基于大地測量型GNSS接收機(jī)獲取的反射信號(hào)反演土壤濕度是GNSS領(lǐng)域的研究熱點(diǎn)。為克服常規(guī)線性回歸和BP神經(jīng)網(wǎng)絡(luò)算法等的缺陷,本文提出了一種基于深度置信網(wǎng)絡(luò)的GNSS-IR土壤濕度反演方法。試驗(yàn)結(jié)果表明,基于該方法得到的決定系數(shù)、土壤濕度平均絕對(duì)誤差和均方根誤差分別為0.909 8、0.017、0.021,與線性回歸和BP神經(jīng)網(wǎng)絡(luò)算法相比,與實(shí)測數(shù)據(jù)吻合度更高,可有效提高土壤濕度反演精度,證明了方法的有效性和可靠性。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 反射信號(hào)疊加現(xiàn)象

式中，Ad為直射信號(hào)振幅;Am為反射信號(hào)振幅;ψ為兩信號(hào)之間的相位差。一般而言，直射信號(hào)決定了其總體變化趨勢，反射信號(hào)則表現(xiàn)為局部的波動(dòng)。因此，多采用低階多項(xiàng)式對(duì)SNR序列進(jìn)行擬合，去除趨勢項(xiàng)，提取反射信號(hào)分量。反射信號(hào)分量dSNR與sinθ之間可以用余弦函數(shù)近似表達(dá)[2]

圖2 深度置信網(wǎng)絡(luò)模型

深度置信網(wǎng)絡(luò)是一個(gè)概率生成模型，由Hinton等于2006年提出，是利用多個(gè)限制波爾茲曼機(jī)堆疊以及一個(gè)回歸層組合而成的深度網(wǎng)絡(luò)[12]。它利用貪婪前向?qū)W習(xí)并結(jié)合梯度下降的反向微調(diào)機(jī)制，有效避免簡單使用反向傳播算法使梯度下降容易陷入局部最小值或產(chǎn)生過擬合等問題[13]，從而達(dá)到最佳....

圖3 限制波爾茲曼機(jī)模型

限制波爾茲曼機(jī)(restrictedboltzmannmachines,RBM)是一種典型的二層神經(jīng)網(wǎng)絡(luò)，包含一個(gè)可視層和一個(gè)隱含層，如圖3所示。其節(jié)點(diǎn)可分為可見單元和隱單元，用可見單元和隱單元表達(dá)隨機(jī)網(wǎng)絡(luò)與隨機(jī)環(huán)境的學(xué)習(xí)模型，通過權(quán)值w表達(dá)單元之間的相關(guān)性[14]。RBM是....

圖4 DBN預(yù)測模型流程

將SNR數(shù)據(jù)反射信號(hào)分量dSNR的特征參數(shù)振幅Am、延遲相位φ作為輸入項(xiàng)，土壤濕度實(shí)測值作為輸出。本文借助Matlab進(jìn)行深度置信網(wǎng)絡(luò)模型的構(gòu)建，設(shè)置初始網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為:{30-30-40-40-30-1}(輸入層為30，隱含層為30、40，輸出層為1);學(xué)習(xí)率設(shè)為0.03;動(dòng)量....

本文編號(hào)：4017154