基于LSTM的GB-InSAR大气相位补偿方法

基于lstm的gb-insar大气相位补偿方法
技术领域
1.本发明涉及大气相位补偿技术领域，具体涉及基于lstm的gb-insar大气相位补偿方法。


背景技术：

2.电磁波的传播系数会受到大气条件影响，当大气条件发生改变时，电磁波系数会产生变化，因此，在不同时刻，电磁波系数不同，gb-insar通过两次差分干涉计算得到的形变量中包含了气象扰动误差，为了更加精确获取形变量，需要对干涉相位图中的像素点进行大气相位补偿。
3.现如今在gb-insar测量中，常用的大气相位补偿方法通常为两种，第一种是利用气象数据根据大气折射率模型计算大气相位。第二种是基于ps点建立大气参数模型，在天气条件良好的情况下，可以认为大气在空间上具有同质性，基于大气的同质性，建立随斜距变化的一次线性模型对ps点进行大气相位估计。然而这两种方法都具有缺陷。在实际监测场景中，气象条件一直随时间变化，大气在时间上与空间上出现不同质，尤其在复杂天气条件下，大气在空间上变化更为复杂，采用多参数模型对大气相位进行估计会造成较大误差，因此需要研究时空变大气相位的补偿方法。


技术实现要素：

4.本发明意在提供基于lstm的gb-insar大气相位补偿方法，以解决现有方法中，在面对复杂天气的情况下，对于大气相位的估计误差较大的问题。
5.为了达到上述目的，本发明的基础方案如下：基于lstm的gb-insar大气相位补偿方法，包括以下步骤，
6.步骤一：计算ps点的相关系数与相位平均值，构建评价因子，
7.步骤二：选取评价因子输入lstm获取ps点时序相位变化特征，构建分类模型，
8.步骤三：利用k-means方法对所有ps点分类，选择标准差最小的类别作为稳定点验证模型的可靠性，获取合适的分类模型，
9.步骤四：利用分类模型对所有ps点分类，选出稳定ps点，
10.步骤五：根据稳定ps点进行lowess插值拟合，补偿ps点的大气相位。
11.本发明原理以及有益效果：通过考虑获取大气相位在时序列上的相关性，进而提出本方法，从而使之能适用于天气环境较为复杂的场景。
12.进一步，lstm为长短时序网络，长短时序网络在循环神经网络输出门、输入门的基础上增加了遗忘门与自循环连接点，且长短时序网络的训练过程中，使用tanh函数作为核心函数，simgomd函数作为激活函数。
13.有益效果：长短时序网络能够通过遗忘门来记录或删除信息实现遗忘和记忆功能，且主要通过输入门与输出门实现遗忘与记忆功能，输入门能选择对信息进行遗忘，输出门确定记忆存储格的输出值及是否作为输入下一时期的神经元。
14.进一步，长短时序网络的训练过程由以下部分组成，
15.第一部分为遗忘门，遗忘门决定了信息的记录或遗忘，公式如下，
[0016][0017]
式中，f
t
表示遗忘门的输出，当其为1时，表示当前信息将被输入给下一时期，当其为0是，信息将被删除，处于[0,1]之间的大小表明了下一时间将被记录的信息多少，wf表示权重，bf表示偏置，σ表示激活函数，h
t-1
表示上一时期被记录的信息，x
t
表示这一时期的输入，
[0018]
第二部分为当遗忘门进行判断后，输入门将判断这一时期的输入是否会被记录，公式表达如下，
[0019][0020][0021]
其中，i
t
表示输入门的输出，wi表示的权重矩阵，bi表示偏置项，表示新单元状态的值，wc表示当前输入单元状态的权重，bc表示当前输入的单元状态的偏置，
[0022]
第三部分为更新，根据激活函数的输出与前一时期记录的信息完成对长短时序网络的更新，公式表达如下，
[0023][0024]
第四部分长短时序网络进行输出入，在输出时，长短时序网络会对输出进行判断，会因当前的单元状态决定是否输出结果，其主要取决于激活函数与tanh函数，公式表达如下，
[0025][0026]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0027]
