概括
本研究介绍了一个神经网络框架,用于在超光谱激光雷达 (HSL) 系统中确定信号和. 该方法提高了高反射率目标的范围精度,克服了光谱和3D数据采集的局限性.
科学领域:
- 遥感 遥感 遥感 遥感
- 光学工程是指光学工程.
- 信号处理 信号处理
背景情况:
- 超光谱LiDAR (HSL) 集成了3D和光谱数据采集.
- 在HSL中信号和,由高反射率目标引起,影响范围和光谱精度.
- 这种和不均地影响不同的光谱通道,影响系统的整体性能.
研究的目的:
- 为HSL系统开发基于神经网络的波形恢复框架.
- 解决和纠正飞行时间 (ToF) 范围和超光谱反射率计算中的和引起的扭曲.
- 为了在HSL数据中实现高反射率目标的精度.
主要方法:
- 设计了一种新的配合功能来模拟和波形,包括信号放大,振幅缩短和时间扩展.
- 为了训练神经网络,创建了一个结合模拟和实验数据的混合数据集.
- 对卷积神经网络 (CNN),辐射基函数神经网络 (RBFNN) 和通用回归神经网络 (GRNN) 进行波形恢复和范围精度的比较评估.
主要成果:
- 辐射基函数神经网络 (RBFNN) 证明了性能和计算效率之间的最佳平衡.
- 拟议的方法在高反射率目标中实现了高范围的准确性.
- 量化结果包括平均平均平方误差为60.623,平均确定系数为0.9935,平均相关系数为0.9991.
结论:
- 开发的神经网络框架有效地解决了HSL系统中的和问题.
- 即使对具有高反射功率的目标,也可以实现精确的距离测量,从而提高HSL数据的可靠性.
- 这项工作显著推进了HSL技术,用于准确的3D和光谱信息检索.


