阅读说明：本技术 一种基于消抖滤波法计权的鸟类飞行轨迹预测方法 (Bird flight trajectory prediction method based on weight calculation by jitter elimination filtering method ) 是由 张羽 陈益平 蓝伟松 周宇尧 周庆东 甘团杰 吴华标 莫钜槐 张家耀 刘天绍 张 于 2020-06-10 设计创作，主要内容包括：本发明涉及电力系统安全技术领域,更具体地,涉及一种基于消抖滤波法计权的鸟类飞行轨迹预测方法,包括：S1.在驱鸟装置上安装若干雷达；S2.采用无人机模拟鸟类飞行,通过所述无人机触发雷达,使雷达在探测时接收到所述无人机的信号；S3.基于消抖滤波法对所述雷达接收到的信号进行预处理；S4.根据步骤S3得到的数据,构建逻辑回归模型；S5.通过所述逻辑回归模型对鸟类飞行轨迹进行预测。本发明能够支撑对高压杆塔害鸟的跟踪打击驱赶,实现对高压杆塔害鸟高效率、最大空间且有针对性的有效探测。(The invention relates to the technical field of power system safety, in particular to a bird flight trajectory prediction method based on weighting by a jitter elimination filtering method, which comprises the following steps: s1, mounting a plurality of radars on a bird repelling device; s2, simulating bird flight by adopting an unmanned aerial vehicle, and triggering a radar through the unmanned aerial vehicle so that the radar receives a signal of the unmanned aerial vehicle during detection; s3, preprocessing signals received by the radar based on a jitter elimination filtering method; s4, constructing a logistic regression model according to the data obtained in the step S3; and S5, forecasting the bird flight track through the logistic regression model. The invention can support the tracking, striking and driving of the high-voltage tower pest birds, and realizes the efficient, maximum-space and targeted effective detection of the high-voltage tower pest birds.)

一种基于消抖滤波法计权的鸟类飞行轨迹预测方法

技术领域

本发明涉及电力系统安全技术领域，更具体地，涉及一种基于消抖滤波法计权的鸟类飞行轨迹预测方法。

背景技术

高压输电线路的安全运行对于保证用户不间断地供电至关重要。目前的鸟害事故已成为影响高压输电线路安全运行的一大隐患，越来越引起电力部门的重视。

公开号为CN110568435A的中国专利文献，公开了一种适用于高压杆塔的鸟类飞行轨迹预测方法，重点针对高压杆塔的架构与高压杆塔害鸟筑巢习性特点，有针对性的设计了一种简单高效的轨迹方向预测方法，为驱赶高压杆塔害鸟提供了强有力的支持，实现精准有效地驱赶害鸟。

但上述方案在实际应用中，只有单调的雷达定点探测，没有进行实验模拟数据，使得探测数据单一，探测范围不广。

发明内容

本发明的目的在于克服现有的预测方法不具有实验模拟的不足，提供一种基于消抖滤波法计权的鸟类飞行轨迹预测方法，能够支撑对高压杆塔害鸟的跟踪打击驱赶，实现对高压杆塔害鸟高效率、最大空间且有针对性的有效探测。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于消抖滤波法计权的鸟类飞行轨迹预测方法，包括以下步骤：

S1.在驱鸟装置上安装若干雷达；

S2.采用无人机模拟鸟类飞行，通过所述无人机触发雷达，使雷达在探测时接收到所述无人机的信号；

S3.基于消抖滤波法对所述雷达接收到的信号进行预处理；

S4.根据步骤S3得到的数据，构建逻辑回归模型；

S5.通过所述逻辑回归模型对鸟类飞行轨迹进行预测。

本发明为一种基于消抖滤波法计权的鸟类飞行轨迹预测方法，通过若干雷达进行联合探测，并采用消抖滤波法进行特征权重计算，通过模拟实验获取数据，最后采用逻辑回归训练得到的模型对高压杆塔鸟类飞行轨迹进行预测，支撑对高压杆塔害鸟的跟踪打击驱赶。

进一步地，在步骤S3中，通过单片机处理所述雷达接收的信号。

进一步地，所述步骤S3具体包括如下步骤：

S31.判断所述雷达是否接收到信号，若是，执行步骤S32，否则继续探测；

S32.设变量a并累加1，然后执行步骤S33；

S33.判断所述变量a是否达到一定阈值，若是，执行步骤S34，否则执行步骤S35；

S34.设变量b并累加1，且使所述变量a清零，然后执行步骤S35；

S35.判断所述变量b是否达到一定阈值，且所述雷达是否接收到信号，若同时满足，执行步骤S36，否则执行步骤S31；

S36.设特征权重系数α_i并累加1，且使所述变量a、b清零，然后执行步骤S37；其中，i表示所述雷达设置的数量；

S37.判断所述雷达的探测时间是否达到一定阈值，若是，输出所述特征权重系数α_i，否则执行步骤S31。

进一步地，在步骤S4中，采用逻辑回归算法训练得到所述逻辑回归模型。

进一步地，在步骤S4中，所述逻辑回归模型的逻辑方程为：

式中，w表示模型权重向量，w^T表示模型权重向量的转置，x表示通过步骤S3采集的特征权重，h_w(x)表示预测值。

进一步地，在步骤S4中，通过损失函数以及L2正则化对所述逻辑回归模型的预测精度进行处理。

进一步地，在步骤S5中，鸟类飞行轨迹预测的计算公式为：

T＝index[max(margin_i＝w_i·x^T)]；

式中，T表示预测方向，w_i表示所述逻辑回归模型中每一类别的权重向量，x^T表示所述雷达探测得到的特征权重向量，margin_i表示经过向量矩阵计算得到的代表第i类的一个数值，i表示所述雷达设置的数量。