其中o
t
表示输出门的输出，w0表示权重矩阵，b0表示偏置项，h
t
表示输出结果。
[0028]
有益效果：simgomd函数能够将输入样本进行数值归一化，输入的值转化到[0,1]之间，这样能够减小样本之间因数值偏差过大而导致的样本差距，对于训练有很大帮助，然而，simgmod函数存在缺陷，容易出现收敛较慢与梯度消失问题，其公式如下:
[0029][0030]
而tanh相对于simgmod函数具有优势，它避开了simgmod的缺陷，因此，它常作为长短时序网络的核心函数。
[0031]
进一步，ps点分为两类，分别为稳定ps点与不稳定ps点，每一个ps点采用相位平均值、复相关系数两种观测变量进行描述。
[0032]
进一步，相位平均值的计算方式为第k个ps点的相位均值表示为其中代表ps点k在第i幅图像与第一张图干涉解缠后的相位值。
[0033]
进一步，复相关系数的计算方式为每一个ps点与所有ps点复相位求取相关系数并求取平均得到且公式为，
[0034][0035]
其中，代表ps点k在第i幅图像中的信息，w表示所有ps点的信息。
[0036]
进一步，由于相位平均值、复相关系数的量纲与取值范围不同，需先进行消除量纲的归一化处理，公式如下，
[0037][0038]
然后将两种元素相加得到评价因子且选取评价标准前后x％用lstm训练，然后对剩余ps点进行分类，前x％为稳定点，后x％作为不稳定点。
[0039]
进一步，为验证lstm构建的分类模型，选用所述k-means方法对所有ps点进行聚类，然后通过计算所有聚类类别的标准差，选用最小标准差的类别作为稳定点类别，对分类模型进行验证，其中k-means算法原理是将给予的样本集根据距离进行划分为簇，且k-means算法能够设置族的中心点，根据距离将相邻距离内相近的点划分为同一个类别里，假设将样本集x划分为k个簇(c1,c1,...,ck)，各簇间的平方误差和e表示为：
[0040][0041]
其中，||
·
||表示2阶范数，即向量的模，μi是簇ci的均值相邻，公式表示为：
[0042][0043]
其中，|
·
|表示1阶范数，即簇中点的数量，
[0044]
对所有ps点进行聚类，聚类类别为k，计算每个聚类的标准差，计算公式表示为：
[0045][0046]
其中，表示第k个聚类里第i个点相位值，表示第k个聚类的相位均值。
[0047]
有益效果：将相位标准差最小的聚类里ps归为稳定ps点，以此测试评价标准前后x％获得的分类模型的准确性，当模型符合预期标准，选用当前模型对所有ps点进行分类，选出稳定ps点，最终利用稳定ps对大气相位进行补偿，补偿方法选用局部加权回归拟合。
[0048]
进一步，lowess为局部加权回归，局部加权回归属于非参数统计学习方法，局部加权学习通过局部简化，简单的局部模型假设即可拟合出全局模型。
[0049]
有益效果：在实际应用中，数据的分布往往不能给出足够的分布，局部加权学习根据预测点与训练样本直接点距离，给予训练样本不同权值，距离待预测点越近的训练样本的权值越大，相反，距离待预测点越远的训练样本权值越小，这使得局部加权学习可以有差异学习数据的局部信息。
[0050]
进一步，对于稳定ps点，首先截图窗口，截取的距离选择为到指定点最小距离的点
的集合，表达式如下，
[0051][0052]
根据设定的窗口d
span
，选择宽口范围内距离指定点最小的点集合，表现式如下，
[0053][0054]
每一个距离指定点的点都具有自己的权值，它的大小为：
[0055][0056]
利用这些点做局部加权回归，其损失函数为：
[0057][0058]
利用局部加权回归构建一个拟合曲面f(x,y)，所得f(x,y)为估计的大气干涉相位值。
附图说明
[0059]
图1为本发明实施例中基于lstm的gb-insar大气相位补偿方法的传统lstm模型示意图。
