[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

本發明公開了一種基于深度學習的異構信息融合定位方法，屬于輻射源定位技術領域。本發明基于指定的多種定位參數，實現了基于深度學習的異構信息的融合定位。將定位參數轉化為熱力圖，通過將輻射源位置估計看作熱力圖中的關鍵點檢測問題，直接進行端到端的訓練和測試，實現復雜度低。對比傳統融合定位方法，可以對不同感知節點處的不同參數信息進行融合，而不需要所有布設的感知節點可以同時獲取多種參數這一假設條件，更能夠滿足實際動態環境需求。本發明在實際定位處理時，無論是有RSS，AOA，或者TDOA參數中的某一種、兩種或者三種，都可以使用同樣的網絡模型，適應性好。同時本發明還可以擴展到包含更多異構信息如包含TOA、FDOA等參數的融合定位。

技術領域

本發明屬于輻射源定位技術領域，具體涉及一種基于深度學習的異構信息融合定位方法。

背景技術

隨著實際應用中對無源定位精度要求的提高，和測量設備、技術的發展，多種異構信息融合逐漸被應用在無源定位中，主要包括AOA(到達角度)、TDOA(到達時差)、RSS(接收信號強度)、FDOA(到達頻率差)等異構參數信息。基于異構信息融合的輻射源定位場景如圖1所示，假設在二維空間矩形區域內，有一輻射源，其位置(s_x，s_y)待估計。區域中在已知位置布設M個感知節點，其中M_a個節點可以獲取AOA信息，M_t個節點可以獲取TOA信息，M_r個節點可以獲取RSS信息，假設目標估計位置為：實現輻射源定位即求解最優化問題其中，s表示輻射源位置。在本發明的技術方案的實現過程中，發明人發現：該傳統數學融合算法的定位方式的環境適應性較弱，有待于對定位方式進行改進。

發明內容

本發明提供了一種基于深度學習的異構信息融合定位方法，可用于提升輻射源定位處理時的環境適應能力。

本發明采用的技術方案如下：

基于深度學習的異構信息融合定位方法，所述方法包括：

指定輻射源定位所需的至少兩種定位參數，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；

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；

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。

進一步的，所述定位參數包括但不限于：AOA、TDOA、RSS和FDOA；

進一步的，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。