基于遗传算法的动平台相干测风激光雷达的反演方法

1.本发明属于激光雷达数据处理领域，特别是一种基于遗传算法的动平台相干测风激光雷达的反演方法。


背景技术：

2.大气风场作为大气的一项重要参数，在气象学、天气预报、环境监测、航空领域等方面有重要应用，因此能够精确地实现对于三维风场的反演具有重要意义。相干多普勒测风激光雷达是研究大气风场的重要手段，与其他风场监测手段不同，多普勒测风激光雷达是利用大气环境中的气溶胶粒子和大气分子的后向散射信号来进行探测的。该探测方式具有信噪比高、探测灵敏度高、精度高和对背景光不敏感等优点。将相干测风激光雷达安装于动平台上进行探测，能够扩大雷达系统的探测范围。但目前常用的三维风场反演算法，如最小二乘法等在反演过程中依赖于视向风速的反演精度，当气溶胶浓度较低或风速较小，即信号较弱时，往往会影响到视向风速的反演精度，进一步对三维风场的反演结果准确性产生影响。


技术实现要素：

3.本发明的目的在于克服现有动平台相干多普勒测风激光雷达反演过程中依赖于视向风速反演精度的问题，提供一种基于遗传算法的动平台相干测风激光雷达的反演方法，该方法不通过视向风速的求解来反演风场，而是直接通过雷达在平台运动过程中所获得的多方位频谱信息来获得三维风场。因此，该算法避免了在信噪比较低的情况下所计算出的视向风速不准确，进一步影响三维风场反演结果精确度的情况。直接利用多个不同方位的频谱之间的相关性，对不同扫描角频谱信息中的有用信号进行积累，同时对噪声信号进行平均，使得该算法在信噪比较低时有更好的反演精度。
4.本发明技术解决方案如下：
5.一种基于遗传算法的动平台相干测风激光雷达的反演方法，其特点在于，该方法包括以下步骤：
6.1)、建立相干多普勒测风激光雷达动平台，该相干多普勒测风激光雷达动平台包括脉冲激光器、分光器、耦合器、声光调制器、放大器、环形器、收发望远镜、透射型扫瞄镜、平衡探测器、a/d转换器、由惯导系统和全球定位系统组成的pos系统和上位机数据处理器，所述的脉冲激光器发出的光束经所述的分光器分为两路光束：其中一光束直接与所述的耦合器的1端口相连；另一光束经所述的声光调制器进行移频后通过光纤与放大器相连进行放大，之后经所述的环形器的1端口、2端口输出后输入所述的收发望远镜，利用透射型扫瞄镜将光发射到大气中，进行vad(velocity azimuth display)扫描，即以固定仰角的方式进行不同方位角的扫描，回波信号通过同一收发望远镜(7)进行接收，接收后经过所述的环形器的2端口、3端后进入所述的耦合器的2端口，与进入所述的耦合器1端口的另一光束进行拍频分成两路经所述的平衡探测器)进行信号的探测，利用所述的a/d转换器进行信号采
集，将模拟信号转换为数字信号进入所述的上位机数据处理器；
7.2)、对于相干多普勒测风激光雷达动平台而言，考虑到平台运动的影响，再根据激光雷达几何关系我们可以得到每个扫描方向的风速为：
[0008][0009]
其中，v＝[v
x v
y vz]为三维风场矢量，i为透射型扫瞄镜(8)所扫描的当前方位数，v
losi
为不同扫描方向的视向风速；αi为系统的视向仰角，βi为视向方位角。v
xia
、v
yia
、v
zia
分别为不同方位探测时运动平台的北向、东向和地向速度；α
gi
和β
gi
为大地坐标系下的视向仰角和方位角；通过雷达系统中由惯导系统和全球定位系统组成的pos系统(11)，我们可以直接获得平台的运动速度及在动平台坐标系下的视向仰角α
p
和方位角β
p
，需要利用坐标变换将其转化为地面坐标系下的αg和βg；根据相干多普勒测风原理，我们可以得到视向风速与风场引起的多普勒频移之间的关系为：