[0060]
图2为本发明实施例中基于lstm的gb-insar大气相位补偿方法的现场图片与雷达图片。
[0061]
图3为本发明实施例中基于lstm的gb-insar大气相位补偿方法的雷达图像与差分干涉相位图。
[0062]
图4为本发明实施例中基于lstm的gb-insar大气相位补偿方法的选择分布图。
[0063]
图5为本发明实施例中基于lstm的gb-insar大气相位补偿方法的选取3％时相位变化曲线。
[0064]
图6为本发明实施例中基于lstm的gb-insar大气相位补偿方法的不同评价因子百分比选取结果图。
[0065]
图7为本发明实施例中基于lstm的gb-insar大气相位补偿方法的点聚类结果与最小标准差类别图。
[0066]
图8为本发明实施例中基于lstm的gb-insar大气相位补偿方法的分类结果图。
[0067]
图9为本发明实施例中基于lstm的gb-insar大气相位补偿方法的基于lstm的大气补偿结果与常规方法大气补偿对比图。
[0068]
图10为本发明实施例中基于lstm的gb-insar大气相位补偿方法的流程图。
具体实施方式
[0069]
下面通过具体实施方式进一步详细说明：
[0070]
实施例基本如附图1和图10所示：基于lstm的gb-insar大气相位补偿方法，包括以下步骤，
[0071]
步骤一：计算ps点的相关系数与相位平均值，构建评价因子，
[0072]
相位平均值的计算方式为第k个ps点的相位均值表示为其中代表ps点k在第i幅图像与第一张图干涉解缠后的相位值，复相关系数的计算方式为每一个ps点与所有ps点复相位求取相关系数并求取平均得到且公式为，
[0073][0074]
其中，代表ps点k在第i幅图像中的信息，w表示所有ps点的信息
[0075]
由于相位平均值、复相关系数的量纲与取值范围不同，需先进行消除量纲的归一化处理，公式如下，
[0076][0077]
然后将两种元素相加得到评价因子
[0078]
步骤二：选取评价因子输入lstm获取ps点时序相位变化特征，构建分类模型，
[0079]
选取评价标准前后x％用lstm训练，然后对剩余ps点进行分类，前x％为稳定点，后x％作为不稳定点，其中lstm训练过程由以下部分组成，
[0080]
第一部分为遗忘门，遗忘门决定了信息的记录或遗忘，公式如下，
[0081][0082]
式中，f
t
表示遗忘门的输出，当其为1时，表示当前信息将被输入给下一时期，当其为0是，信息将被删除，处于[0,1]之间的大小表明了下一时间将被记录的信息多少，wf表示权重，bf表示偏置，σ表示激活函数，h
t-1
表示上一时期被记录的信息，x
t
表示这一时期的输入，
[0083]
第二部分为当遗忘门进行判断后，输入门将判断这一时期的输入是否会被记录，公式表达如下，
[0084][0085]
其中，i
t
表示输入门的输出，wi表示的权重矩阵，bi表示偏置项，表示新单元状态的值，wc表示当前输入单元状态的权重，bc表示当前输入的单元状态的偏置，
[0086]
第三部分为更新，根据激活函数的输出与前一时期记录的信息完成对长短时序网络的更新，公式表达如下，
[0087][0088]
第四部分长短时序网络进行输出入，在输出时，长短时序网络会对输出进行判断，会因当前的单元状态决定是否输出结果，其主要取决于激活函数与tanh函数，公式表达如下，
[0089][0090]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀ
(17)
[0091]
其中o
t
表示输出门的输出，w0表示权重矩阵，b0表示偏置项，h
t
表示输出结果。
[0092]
步骤三：利用k-means方法对所有ps点分类，选择标准差最小的类别作为稳定点验证模型的可靠性，获取合适的分类模型，
[0093]
