的第k個元素的前件隸屬度函數(shù)輸出的模糊函數(shù)的期望與方差，且非單點一型模糊邏輯系統(tǒng)中默認與輸入向量x(i)的第k個元素相等；表示第l個規(guī)則對應(yīng)的后件隸屬度函數(shù)，需通過經(jīng)驗構(gòu)建；表示第l個規(guī)則中輸入向量第1個元素對應(yīng)的前件隸屬度函數(shù)；表示第l個規(guī)則中輸入向量第p個輸入元素對應(yīng)的前件隸屬度函數(shù)。不同規(guī)則的推理機制結(jié)果由解模糊器使用高度解模糊化方法進行整合，得出最終輸出。y(x)=f(x)=Σl=1My‾lφl(x)=Σi=1My‾lμBl(y‾l)Σi=1MμBl(y‾l)=Σi=1My‾lΠk=1pexp(-(xk,maxl-mFkl)22σFkl2)Σi=1MΠk=1pexp(-(xk,maxl-mFkl)22σFkl2)---(4)]]>其中x表示非單點一型模糊邏輯的一個輸入向量，含有p個元素；為第l個規(guī)則對應(yīng)的后件隸屬度函數(shù)高度值；φl(x)為非單點一型模糊邏輯系統(tǒng)的模糊基函數(shù)；為第l個規(guī)則的輸出模糊集；為非單點一型模糊邏輯中輸入向量的第k個元素在第l個規(guī)則中隸屬度函數(shù)輸出的最大值對應(yīng)的橫坐標，表達式見公式(11)；(b)生成回波模板計算2.2中土壤回波信號序列所有數(shù)據(jù)點的期望m和方差σ，設(shè)置模糊邏輯系統(tǒng)參數(shù)初值：為m-2σ和m+2σ，為2σ。為0至1間隨機數(shù)。將2.2中土壤回波信號序列(共8000數(shù)據(jù)點)平均分為訓練部分和預測部分。在訓練部分，每四個信號分為1組，輸入模糊邏輯系統(tǒng)x(i)＝[xi,xi+1,xi+2,xi+3]i＝1,2...,3996(5)如(5)為一組數(shù)據(jù)，每個輸入設(shè)置兩個隸屬度函數(shù)，四個輸入共組成16種規(guī)則。輸出結(jié)果與xi+4進行比對。設(shè)置模糊邏輯系統(tǒng)參數(shù)初值：為m-2σ和m+2σ，為2σ，為0至1間隨機數(shù)。將訓練部分每組數(shù)據(jù)點輸入模糊邏輯系統(tǒng)，比較輸出值與真實數(shù)據(jù)點的誤差，使用后向反饋方法訓練模糊邏輯系統(tǒng)參數(shù)mFkl(i+1)=mFkl(i)-αm[fs(x(i))-y(i)][y‾l(i)-fs(x(i))][xk(i)-mFkl(i)]σFkl2(i)φl(x(i))---(6)]]>σFkl(i+1)=σFkl(i)-ασ[fs(x(i))-y(i)][y‾l(i)-fs(x(i))][xk(i)-mFkl(i)]σFkl3(i)φl(x(i))---(7)]]>y‾l(i+1)=y‾l(i)-αy‾[fs(x(i))-y(i)]φl(x(i))---(8)]]>σxk(i+1)=σxk(i)-ασx[fs(x(i))-y(i)][y‾l(i)-fs(x(i))]σxk(i)[xk(i)-mFkl(i)σxk2(i)+σFk2(i)]φl(x(i))---(9)]]>和表示第i次訓練第l個規(guī)則中輸入向量的第k個元素的前件隸屬度函數(shù)的期望和方差，fs(x(i))表示第i次訓練后非單點一型模糊邏輯系統(tǒng)輸出的預測值，y(i)表示第i次訓練后輸出對應(yīng)的真實值，表示第i次訓練后的第l個規(guī)則的后件隸屬度函數(shù)的高度值，φl(x(i))表示第i次訓練后，非單點一型模糊邏輯系統(tǒng)的模糊基函數(shù)，表示第i次訓練后輸入向量第k個元素的高斯模糊函數(shù)方差，表示xi中第k個元素,αmασ分別代表各個參數(shù)調(diào)整的靈敏度，其影響每次參數(shù)調(diào)整的大小。3996組數(shù)據(jù)點均帶入模糊邏輯系統(tǒng)完成訓練成為一個epoch。每個epoch將預測部分數(shù)據(jù)輸入模糊邏輯系統(tǒng)，對比輸出數(shù)據(jù)與真實數(shù)據(jù)并計算均方根誤差。RMSE=1N+1Σk=ii+N[y(i)-fs(x(i))]2---(10)]]>其中N+1為非單點一型模糊邏輯系統(tǒng)預測的數(shù)據(jù)點總數(shù)，fs(x(i))表示第i個輸入向量輸入后非單點一型模糊邏輯系統(tǒng)輸出的預測值，y(i)表示第i次預測后輸出對應(yīng)的真實值。反復訓練非單點一型模糊邏輯系統(tǒng)參數(shù)和在預測部分中找出最小回波信號序列的均方根誤差的預測信號，作為該土壤含水量的土壤回波模板。調(diào)節(jié)(6)-(9)中α值(所有α取同一數(shù)值)和(9)中σx初值，尋找均方根誤差最小結(jié)果，保存模糊邏輯系統(tǒng)輸出的預測信號作為超寬帶雷達回波模板。如圖3與圖4分別為40.9％土壤體積含水量0-10ns與10-20ns的回波模板。以上述方法分別制作5種不同土壤體積含水量的回波模板。使用PulsON410雷達以2.1中描述方法采集未知土壤含水量的雷達回波進行回波處理，得到的回波信號作為測試信號，與5種模板比較，并將未知信號劃入均方根誤差最小的回波模板中，以此判斷回波信號對應(yīng)的土壤含水量。測試信號添加高斯白噪聲，調(diào)節(jié)噪聲大小，得到性噪比與識別率曲線。如圖5為土壤體積含水量40.9％的回波信號識別率，可得結(jié)論，在高斯白噪聲影響下，依然保持較高識別率。同時對比單點一型模糊邏輯系統(tǒng)，非單點一型模糊邏輯系統(tǒng)同性噪比下識別率更高。當前第1頁1 2 3