[0010][0011]
式中，fi为不同扫描方向所获信号的多普勒频移值；f
if
为系统中频，λ为系统所用光源波长；之后，我们便可以按下式得到当前风场下所有方位多普勒频移对应的频谱强度累加和的大小s(v)：
[0012][0013]
式中，wi(fi)为以当前假设风场计算出的单方位多普勒频移所对应的频谱强度；n为参与计算的总方位数；当s(v)最大时所对应的v的解值便为当前风场信息；
[0014]
3)、确定遗传算法的相关参数，包括风矢量的求解范围和累加的总方位数，一般情况下水平风速求解范围在
±
20m/s，垂直风速求解范围在
±
3m/s，累加的总方位数则根据扫瞄镜的扫描方位数确定。然后确定种群规模、交叉概率、变异概率、最大进化代数。种群规模不宜过大也不宜过小，一般选取0-100，交叉概率和变异概率的选取一般受种群大小、编码长度等因素的影响，交叉概率取值一般为0.4-0.99，变异概率一般为0.001－0.2。最大进化代数则取决于所希望的循环次数，最大进化代数越大越接近最优解，但相应的计算时间也会延长；
[0015]
4)、对风场进行初始化，确定初始风场v的值：第一距离门的风场采用最小二乘法风场反演结果，之后其余距离门以上一距离门求解风速为中心，在小范围内随机选择风速进行初始化；若上一距离门中没有求解出风速信息并且最小二乘法也无法提取风速信息，则采用随机初始化，即在给定风场求解范围随机确定风速；
[0016]
5)、然后采用二进制编码方式，将风速转化为基因进行编码；
[0017]
6)、将风矢量转换为二进制数的基因序列后进行选择操作、交叉操作与变异操作：选择操作为利用风速与频移量之间的关系计算累加频谱强度s(v)的大小，按照s(v)的大小从小到大对风速进行排序，将排序后的风速平均分为前、中、后3段,分别按照0.6，0.8，1的比例对每段的风速进行选择，采用最后段的风速对被淘汰的风速进行补充：交叉操作为将两个相邻风速间的二进制数的基因序列根据交叉概率进行交叉互换形成新的风速；变异操作为按变异概率随机地改变风速的单个基因值，防止整个算法在求解时陷入局部最优；
[0018]
7)、最后判断是否达到步骤2)中所确定的最大进化代数，即算法是否完成循环：
[0019]
如达到最大进化代数，则进入下一步；未达到最大进化代数则再返回步骤6)再次进行选择、交叉与变异操作，如达到最大进化代数，则进入下一步；未达到最大进化代数则再返回步骤6)再次进行选择、交叉与变异操作，
[0020]
8)根据s(v)所对应最优解v的保持代数判断算法是否收敛：
[0021]
若未收敛且执行算法次数少于3次，则返回步骤4)对风场进行初始化；
[0022]
若执行算法3次均未收敛，则无法求解当前距离门风速信息；
[0023]
若算法收敛，则进入下一步；
[0024]
9)判断动平台高度是否发生变化：
[0025]
当动平台高度发生了变化，则进入步骤10)；当动平台高度未发生变化，则进入步骤11)；
[0026]
10)通过pos系统提供的动平台海拔高度信息对动平台海拔高度进行校正，进行平台高度校正，将此时s(v)最大时所对应的风速进行二进制解码，解码后所对应的v即为当前大气风场；
[0027]
11)得到在地面坐标系下的三维风场。
[0028]
当其应用于飞机等高度会发生变化的动平台时，则从步骤9)经步骤10)进入步骤11)，经步骤11)结束。
[0029]
当其应用于车、船等高度不会变化的动平台时，则从步骤9)进入步骤11)，经步骤11结束。
[0030]
本发明的有益效果在于：
[0031]