为验证lstm构建的分类模型，选用所述k-means方法对所有ps点进行聚类，然后通过计算所有聚类类别的标准差，选用最小标准差的类别作为稳定点类别，对分类模型进行验证，其中k-means算法原理是将给予的样本集根据距离进行划分为簇，且k-means算法能够设置族的中心点，根据距离将相邻距离内相近的点划分为同一个类别里，假设将样本集x划分为k个簇(c1,c1,...,ck)，各簇间的平方误差和e表示为：
[0094][0095]
其中，||
·
||表示2阶范数，即向量的模，μi是簇ci的均值相邻，可以表示为：
[0096][0097]
其中，|
·
|表示1阶范数，即簇中点的数量。
[0098]
步骤四：利用分类模型对所有ps点分类，选出稳定ps点，
[0099]
对所有ps点进行聚类，聚类类别为k，计算每个聚类的标准差，计算公式可以表示为：
[0100][0101]
其中，表示第k个聚类里第i个点相位值，表示第k个聚类的相位均值，
[0102]
将相位标准差最小的聚类里ps归为稳定ps点，以此测试评价标准前后x％获得的分类模型的准确性，当模型符合预期标准，选用当前模型对所有ps点进行分类，选出稳定ps点。
[0103]
步骤五：根据稳定ps点进行lowess插值拟合，补偿ps点的大气相位，其中lowess为局部加权回归，局部加权回归属于非参数统计学习方法，局部加权学习通过局部简化，简单的局部模型假设即可拟合出全局模型，然后对于稳定ps点，首先截图窗口，截取的距离选择为到指定点最小距离的点的集合，表现式如下，
[0104][0105]
根据设定的窗口d
span
，选择宽口范围内距离指定点最小的点集合，表现式如下，
[0106][0107]
每一个距离指定点的点都具有自己的权值，它的大小为：
[0108][0109]
利用这些点做局部加权回归，其损失函数为：
[0110][0111]
利用局部加权回归构建一个拟合曲面f(x,y)，所得f(x,y)为估计的大气干涉相位值。
[0112]
实验信息：
[0113]
如图2的图(a)所示所示为滑坡场景照片。该滑坡位于武隆区土地乡六井村中台组，地处北纬29
°
28’53，东经107
°
55’43”。离武隆城区约25公里，有319国道直通武隆城区，交通较为方便。坡体上生长的较为茂密的植被，在雷达图像中，裸露坡体散射特效较为稳定。采用北京理工雷科公司开发的边坡雷达检测雷达，其工作在波段，测量周期为0.3m
×
4.0m，空间分辨率(1km处)为。系统照片如图(b)所示。
[0114]
如图3所示，现在对2020年7月28日11时连续采集的30幅雷达图像进行分析，图像的平均获取时间为两分钟。图(a)所示为该区域的雷达图像，图中的像素点的幅值进行了db处理。以第1幅图像为主图像，最后一幅图像为辅图像，进行差分干涉，得到的干涉相位图图(b)，图(b)中很多像素点的相位随着斜距和方位角发生缓慢的改变，即干涉相位呈现出较强的空变性，红圈所示区域为形变区域，干涉相位相对与其他区域明显不同。
[0115]
利用幅度离差法计算每一个像素点的图所示为利用幅度离差法选择ps点得结果。此时设定的幅度离差门限为0.25，幅度门限为-25db。选择后ps点总计为18171个，如图4所示。
[0116]
实验结果：
[0117]
获取分类模型：
[0118]
对于上一小节选出的18171个高质量像素点，首先获取它们在29幅差分干涉相位图中的干涉相位，每一个高质量像素点与其他所有高质量像素点求取相关系数再平均，获取每一个高质量点对应的相关系数，然后计算每一个高质量像素点在29幅差分干涉相位图的相位平均值，最后将相关系数与相位平均值归一化后作为参考元素构建评价因子。
[0119]
选取前后不同百分比分别作为高质量集合与低质集合，用时序干涉相位图展示它们的差异，如下图5(a)、(b)所示，图5(a)代表前3％点相位变化曲线，(b)代表后3％相位变化曲线，当选取评价因子前后3％时，选出的高质量集合ps点在29幅差分干涉相位图里呈现明显差异，评价因子前3％在29幅差分干涉相位图波动明显，最高在达到了3rad，最低在-4rad，而后3％在29幅差分干涉相位图里波动平缓，相位波动不超过2rad。
