[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010830159.1
• 申請(qǐng)日: 2020-08-18
• 公開(kāi)（公告）號(hào): CN112147589A
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 劉慶華;朱彩球;陽(yáng)佳慧;吳丙森;晉良念
• 申請(qǐng)（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號(hào): G01S7/41
• 分類號(hào): G01S7/41
• 代理公司: 桂林文必達(dá)專利代理事務(wù)所(特殊普通合伙) 45134
• 代理人: 張學(xué)平

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，包括：

將FDA雷達(dá)設(shè)置為兩個(gè)正負(fù)頻率偏置，并分別發(fā)射信號(hào)；

構(gòu)造單頻接收頻率分集陣列為N陣元的均勻線陣，獲取所述FDA雷達(dá)采集的K個(gè)目標(biāo)點(diǎn){(θ₁,R₁),…,(θ_k,R_k),…,(θ_K,R_K)}作為訓(xùn)練集，其中k為K個(gè)所述目標(biāo)點(diǎn)中的任意目標(biāo)；

獲取所述訓(xùn)練集中的每個(gè)所述目標(biāo)點(diǎn)的協(xié)方差矩陣，得到K個(gè)所述協(xié)方差矩陣，將所述K個(gè)協(xié)方差矩陣構(gòu)成K個(gè)目標(biāo)的初始數(shù)據(jù)集；

獲取第k個(gè)目標(biāo)對(duì)應(yīng)的所述協(xié)方差矩陣，并將第k個(gè)目標(biāo)的所述協(xié)方差矩陣在所述訓(xùn)練集中位置對(duì)應(yīng)為(θ_k,R_k)，將第k個(gè)目標(biāo)的所述協(xié)方差矩陣進(jìn)行歸一化，獲取對(duì)應(yīng)第k個(gè)目標(biāo)的的歸一化矩陣；

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將所述訓(xùn)練集輸入所述卷積神經(jīng)網(wǎng)絡(luò)模型，獲得第K個(gè)目標(biāo)的卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)的目標(biāo)位置

將第K個(gè)目標(biāo)的卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)的目標(biāo)位置與第K個(gè)真實(shí)目標(biāo)的位置(θ_k,R_k)比較，計(jì)算兩者的均方誤差，并作為所述卷積神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)；

對(duì)所述目標(biāo)函數(shù)進(jìn)行迭代，獲取所述卷積神經(jīng)網(wǎng)絡(luò)模型中目標(biāo)定位的各項(xiàng)參數(shù)。

2.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，在獲取獲取對(duì)應(yīng)第k個(gè)目標(biāo)的的歸一化矩陣之后，

對(duì)K個(gè)目標(biāo)的所述第一數(shù)據(jù)集和所述訓(xùn)練集進(jìn)行歸一化，獲取K個(gè)真實(shí)的目標(biāo)位置的數(shù)據(jù)集。

3.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，在獲取將所述K個(gè)協(xié)方差矩陣構(gòu)成K個(gè)目標(biāo)的初始數(shù)據(jù)集時(shí)，對(duì)協(xié)方差矩陣的實(shí)部和虛部進(jìn)行分離。

4.如權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，在對(duì)所述目標(biāo)函數(shù)進(jìn)行迭代具體步驟中，包括

將第k個(gè)目標(biāo)的目標(biāo)個(gè)數(shù)循環(huán)加1，重復(fù)所述訓(xùn)練集中的每個(gè)所述目標(biāo)點(diǎn)的協(xié)方差矩陣至獲得所述目標(biāo)函數(shù)之間的步驟，直到每個(gè)所述目標(biāo)函數(shù)收斂最優(yōu)時(shí)或達(dá)到最大迭代次數(shù)。

5.如權(quán)利要求1～4任一項(xiàng)所述的基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將所述訓(xùn)練集輸入所述卷積神經(jīng)網(wǎng)絡(luò)模型的步驟中，所述訓(xùn)練集的數(shù)據(jù)為所述初始數(shù)據(jù)集中的隨機(jī)抽取的百分之七十?dāng)?shù)據(jù)。

6.如權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的頻率分集陣列的雷達(dá)目標(biāo)定位方法，其特征在于，在獲取所述卷積神經(jīng)網(wǎng)絡(luò)模型中目標(biāo)定位的各項(xiàng)參數(shù)后，

將所述初始數(shù)據(jù)集中剩余的百分之三十?dāng)?shù)據(jù)作為測(cè)試集，將所述測(cè)試集的數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡(luò)模型后，對(duì)目標(biāo)進(jìn)行定位。