1、本发明通过对运动平台所搭载的透射型扫描镜所获得的不同方向的频谱信息和大气风场之间的表达式进行求解来确定雷达所测风场信息，并使用遗传算法来对该表达式的解值进行寻优。在上述表达式的确定过程中加入了对运动平台的姿态校正过程，以去除运动平台本身对三维风场反演结果产生的影响。
[0032]
2、本发明当其应用于飞机等在测风过程中高度会产生变化的运动平台时，在得到反演出的三维风场之后，进行了动平台海拔高度的校正，最终可以得到在地面坐标系下的三维风场。
[0033]
3、较传统基于视向风速的数据处理方法相比，本发明不依赖于视向风速的反演精度，而是直接从原始频谱中提取有效信息，可以在气溶胶信号较弱及低信噪比情况下获得更好的反演结果，从而提高了风场反演的准确性。
附图说明
[0034]
图1为现有技术中机载相干多普勒测风激光雷达系统框架图。
[0035]
图2为测风激光雷达几何关系示意图。
[0036]
图3为基于遗传算法的动平台相干测风激光雷达反演三维风场的流程图。
具体实施方式
[0037]
下面结合实例和附图对本发明作进一步说明，但不应以此限制本发明的保护范围。
[0038]
先请参阅图3，由图可见，本发明基于遗传算法的动平台相干测风激光雷达的反演方法，包括以下步骤：
[0039]
1)、建立相干多普勒测风激光雷达动平台，参阅图1，图1为现有技术中机载相干多普勒测风激光雷达系统框架图。该相干多普勒测风激光雷达动平台包括脉冲激光器1、分光器2、耦合器3、声光调制器4、放大器5、环形器6、收发望远镜7、透射型扫瞄镜8、平衡探测器9、a/d转换器10、由惯导系统和全球定位系统组成的pos系统11和上位机数据处理器12，所述的脉冲激光器1发出的光束经所述的分光器2分为两路光束：其中一光束直接与所述的耦合器3的1端口相连；另一光束经所述的声光调制器4进行移频后通过光纤与放大器5相连进行放大，之后经所述的环形器6的1端口、2端口输出后输入所述的收发望远镜7，利用透射型扫瞄镜8将光发射到大气中，进行vad(velocity azimuth display)扫描，即以固定仰角的方式进行不同方位角的扫描，回波信号通过同一收发望远镜7进行接收，接收后经过所述的环形器6的2端口、3端后进入所述的耦合器32端口，与进入所述的耦合器3的1端口的一光束进行拍频分成两路经所述的平衡探测器9进行信号的探测，利用所述的a/d转换器10进行信号采集，将模拟信号转换为数字信号进入所述的上位机数据处理器12；
[0040]
2)、对于相干多普勒测风激光雷达动平台而言，参见图2，考虑到平台运动的影响，再根据激光雷达几何关系我们可以得到每个扫描方向的风速为：
[0041][0042]
其中，v＝[v
x v
y vz]为三维风场矢量，i为透射型扫瞄镜(8)所扫描的当前方位数，v
losi
为不同扫描方向的视向风速；αi为系统的视向仰角，βi为视向方位角。v
xia
、v
yia
、v
zia
分别为不同方位探测时运动平台的北向、东向和地向速度；α
gi
和β
gi
为大地坐标系下的视向仰角和方位角；通过雷达系统中由惯导系统和全球定位系统组成的pos系统(11)，我们可以直接获得平台的运动速度及在动平台坐标系下的视向仰角α
p
和方位角β
p
，需要利用坐标变换将其转化为地面坐标系下的αg和βg；根据相干多普勒测风原理，我们可以得到视向风速与风场引起的多普勒频移之间的关系为：
[0043][0044]
式中，fi为不同扫描方向所获信号的多普勒频移值；f
if
为系统中频，λ为系统所用光源波长；之后，我们便可以按下式得到当前风场下所有方位多普勒频移对应的频谱强度累加和的大小s(v)：
[0045][0046]
