[发明专利]一种基于深度学习的短波测向灵活组网方法

权利要求书

1.一种基于深度学习的短波测向灵活组网方法，其特征在于，包括以下步骤：

步骤1：建立短波测向数据库用于存储短波测向历史数据，所述短波测向历史数据包括测向质量及测向选站组网方案；

步骤2：对短波测向数据库中的短波测向历史数据进行预处理；

步骤3：针对数据预处理之后的短波测向历史数据，为每个目标辐射源信号进行基于贝叶斯神经网络的站点测向质量有效预测；

步骤4：针对预处理之后的短波测向历史数据，为每个目标辐射源信号通过“GDOP+测向质量”优化目标函数进行最优化测向选站组网方案的自动标注，获得短波测向样本数据集；

所述“GDOP+测向质量”优化目标函数为：

其中，n为测向站点总数，m为并发目标信号总数；A_n×m为表述组网方案的n行m列0-1决策矩阵；A_n×m中的元素a_ij＝1表示把站点i分配至目标信号j，a_ij＝0表示不分配；GDOP(A_n×m)为在A_n×m决策矩阵下，表示站点几何布局的定位精度几何稀释因子GDOP，数值越低表示站点的几何布局越好；Error(A_n×m)为在A_n×m决策矩阵下，站点测向质量高低的示向偏差总和，数值越低表示测向质量越好；w₁、w₂分别为GDOP(A_n×m)、Error(A_n×m)的权重；

步骤5：选择深度信念网络DBN，利用短波测向样本数据集进行DBN无监督初始化训练和有监督微调训练，基于模拟退火SA算法，对DBN进行基于信息熵和重构误差的网络结构自适应调整，获得均方根误差及重构误差较低的DBN神经网络模型；

步骤6：对于首发或新频目标辐射源信号，进行与步骤2相同的编码及预处理；

步骤7：将步骤6编码及预处理之后的首发或新频目标辐射源信号进行归一化处理，输入步骤5训练好的DBN神经网络模型，采用深度学习的Softmax多分类处理策略，输出首发或新频目标辐射源信号的测向选站组网方案。

2.根据权利要求1所述的一种基于深度学习的短波测向灵活组网方法，其特征在于，所述步骤2具体为：

采用基于模糊数学的数据预处理方法对短波测向数据库中的短波测向历史数据进行预处理。

3.根据权利要求1所述的一种基于深度学习的短波测向灵活组网方法，其特征在于，所述步骤5中对DBN进行基于信息熵和重构误差的网络结构自适应调整，包括：

步骤5.1：输入步骤4获得的短波测向样本数据集，构造DBN的首层神经元；

步骤5.2：以上一层的输出作为可视层，根据信息熵计算DBN隐藏层的神经元个数；

步骤5.3：根据可视层、隐藏层神经元数构造新一层限制玻尔兹曼机RBM；

步骤5.4：对RBM进行无监督训练并计算重构误差；

步骤5.5：进行判决，若重构误差大于阈值，表明网络性能低于要求，则以当前的隐藏层作为新RBM的可视层，转至步骤5.2；若重构误差小于等于阈值，表明当前网络性能符合要求，结束流程，得到网络结构自适应调整的DBN神经网络模型。