[发明专利]水下非合作平台运动要素最优解算过程的选择方法及系统

权利要求书

1.一种水下非合作平台运动要素最优解算过程的选择方法，其特征在于，包括以下步骤：

步骤一、建立水下非合作平台的最优解算过程的选择方法的监督学习分类模型；

步骤二、构建运动要素解算方法分类神经网络模型，建立分类模型中从探测信号序列到运动要素解算方法选择的映射空间；

步骤三、构建水下非合作平台仿真样本集，对神经网络模型进行训练学习；

步骤四、把探测信号序列输入到训练好神经网络参数的分类模型中，自动选择出运动要素最优解算过程。

2.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤一中，监督学习分类模型构建方法如下：面向水下非合作平台，构建运动要素解算方法选择分类模型，分类模型的输入定义为水下探测信号序列，分类模型的输出定义为选中的运动要素解算方法的序号；分别使用现有的运动要素解算方法和CNN预处理网络处理探测信号序列数据，分别得到多组运动要素解算值和高维特征表达向量；然后把多组运动要素解算值和高维特征表达向量拼接为一个非结构化数据向量，输入到全连接神经网络中，即可输出选中的运动要素解算方法的序号。

3.根据权利要求2所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤一中，运动要素解算方法数据处理过程如下：由探测信号序列数据经处理得到目标方位变化时序序列，使用方位平差法、距离平差法、速度平差法和方位距离平差法解算得到多组非合作机动平台运动方向、运动速度、方位和距离。

4.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤二中，运动要素解算方法分类神经网络模型中，分别构建两个部分的神经网络结构，分别为探测信号序列预处理CNN网络和运动要素解算方法选择全连接网络；探测信号序列预处理CNN网络的网络结构由2个卷积层、2个池化层、3个全连接层组成；运动要素解算方法选择全连接网络，由输入层、2个隐层、输出分类层组成。

5.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，网络参数训练学习过程如下：网络参数训练学习过程分为两个阶段，先进行探测信号序列预处理CNN网络的预训练，得到预处理CNN网络的较合理的网络参数，再结合多种要素解算方法计算得到的非合作机动平台运动方向、运动速度、方位和距离，对分类模型进行整体训练，得到全连接神经网络的网络参数，并同时微调预处理CNN网络的参数。

6.根据权利要求5所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，预处理CNN网络预训练方法如下：使用有监督学习的方式对网络参数进行学习，构建预训练样本集，以带有标签的分别代表多种不同目标运动轨迹的信号瀑布图作为训练样本，以目标运动轨迹分类问题作为训练导向，在CNN预处理网络的基础上，后接一个分类层，以目标运动轨迹分类作为标签对CNN预处理网络进行训练。

7.根据权利要求6所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，分类模型整体训练方法如下：使用有监督学习的方式对网络参数进行学习，构建整体训练样本集，把全连接神经网络和上个步骤中训练的CNN网络相连接，把CNN网络的输出和多组要素解算方法的结果组合作为全连接神经网络的输入，形成一个端到端的整体网络用于训练。

8.根据权利要求7所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，整体训练样本集的确定：在每一个样本中，设定目标的运动模式，并仿真大量的探测信号序列，然后使用可选择的多种目标运动要素解算方法分别对此探测信号序列进行解算，得到多种目标运动要素解算方法的解算值，选择其中解算结果与仿真真实值最接近的一种方法，即为当前最合适的解算方法，以仿真的探测信号序列作为样本内容，以最合适的解算方法作为样本标签。