[發明專利]水下非合作平臺運動要素最優解算過程的選擇方法及系統

有效

• 申請號: 202011494645.7
• 申請日: 2020-12-17
• 公開（公告）號: CN113111901B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 李玉慶;黃勝全;王日新;江飛龍;陳卓;楊金鴻;徐敏強
• 申請（專利權）人: 哈爾濱工業大學;中國船舶工業系統工程研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/774;G06V40/20;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，包括以下步驟：

步驟一、建立水下非合作平臺的最優解算過程的選擇方法的監督學習分類模型；

步驟二、構建運動要素解算方法分類神經網絡模型，建立分類模型中從探測信號序列到運動要素解算方法選擇的映射空間；

步驟三、構建水下非合作平臺仿真樣本集，對神經網絡模型進行訓練學習；

步驟四、把探測信號序列輸入到訓練好神經網絡參數的分類模型中，自動選擇出運動要素最優解算過程。

2.根據權利要求1所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟一中，監督學習分類模型構建方法如下：面向水下非合作平臺，構建運動要素解算方法選擇分類模型，分類模型的輸入定義為水下探測信號序列，分類模型的輸出定義為選中的運動要素解算方法的序號；分別使用現有的運動要素解算方法和CNN預處理網絡處理探測信號序列數據，分別得到多組運動要素解算值和高維特征表達向量；然后把多組運動要素解算值和高維特征表達向量拼接為一個非結構化數據向量，輸入到全連接神經網絡中，即可輸出選中的運動要素解算方法的序號。

3.根據權利要求2所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟一中，運動要素解算方法數據處理過程如下：由探測信號序列數據經處理得到目標方位變化時序序列，使用方位平差法、距離平差法、速度平差法和方位距離平差法解算得到多組非合作機動平臺運動方向、運動速度、方位和距離。

4.根據權利要求1所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟二中，運動要素解算方法分類神經網絡模型中，分別構建兩個部分的神經網絡結構，分別為探測信號序列預處理CNN網絡和運動要素解算方法選擇全連接網絡；探測信號序列預處理CNN網絡的網絡結構由2個卷積層、2個池化層、3個全連接層組成；運動要素解算方法選擇全連接網絡，由輸入層、2個隱層、輸出分類層組成。

5.根據權利要求1所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟三中，網絡參數訓練學習過程如下：網絡參數訓練學習過程分為兩個階段，先進行探測信號序列預處理CNN網絡的預訓練，得到預處理CNN網絡的較合理的網絡參數，再結合多種要素解算方法計算得到的非合作機動平臺運動方向、運動速度、方位和距離，對分類模型進行整體訓練，得到全連接神經網絡的網絡參數，并同時微調預處理CNN網絡的參數。

6.根據權利要求5所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟三中，預處理CNN網絡預訓練方法如下：使用有監督學習的方式對網絡參數進行學習，構建預訓練樣本集，以帶有標簽的分別代表多種不同目標運動軌跡的信號瀑布圖作為訓練樣本，以目標運動軌跡分類問題作為訓練導向，在CNN預處理網絡的基礎上，后接一個分類層，以目標運動軌跡分類作為標簽對CNN預處理網絡進行訓練。

7.根據權利要求6所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟三中，分類模型整體訓練方法如下：使用有監督學習的方式對網絡參數進行學習，構建整體訓練樣本集，把全連接神經網絡和上個步驟中訓練的CNN網絡相連接，把CNN網絡的輸出和多組要素解算方法的結果組合作為全連接神經網絡的輸入，形成一個端到端的整體網絡用于訓練。

8.根據權利要求7所述的水下非合作平臺運動要素最優解算過程的選擇方法，其特征在于，步驟三中，整體訓練樣本集的確定：在每一個樣本中，設定目標的運動模式，并仿真大量的探測信號序列，然后使用可選擇的多種目標運動要素解算方法分別對此探測信號序列進行解算，得到多種目標運動要素解算方法的解算值，選擇其中解算結果與仿真真實值最接近的一種方法，即為當前最合適的解算方法，以仿真的探測信號序列作為樣本內容，以最合適的解算方法作為樣本標簽。