[0120]
利用lstm获取前后评价因子在29幅差分干涉相位图里的时序列相位特征，构建分类模型，然后对所有ps点进行分类，选出稳定ps点与不稳定ps点。下表1所示为根据不同评价因子百分比选出的稳定点与不稳定点个数，从表中可以看出，随着选取的评价因子前后百分比的增加，选出的稳定点个数数量下降，而在插值拟合的过程中，需要足够的稳定点进行插值拟合，因此，在选取评价因子百分比时，不能选取过多百分比，以免分类后的稳定点个数过少，不利于后期插值拟合补偿大气相位。为避免因每次构建分类模型而导致分类结
果不同，选取同一百分比评价因子多次利用lstm构建分类模型进行分类，当一个ps点在多次分类结果出现在稳定点中频率超过90％，列为稳定ps点。
[0121]
表1根据不同评价因子百分比选出的稳定点与不稳定点个数
[0122][0123]
选出稳定点与不稳定点后，利用最后一张雷达图像与第一张雷达图像进行差分干涉显示稳定ps点与不稳定ps点，显示结果如下图所示，图6(a)、(c)、(e)分别为选取评价因子前后1％、2％、3％输入lstm构建分类模型，获得的不稳定ps点分布图，图6(b)、(d)、(f)为获得的稳定ps点分布图，从图中可以看出，当选取前后1％时，获得的稳定点相对较多，利于后期插值拟合补偿大气相位。
[0124]
为了验证模型的准确度，选用k-means对所有ps点进行聚类，聚类结果如下图7(a)所示。计算所有类别标准差，选出最小的标准差的类别，结果如图7(b)所示，将此类别看作为稳定点类别，放入不同评价因子百分比构建的分类模型，验证分类模型的准确度。得到的准确率如下表所示，为了防止误差，准确率为多次分类后取平均值。从表中可以看出，当评价因子前后选取由1％到2％，准确率出现跳变，由此可见，评价因子前后选取1％时模型更为可靠。
[0125]
表1不同评价因子下的分类模型准确率
[0126][0127]
大气相位补偿：
[0128]
通过上文可知，当选取评价因子前后1％时，分类结果相对与选取评价因子前后2％构建分类模型更为可靠，因此，需要选取1％之前构建分类模型，且当选取2％，3％时，相较于1％获得的稳定点较少，不利于lowess插值拟合补偿大气相位。此处选用评价因子前后1％ps点的时序列相位输入lstm构建分类模型，得到分类模型后，对剩余所有ps点进行分类，分类结果如下图8(a)、(b)所示，图8(a)为不稳定点分类结果，图8(b)为稳定点分类结果。
[0129]
得到稳定ps点后，利用插值拟合对所有ps点进行大气相位补偿，此处的插值拟合补偿方法选用lowess方法。补偿后将补偿的29幅差分干涉相位图进行累加，结果如下图9(b)所示。为验证此方法的有效性，将结果与常规补偿方法进行对比。从图中可以看出，本章所用方法补偿大气相位后的相位图9(b)相对于常规方法补偿后的相位图9(a)，大多数ps点相位都在0rad附近。
[0130]
为了更加直观对比常规方法与本章所提基于lstm方法下补偿后大气相位的差异，从不同斜距处选取3个幅度离差最小的ps点作为参考点。如图9(c)、图9(d)所示，图9(c)为常规方法补偿下参考点相位曲线，图(d)基于lstm补偿下参考点相位曲线。从图9(c)中可以
看出，基于lstm大气相位补偿方法下，补偿后参考点的相位曲线更为平缓，最高相位为0.2rad，而图9(c)中常规方法下补偿结果相位最高达到了1rad,且参考点的相位随时间累积，这是由残余大气相位导致的。由此可见，本章大气相位补偿方法相对与常规补偿方法在补偿结果上有所改善。
[0131]
以上所述的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。