[發明專利]一種基于無監督學習的分布式孔徑交互智能評估方法在審
| 申請號： | 202110657607.7 | 申請日： | 2021-06-13 |
| 公開（公告）號： | CN113313191A | 公開（公告）日： | 2021-08-27 |
| 發明（設計）人： | 高穎;武銘;張朋;郭淑霞;張超琦;段鵬亮;秦揚;韓勝杰;楊昊歡 | 申請（專利權）人： | 西北工業大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N20/00 |
| 代理公司： | 西北工業大學專利中心 61204 | 代理人： | 金鳳 |
| 地址： | 710072 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 監督 學習 分布式 孔徑 交互 智能 評估 方法 | ||
1.一種基于無監督學習的分布式孔徑交互智能評估方法，其特征在于，包括以下步驟：
步驟1：提取孔徑參數；
采集孔徑數據，計算需要用于最終聚合能力評估的中間參數，包括單部孔徑系統抗干擾能力、極化類型系數、多孔徑空域重疊系數、多孔徑頻域重疊系數、信號類型系數和分布式孔徑抗干擾能力指標；
步驟2：孔徑參數預處理；
對孔徑參數進行空間對準、時間對準和航跡關聯處理，得到經過信息融合后的規范航跡數據；同時要對系統中類型為分類變量類型的孔徑參數進行one-hot編碼處理，然后將數據格式轉化為Numpy數組；
步驟3：利用DBSCAN聚類算法進行聚類操作；
根據評估類別的數量、調整鄰域半徑和minpoints的值，對步驟2得到的數據進行聚類操作，同時剔除噪聲點；
步驟4：對聚類后的數據進行標注；
對每一個聚合后的數據類打上評估類別標簽；
步驟5：利用梯度提升機進行數據學習；
將打上評估類別標簽的數據按照3:1的比例劃分為訓練集與測試集，利用梯度提升機模型進行學習，然后在測試集上進行測試；
步驟6：利用專家知識進行交互式修正；
觀察訓練后的模型在測試集上的結果，利用專家知識對數據中的特征進行調整；
步驟7：保存評估模型并進行新的評估；
重復步驟5和步驟6，當精確度達到要求后，保存訓練好的模型，用于新的分布式孔徑系統的評估。
2.根據權利要求1所述的一種基于無監督學習的分布式孔徑交互智能評估方法，其特征在于，所述單部孔徑系統抗干擾能力度量表達式為：
AJC＝(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式中，P為射頻孔徑的發射功率，單位為W；T0為信號持續時間，單位為s；BS為信號帶寬，單位為Hz；G為孔徑天線增益值；
SA為頻率跳變因子：
其中Ba為允許的最大頻率跳變范圍，單位為Hz；
SS為天線的副瓣因子：
其中，GM為天線功率方向圖的主瓣電平；GL為天線功率方向圖的副瓣電平；
SM為MTI質量因子：
SM(dB)＝SCV-25 (4)
其中，SCV為雜波中可見度；
SP為天線極化可變因子：
SC為虛警處理因子
SC(dB)＝10lg△M-LCF-25 (6)
其中，△M為引入恒虛警后接收機動態的擴大量；LCF為恒虛警的插入損耗；
SN為“寬-限-窄”電路質量因子：
SN(dB)＝(EIF)D-8 (7)
其中，(EIF)D為“寬-限-窄”電路抗干擾改善因子；
SJ為重復頻率抖動因子
SJ(dB)＝J-8 (8)
其中，J為重復頻率抖動因子。
3.根據權利要求2所述的一種基于無監督學習的分布式孔徑交互智能評估方法，其特征在于，所述極化類型系數定義為孔徑極化類型數m與孔徑數目N之比：
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西北工業大學，未經西北工業大學許可，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/202110657607.7/1.html，轉載請聲明來源鉆瓜專利網。
