[發明專利]基于深度學習的異構信息融合定位方法

有效

• 申請號: 202111409376.4
• 申請日: 2021-11-25
• 公開（公告）號: CN114241272B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 韓歡;彭啟航;張阿芳;王軍
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/778;G06V10/82;G06N3/0464;G06N3/08;G01S5/02
• 代理公司: 北京圣州專利代理事務所(普通合伙) 11818
• 代理人: 何世常

1.基于深度學習的異構信息融合定位方法，其特征在于，包括下列步驟：

指定輻射源定位所需的AOA、TDOA、RSS定位參數，該定位參數通過指定區域部署的感知節點獲取；

配置及訓練輻射源位置預測模型：

所述輻射源位置預測模型為基于卷積神經網絡的網絡模型，所述輻射源位置預測模型的輸入數據的通道數與定位參數的類別數一致，將每一類定位參數映射為指定尺寸的熱力圖，再作為輻射源位置預測模型的輸入數據；所述輻射源位置預測模型的輸出為輻射源的預測位置；

所述輻射源位置預測模型包括基于殘差網絡的特征提取網絡和基于全連接層的定位預測網絡；

所述特征提取網絡的網絡結構依次包括：卷積層、第一殘差網絡和第二殘差網絡，其中，第一殘差網絡包括至少一個第一殘差塊，第二殘差網絡包括多個由第一殘差塊和第二殘差塊串接的組合殘差塊；所述第一殘差塊包括兩個卷積層和兩個線性激活函數，第一殘差塊的主路徑依次包括卷積層1、線性激活函數1、卷積層2和線性激活函數2，并從卷積層1的輸出引入一個短連接至卷積層2的輸出上；所述第二殘差塊包括三個卷積層和兩個線性激活函數，所述第二殘差塊的主路徑與第一殘差塊相同，在卷積層1的輸出與卷積層2的輸出之間的短連接路徑上增設一個卷積層3，其中，主路徑上的兩個卷積層的卷積核尺寸大小相同；

第一殘差塊和第二殘差塊包括的卷積層均為卷積層后帶歸一化層的結構；

主路徑上的兩個卷積層的卷積核尺寸為3×3，第二殘差塊的短連接路徑上的卷積層的卷積核尺寸為1×1；

所述定位預測網絡包括依次連接的至少一層平均池化層和一層全連接層，其中，全連接層用于輸出為輻射源的預測位置；

所述平均池化層的層數為2，池化核的大小為2×2；

設置輻射源位置預測模型的訓練數據集：

采集所指定的定位參數，作為每個訓練樣本的定位參數數據，將訓練樣本的每一類定位參數映射為指定尺寸的熱力圖，并以訓練樣本所對應的輻射源真實位置作為其標簽；

RSS數據的預處理，首先，將RSS值進行歸一化，歸一化公式如下所示：

其中，為歸一化后的RSS數值，z為歸一化前的RSS數值；

然后，將感知節點的位置轉換成相對位置，相對位置范圍為0到1，換算公式如下：

其中，為感知節點歸一化位置坐標，ξ為歸一化前的位置坐標，L表示感知節點所述的位置空間的寬幅；

TDOA數據處理中，根據無線電波從輻射源位置s到感知節點位置之間的傳播時間t，以第一個TDOA感知節點m_t1為參考獲取時間差Δt，并繪制TDOA定位雙曲線，繪制公式如下所示：

其中，表示感知節點m_i的坐標位置，表示感知節點m_t1的坐標位置，Δt表示輻射源到感知節點m_i與輻射源到感知節點m_t1的時間差，即TDOA獲取的測量值，v表示電磁波傳播速度，而后獲取圖像的熱力圖矩陣；

AOA數據處理中，根據感知節點的相對位置和AOA數據繪制感知節點處的方向線，公式如下：

其中，表示感知節點m_k的坐標位置，為感知節點m_k處獲取的方向角，后獲取圖像的熱力圖矩陣；

基于訓練數據集對所述輻射源位置預測模型進行深度學習訓練，當滿足預置的訓練結束條件時，將訓練完成的輻射源位置預測模型作為輻射源位置預測器；

將采集的待識別定位參數映射為指定尺寸的熱力圖，再輸入至輻射源位置預測器，基于輻射源位置預測器的輸出得到輻射源的位置定位結果。

2.如權利要求1所述的方法，其特征在于，當僅采集到一種定位參數時，在向輻射源位置預測模型和/或輻射源位置預測器輸入輸入數據時，將沒有參數的通道數據置為零。