论文部分内容阅读
雷达信号提取土壤参数的技术即土壤参数反演技术,该技术广泛应用于土壤监测中,已成为精细化农业土壤信息获取与处理的关键。而传统的土壤参数反演技术面临数据采集成本高、算法模型普适性差、测量参数准确率低和实时处理能力差等困难,不适于实际应用中。为解决以上问题,本文以土壤含水量为研究重点,摒弃传统土壤反演技术构建物理模型的方法,提出一种基于构建土壤信号特征数据库的土壤含水量分类方法。文中首先使用了一种先进的超宽带(ultra wide band,UWB)雷达传感器,介绍了一种快捷的土壤信号采集方法,利用超宽带信号传感器分辨率高、穿透力强、功耗低等优点减小采集成本,提高数据丰富度。同时,本文使用模糊逻辑系统(fuzzy logic system,FLS)对土壤信号特性进行描述,利用模糊集理论对不确定性描述简洁的优势和FLS高效的训练速度、快速提取土壤信号特征。随后,利用机器学习算法强大的非线性描述能力和突出的的分类性能,建立土壤信号特征与土壤参数之间的联系。另一方面,本文利用时频分析技术同时从时域与频域两个维度解析土壤信号,构建时频分析图像,利用深度学习卷积神经网络对图像强大的处理能力,建立土壤信号与土壤参数间的非线性关系。最终本文提出了三种土壤含水量分类算法,分别为基于FLS预测模板匹配的土壤含水量分类算法、基于FLS特征提取与机器学习模型分类的土壤含水量分类算法和基于时频分析图像和深度学习的土壤含水量分类算法。经过大量实测数据验证,在无噪声条件下三种算法识别土壤含水量均有较理想的识别率,且在噪声干扰情况依然表现出良好的稳定性。本文的主要研究内容如下:介绍一种使用UWB雷达传感器的土壤雷达回波采集方法,并使用该方法采集大量不同含水量的土壤雷达回波样本,为算法研究奠定实验数据的基础。提出一种基于FLS预测模板匹配的土壤含水量分类算法。该算法首先将土壤雷达回波信号预处理为突然信号,使用FLS预测已知体积含水量(volumetric water content,VWC)土壤信号并将预测信号作为土壤信号预测模板,保留入数据库。通过模板比对的方法分类并识别未知土壤信号对应的含水量值。利用该算法本文共组成四种土壤含水量分类系统,其中分别使用了单点型一型模糊逻辑系统(type-1 fuzzy logic system,T1FLS)和非单点型一型模糊逻辑系统(non-singleton type-1 fuzzy logic system,NT1FLS)制作土壤信号预测模板,并在模板匹配阶段分别使用均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute deviation,MAD)作为模板匹配标准。通过对实测土壤雷达回波进行分类,证明四种系统在无噪声影响下均能达到较高的正确识别概率(correct recognition rate,CRR),且在噪声影响下NT1FLS+MAD系统的识别能力最优。提出一种基于FLS特征提取与机器学习模型分类的土壤含水量分类算法。算法首先利用FLS预测系统提取不同土壤含水量的土壤信号特征,并使用机器学习模型对特征进行分类,从而识别土壤信号的含水量值。利用该算法文中共组成四种土壤含水量分类系统:分别使用了T1FLS与自适应模糊推理系统(adaptive network-based fuzzy inference system,ANFIS)提取土壤信号特征,而在分类阶段使用了人工神经网络(artificial neural network,ANN)和随机森林(random forest,RF)分别对土壤信号特征进行分类识别。使用实测土壤雷达回波进行试验,结果表明四种系统在无噪声条件下均能达到100%的CRR,且ANFIS+RF分类系统在噪声影响下性能最稳定,CRR最高。提出一种基于时频分析图像和深度学习的土壤含水量分类算法。该算法对土壤雷达回波预处理为土壤信号,然后进行时频变换生成土壤信号的时频分析图像,使用深度学习强大的图像分类能力对不同土壤含水量信号的时频分析图像进行分类,从而达到土壤参数分类的效果。利用该算法本文共组成四种土壤含水量分类系统。在时频分析图像生成中分别使用Wigner-Ville时频变换和Choi-Williams时频变换方法图像,然后分别使用VGGNet和AlexNet两种深度学习网络对不同土壤参数的土壤信号进行分类。使用实测土壤雷达回波的土壤含水量进行分类,结果表明四种系统均具有强大的土壤含水量分类能力,且在噪声影响下依然表现出很高的稳定性。实验验证中四种系统的土壤含水量CRR差距较小,而使用Choi-Williams+AlexNet的收敛速度和训练效率更高,更适合应用精细化农业实际应用中。