基于深度置信网络的GNSS-IR土壤湿度反演

发布时间：2024-12-18 21:35

　　 基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷,本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明,基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021,与线性回归和BP神经网络算法相比,与实测数据吻合度更高,可有效提高土壤湿度反演精度,证明了方法的有效性和可靠性。

【文章页数】：6 页

【部分图文】：

图1 反射信号叠加现象

式中，Ad为直射信号振幅;Am为反射信号振幅;ψ为两信号之间的相位差。一般而言，直射信号决定了其总体变化趋势，反射信号则表现为局部的波动。因此，多采用低阶多项式对SNR序列进行拟合，去除趋势项，提取反射信号分量。反射信号分量dSNR与sinθ之间可以用余弦函数近似表达[2]

图2 深度置信网络模型

深度置信网络是一个概率生成模型，由Hinton等于2006年提出，是利用多个限制波尔兹曼机堆叠以及一个回归层组合而成的深度网络[12]。它利用贪婪前向学习并结合梯度下降的反向微调机制，有效避免简单使用反向传播算法使梯度下降容易陷入局部最小值或产生过拟合等问题[13]，从而达到最佳....

图3 限制波尔兹曼机模型

限制波尔兹曼机(restrictedboltzmannmachines,RBM)是一种典型的二层神经网络，包含一个可视层和一个隐含层，如图3所示。其节点可分为可见单元和隐单元，用可见单元和隐单元表达随机网络与随机环境的学习模型，通过权值w表达单元之间的相关性[14]。RBM是....

图4 DBN预测模型流程

将SNR数据反射信号分量dSNR的特征参数振幅Am、延迟相位φ作为输入项，土壤湿度实测值作为输出。本文借助Matlab进行深度置信网络模型的构建，设置初始网络节点数为:{30-30-40-40-30-1}(输入层为30，隐含层为30、40，输出层为1);学习率设为0.03;动量....

本文编号：4017154