(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 (43)申请公布日 (21)申请 号 202111552388.2 (22)申请日 2021.12.17 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 蔡微　毛梦辉　 (74)专利代理 机构 北京金咨知识产权代理有限 公司 11612 代理人 宋教花 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的激光多普勒信号处理方法 及系统 (57)摘要 本发明提供一种基于机器学习的激光多普 勒信号处理方法及系统， 所述方法包括以下步 骤： 采集通过将激光照射被测物体后来自被测物 体的散射光进行光电转换后得到的电信号， 获得 若干多普勒信号波形数据； 从多普勒信号波形数 据中提取多普勒信号频域代表性特征以及提取 多普勒信号时域代表性特征和小波代表性特征 中的至少一种， 基于提取的代表 性特征生成一组 或多组数据集， 各数据集中包括训练集和验证 集； 将从一组或多组数据集中选定的数据集的训 练样本输入至机器学习算法模型来训练模型， 利 用验证集获得训练的模型的准确率， 将基于准确 率选定的模型部署于测量系统的信号预处理模 块中。 本发 明实施例能够有效提升激光测速结果 的准确度。 权利要求书2页 说明书11页 附图6页 CN 114036989 A 2022.02.11 CN 114036989 A 1.一种基于 机器学习的激光多普勒信号处 理方法， 其特 征在于， 该 方法包括以下步骤： 数据获取步骤： 采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换 后得到的电信号， 获得若干多普勒信号波形 数据； 特征提取步骤： 从所述多普勒信号波形数据中提取多普勒信号频域代表性特征以及提 取多普勒信号时域代表性特征和小波代表性特征中的至少一种， 基于提取的代表性特征生 成一组或多组数据集， 各数据集中包括验证集以及训练集， 所述训练集中的样本带有激光 多普勒信号波形数据的分类标记， 所述训练集用于对机器学习算法模型进行训练， 所述验 证集用于获得训练的各机器学习算法模型的准确率， 以基于准确率选定训练好的机器学习 算法模型； 以及 部署及测试步骤： 将选定的机器学习算法模型部署到激光多普勒信号处理系统 的信号 采集和预处理子系统， 以将实时采集的测试样本并输入至训练好的机器学习算法模型， 获 得多普勒信号波形的分类结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 训练步骤： 将所述一组或多组数据集中的训练样本分别 输入至预定的一种或多种机器 学习算法模型， 对所述预定的一种或多种机器学习算法模型进行训练； 以及 验证步骤： 获得训练的各机器学习算法模型的准确率， 基于训练的各机器学习算法模 型的准确率选 定测试阶段采用的数据集以及机器学习算法模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于提取的代表性特征生成一组或多 组数据集包括： 对提取的代 表性特征进行分组， 基于分组后的代 表性特征生成多组数据集。 4.根据权利要求2所述的方法， 其特征在于， 所述基于训练 的机器学习算法模型的准确 率选定测试阶段采用的数据集以及机器学习算法模型， 包括： 将每个数据集随机分为均等但不相交 的多个子集， 将多个子集中的一个子集作为验证 集， 将其余子集合并后作为训练集， 采用交叉检验的方法对当前机器学习算法模型 的准确 率进行检验， 以此评价当前机器学习算法模型达 到的准确率； 基于各个数据集对应的一种或多种机器学习算法模型的准确率， 选定测试阶段采用的 数据集以及机器学习算法模型。 5.