式中，wi(fi)为以当前假设风场计算出的单方位多普勒频移所对应的频谱强度；n为参与计算的总方位数；当s(v)最大时所对应的v的解值便为当前风场信息；
[0047]
3)、确定遗传算法的相关参数，包括风矢量的求解范围和累加的总方位数，一般情况下水平风速求解范围在
±
20m/s，垂直风速求解范围在
±
3m/s，累加的总方位数则根据扫瞄镜的扫描方位数确定。然后确定种群规模、交叉概率、变异概率、最大进化代数。种群规模不宜过大也不宜过小，一般选取0-100，交叉概率和变异概率的选取一般受种群大小、编码长度等因素的影响，交叉概率取值一般为0.4-0.99，变异概率一般为0.001－0.2。最大进化
代数则取决于所希望的循环次数，最大进化代数越大越接近最优解，但相应的计算时间也会延长；
[0048]
4)、对风场进行初始化，确定初始风场v的值：第一距离门的风场采用最小二乘法风场反演结果，之后其余距离门以上一距离门求解风速为中心，在小范围内随机选择风速进行初始化；若上一距离门中没有求解出风速信息并且最小二乘法也无法提取风速信息，则采用随机初始化，即在给定风场求解范围随机确定风速；
[0049]
5)、然后采用二进制编码方式，将风速转化为基因进行编码，即将十进制表示的初始风速转换成二进制，用0和1组成的数字串来模拟基因序列，以方便实现下述的选择、交叉与变异操作；
[0050]
6)、将风矢量转换为二进制数的基因序列后进行选择操作、交叉操作与变异操作：选择操作为利用风速与频移量之间的关系计算累加频谱强度s(v)的大小，按照s(v)的大小从小到大对风速进行排序，将排序后的风速平均分为前、中、后3段,分别按照0.6，0.8，1的比例对每段的风速进行选择，采用最后段的风速对被淘汰的风速进行补充：交叉操作为将两个相邻风速间的二进制数的基因序列根据交叉概率进行交叉互换形成新的风速；变异操作为按变异概率随机地改变风速的单个基因值，防止整个算法在求解时陷入局部最优；
[0051]
7)、最后判断是否达到步骤2)中所确定的最大进化代数，即算法是否完成循环：
[0052]
如达到最大进化代数，则进入下一步；未达到最大进化代数则再返回步骤6)再次进行选择、交叉与变异操作，
[0053]
8)、根据s(v)所对应最优解v的保持代数判断算法是否收敛：
[0054]
若未收敛且执行算法次数少于3次，则返回步骤4)对风场进行初始化；
[0055]
若执行算法3次均未收敛，则无法求解当前距离门风速信息；
[0056]
若算法收敛，则进入下一步；
[0057]
9)、判断动平台高度是否发生变化：
[0058]
当动平台高度发生了变化，则进入步骤10)；当动平台高度未发生变化，则进入步骤11)；
[0059]
10)、通过pos系统提供的动平台海拔高度信息对动平台海拔高度进行校正，进行平台高度校正，将此时s(v)最大时所对应的风速进行二进制解码，解码后所对应的v即为当前大气风场；
[0060]
11)、得到在地面坐标系下的三维风场。
[0061]
当其应用于飞机等高度会发生变化的动平台时，则从步骤9)经步骤10)进入步骤11)，经步骤11)结束。
[0062]
当其应用于车、船等高度不会变化的动平台时，则从步骤9)进入步骤11)，经步骤11结束。
[0063]
实验表明，本发明不通过视向风速的求解来反演风场，而是直接通过雷达在平台运动过程中所获得的多方位频谱信息来获得三维风场。本发明方法避免了在信噪比较低的情况下所计算出的视向风速不准确，进一步影响三维风场反演结果精确度的情况。直接利用多个不同方位的频谱之间的相关性，对不同扫描角频谱信息中的有用信号进行积累，同时对噪声信号进行平均，使得该算法在信噪比较低时有更好的反演精度。