一种基于机器学习的激光雷达测风运动补偿方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114218860A(43)申请公布日2022.03.22(21)申请号202111524679.0(22)申请日2021.12.14(71)申请人浙江胄天科技股份有限公司地址310051浙江省杭州市滨江区浦沿街道六和路368号1幢（南）五楼E5036室(72)发明人赵强马寅星莫哲萌周震徐周科(74)专利代理机构杭州裕阳联合专利代理有限公司33289代理人高明翠(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2022.01)G06N20/00(2019.01)G01S17/95(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于机器学习的激光雷达测风运动补偿方法和系统(57)摘要本发明公开了一种基于机器学习激光雷达测风运动补偿方法和系统，包括：获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数。CN114218860ACN114218860A权利要求书1/2页1.一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述方法包括如下步骤：获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数；将特征变量和目标变量预处理后组成的数据集及最佳超参数输入选取的最优机器学习模型中进行训练，得到训练好的最优机器学习模型；将待运动补偿的测风数据及运动数据输入训练好的最优机器学习模型，得到补偿后的实际测风数据。2.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述特征变量和目标变量获取方法包括：获取浮标上激光雷达检测的高度、风向、水平风速和垂直风速，其中风向为正北的偏离角度；获取同一浮标上运动传感器的俯仰角、航向角和横滚角；获取靠近相同浮标固定安装的满足相同测风标准的标准测风设备检测的高度、风向、水平风速和垂直风速。3.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理的方法包括：检测并剔除特征变量和目标变量异常值，将所述特征变量和目标变量进行标准化并划分为训练集和测试集。4.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理方法包括：获取所述特征变量和目标变量的角度数据，将所述角度数据转化为余弦变量或正弦变量，并建立余弦变量或正弦变量和角度的映射关系，并在完成模型训练后转化为角度值：θ→(sin(θ)，cos(θ))；arctan2(sin(θ)，cos(θ))→θ。5.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述数据预处理方法包括：采用四分位数范围对特征变量和目标变量的数据集进行缩放，将所述数据集进行标准化，所述数据集标准化的计算方法包括：vi为同一类型数据集中的某个值，且median是同一类型数据集的中位数，IQR是样本的2CN114218860A权利要求书2/2页四分位距。6.根据权利要求1所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，所述评价模型的计算方法包括：2其中MAE为平均绝对误差，R为拟合优度，yi是观测值，是预测值，是平均值。7.根据权利要求5所述的一种基于机器学习的激光雷达测风运动补偿方法，其特征在于，将预处理后的数据集划分为训练集和测试集，将训练集输入到多个机器学习模型中，其中所述机器学习模型包括：Lasso模型，ElasticNet模型，GradientBoost模型，XGB模型，LGB模型和SVR模型，获取每个机器学习模型输出预测值，并根据所属评价模型的评价标准，使用测