[發明專利]基于卷積神經網絡的頻率分集陣列的雷達目標定位方法在審
| 申請號： | 202010830159.1 | 申請日： | 2020-08-18 |
| 公開（公告）號： | CN112147589A | 公開（公告）日： | 2020-12-29 |
| 發明（設計）人： | 劉慶華;朱彩球;陽佳慧;吳丙森;晉良念 | 申請（專利權）人： | 桂林電子科技大學 |
| 主分類號： | G01S7/41 | 分類號： | G01S7/41 |
| 代理公司： | 桂林文必達專利代理事務所(特殊普通合伙) 45134 | 代理人： | 張學平 |
| 地址： | 541004 廣西*** | 國省代碼： | 廣西;45 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 卷積 神經網絡 頻率 分集 陣列 雷達 目標 定位 方法 | ||
1.一種基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，包括：
將FDA雷達設置為兩個正負頻率偏置，并分別發射信號；
構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雷達采集的K個目標點{(θ1,R1),…,(θk,Rk),…,(θK,RK)}作為訓練集，其中k為K個所述目標點中的任意目標；
獲取所述訓練集中的每個所述目標點的協方差矩陣，得到K個所述協方差矩陣，將所述K個協方差矩陣構成K個目標的初始數據集；
獲取第k個目標對應的所述協方差矩陣，并將第k個目標的所述協方差矩陣在所述訓練集中位置對應為(θk,Rk)，將第k個目標的所述協方差矩陣進行歸一化，獲取對應第k個目標的的歸一化矩陣；
構建卷積神經網絡模型，將所述訓練集輸入所述卷積神經網絡模型，獲得第K個目標的卷積神經網絡的預測的目標位置
將第K個目標的卷積神經網絡的預測的目標位置與第K個真實目標的位置(θk,Rk)比較，計算兩者的均方誤差，并作為所述卷積神經網絡模型的目標函數；
對所述目標函數進行迭代，獲取所述卷積神經網絡模型中目標定位的各項參數。
2.如權利要求1所述的基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，在獲取獲取對應第k個目標的的歸一化矩陣之后，
對K個目標的所述第一數據集和所述訓練集進行歸一化，獲取K個真實的目標位置的數據集。
3.如權利要求1所述的基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，在獲取將所述K個協方差矩陣構成K個目標的初始數據集時，對協方差矩陣的實部和虛部進行分離。
4.如權利要求2所述的基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，在對所述目標函數進行迭代具體步驟中，包括
將第k個目標的目標個數循環加1，重復所述訓練集中的每個所述目標點的協方差矩陣至獲得所述目標函數之間的步驟，直到每個所述目標函數收斂最優時或達到最大迭代次數。
5.如權利要求1～4任一項所述的基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，構建卷積神經網絡模型，將所述訓練集輸入所述卷積神經網絡模型的步驟中，所述訓練集的數據為所述初始數據集中的隨機抽取的百分之七十數據。
6.如權利要求5所述的基于卷積神經網絡的頻率分集陣列的雷達目標定位方法，其特征在于，在獲取所述卷積神經網絡模型中目標定位的各項參數后，
將所述初始數據集中剩余的百分之三十數據作為測試集，將所述測試集的數據輸入所述卷積神經網絡模型后，對目標進行定位。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于桂林電子科技大學，未經桂林電子科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010830159.1/1.html，轉載請聲明來源鉆瓜專利網。