根据权利要求1所述的方法， 其特 征在于， 所述频域代表性特征包括以下特征中的部分或全部特征： 幅度均值、 幅度最大值、 幅度 峰位置、 功率谱平均值和功率谱占用带宽； 所述时域代表性特征包括以下特征中的部分或全部特征： 电信号强度均值、 电信号强 度中值、 电信号强度标准差、 电信号强度整流均值、 电信号强度25％位点、 电信号强度75％ 位点、 电信号 强度四分位间距、 电信号强度偏态系数、 电信号强度峰态系数和电信号 强度均 方根； 所述小波代表性特征包括以下 特征中的部分或全部特 征： db型小波1～5层低频系数均值、 db型小波重构1～5层近似函数系数的标准差； Haar型 小波重构函数系数的标准差； Sym8型小波信号均值、 中值、 标准差、 整流均值、 25％位点、 75％位点、 四分位间距、 偏态系数、 峰态系数、 均方根、 频域的尖峰频率、 频域均值、 频域最 值、 平均功率和占用带宽 。 6.根据权利要求2所述的方法， 其特 征在于，权　利　要　求　书 1/2 页 2 CN 114036989 A 2所述一种或多种机器学习算法模型包括以下机器学习算法模型中的一种或多种： 决策 树模型、 支持向量机模型、 最近邻算法模型和集成学习算法模型。 7.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 针对分类结果为正常的多普勒信号波形， 进一步获得多普勒信号的频谱信息， 基于获 得的频谱信息得到被测物体的测速结果。 8.一种基于 机器学习的激光多普勒信号处 理系统， 其特 征在于， 该系统包括： 光学照明和收集子系统， 其包括光学照明子系统和收集子系统， 所述光学照明子系统 用于发射激光束到被测物体上， 所述收集子系统用于收集 来自被测物体的散射 光； 光电转换子系统， 其利用光电探测器探测所述散射光并进行光电转换以基于散射光产 生电信号， 并对产生的电信号进行放大； 信号采集和预处理子系统， 用于采集所述电信号并进行数字化处理， 并将数字化处理 后的电信号输入至部署在所述信号采集和预处理子系统中的、 训练好的机器学习算法模 型， 获得多普勒信号波形的分类结果； 频谱和时域分析子系统， 用于针对分类结果为正常的多普勒信号波形， 进一步获得多 普勒信号的频谱信息， 以基于获得的频谱信息得到被测物体的测速结果； 其中， 所述训练好的机器学习算法模型 是基于如下步骤得到的： 采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换后得到的电信 号， 获得若干多普勒信号波形 数据； 从所述多普勒信号波形数据中提取多普勒信号频域代表性特征以及提取多普勒信号 时域代表性特征和小波代表性特征中的至少一种， 基于提取的代表性特征生成一组或多组 数据集， 各数据集中包括验证集以及训练集， 所述训练集中的样本带有激光多普勒信号波 形数据的分类标记， 所述训练集用于对一种或多种机器学习算法模型进行训练， 所述验证 集用于获得训练的各机器学习算法模型的准确率， 以基于准确率选定训练好的机器学习算 法模型。 9.根据权利要求8所述的系统， 其特征在于， 所述频域代表性特征包括以下特征中的部 分或全部特 征： 幅度均值、 幅度最大值、 幅度峰位置、 功率谱平均值和功率谱占用带宽； 所述时域代表性特征包括以下特征中的部分或全部特征： 电信号强度均值、 电信号强 度中值、 电信号强度标准差、 电信号强度整流均值、 电信号强度25％位点、 电信号强度75％ 位点、 电信号 强度四分位间距、 电信号强度偏态系数、 电信号强度峰态系数和电信号 强度均 方根； 所述小波代表性特征包括以下 特征中的部分或全部特 征： db型小波1～5层低频系数均值、 db型小波重构1～5层近似函数系数的标准差； Haar型 小波重构函数系数的标准差； Sym8型小波信号均值、 中值、 标准差、 整流均值、 25％位点、 75％位点、 四分位间距、 偏态系数、 峰态系数、 均方根、 频域的尖峰频率、 频域均值、 频域最 值、 平均功率和占用带宽 。 10.根据权利要求8所述的系统， 其特征在于， 所述一种或多种机器学习算法模型包括 以下机器学习算法模 型中的一种或多种： 决策树模 型、 支持向量机模 型、 最近邻算法模型和 集成学习算法模型。权　利　要　求　书 2/2 页 3 CN 114036989 A 3