进一步地，在步骤S5中，所述逻辑回归模型在每1～5秒内预测一次鸟类的飞行方向。

进一步地，在步骤S1中，每个雷达分别安装于所述驱鸟装置不相邻的面上。

进一步地，所述雷达为多普勒雷达。

与现有技术相比，本发明的有益效果是：

本发明为一种基于消抖滤波法计权的鸟类飞行轨迹预测方法，通过若干雷达进行联合探测，并采用消抖滤波法进行特征权重计算，通过模拟实验获取数据，最后采用逻辑回归训练得到的模型对高压杆塔鸟类飞行轨迹进行预测，支撑对高压杆塔害鸟的跟踪打击驱赶。

附图说明

图1为本发明一种基于消抖滤波法计权的鸟类飞行轨迹预测方法的流程图。

图2为本发明雷达的安装示意图。

图3为本发明步骤S3的流程图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例1

如图1至图3所示为本发明一种基于消抖滤波法计权的鸟类飞行轨迹预测方法的第一实施例，包括以下步骤：

S1.在驱鸟装置上安装若干雷达。

本实施例中共设置5个HB100多普勒雷达，每个雷达分别安装于驱鸟装置不相邻的面上，即五个雷达分别安装于现有的呈长方体状或正方体状的驱鸟装置的五个面上，用于对五个不同的方向进行探测，如图2所示。需要说明的是，雷达也可以安装在具有其他形状上的驱鸟装置上，并保证各雷达能够探测多个不同方向。

S2.在步骤S1之后，采用无人机模拟鸟类飞行，通过无人机触发雷达，使雷达在探测时接收到无人机的信号。

S3.在步骤S2之后，基于消抖滤波法对雷达接收到的信号进行预处理。

本实施例中通过单片机处理雷达接收的信号，具体地，选用STM32F429单片机，将五个多普勒雷达的输出端连接单片机的GPIO端口；由于多普勒雷达探测接收到的信号在单片机上是以毫秒级别的速度传输无数个信号，因此极容易导致形成假信号，造成错误判断，所以需要对这些信号进行预处理，预处理的具体步骤如下：

S31.判断雷达是否接收到信号，若是，执行步骤S32，否则继续探测；

S32.设变量a并累加1，然后执行步骤S33；

S33.判断变量a是否达到一定阈值，若是，执行步骤S34，否则执行步骤S35；本实例中，变量a的阈值取值为2；

S34.设变量b并累加1，且使变量a清零，然后执行步骤S35；

S35.判断变量b是否达到一定阈值，且雷达是否接收到信号，若同时满足，执行步骤S36，否则执行步骤S31；本实例中，变量b的阈值取值为5；

S36.设特征权重系数α_i并累加1，且使变量a、b清零，然后执行步骤S37；其中，i表示雷达设置的数量；本实施例中，i∈[1,5]；

S37.判断雷达的探测时间是否达到一定阈值，若是，输出特征权重系数α_i，否则执行步骤S31；本实施例中时间T₁取值为100毫秒。此时便完成一个雷达的信号预处理。

然后，在1000毫秒后结束所有雷达的计数过程，得到所有雷达的特征权重系数，并通过串口显示得到以下数据类型：

方向1特征1：特征权重1；

方向2特征2：特征权重2；

方向3特征3：特征权重3；

方向4特征4：特征权重4；

方向5特征5：特征权重5；

其中，方向代表无人机触发雷达对应的方向，特征1至特征5代表多普勒雷达的五个面，特征权重1至特征权重5代表通过步骤S3所得到的特征权重系数α_i(i∈[1,5])。

S4.根据步骤S3得到的数据，构建逻辑回归模型；

本实施例中采用逻辑回归算法训练得到所述逻辑回归模型，逻辑回归模型的逻辑方程为：

式中，w表示模型权重向量，w^T表示模型权重向量的转置，x表示通过步骤S3采集的特征权重，来源于sigmoid函数，h_w(x)表示预测值。

为提高模型的预测精度，通过损失函数以及L2正则化对逻辑回归模型的预测精度进行处理；其中，损失函数为：

式中，h_w(x)表示预测值，y表示实际标签。

L2正则化的计算公式为：

式中，w表示模型权重向量。

本实施例中的逻辑回归采用的训练参数中，最大迭代次数为200，采用拟牛顿法进行优化。还有，逻辑回归模型设置为5*5的矩阵w，矩阵w的每一行代表每一类别的模型权重，即为采用数据通过逻辑回归算法计算得到对应类别各维度的权重。需要说明的是，类别指的是方向，将方向作为类别，通过逻辑回归与多分类预测。通过训练得到的逻辑回归模型的准确率为90.7％。

S5.通过逻辑回归模型对鸟类飞行轨迹进行预测。

具体地，鸟类飞行轨迹预测的计算公式为：

T＝index[max(margin_i＝w_i·x^T)]；

式中，T表示预测方向，w_i表示所述逻辑回归模型中每一类别的权重向量，x^T表示所述雷达探测得到的特征权重向量，margin_i表示经过向量矩阵计算得到的代表第i类的一个数值，i表示所述雷达设置的数量，即margin_i(i∈[1,5])。本实施例中自雷达探测到鸟类开始，逻辑回归模型在每秒内预测一次鸟类的飞行方向。

实施例2

本实施例与实施例1类似，所不同之处在于，本实施例中自雷达探测到鸟类开始，逻辑回归模型在每五秒内预测一次鸟类的飞行方向。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。