[发明专利]基于深度学习的异构信息融合定位方法

权利要求书

1.基于深度学习的异构信息融合定位方法，其特征在于，包括下列步骤：

指定辐射源定位所需的AOA、TDOA、RSS定位参数，该定位参数通过指定区域部署的感知节点获取；

配置及训练辐射源位置预测模型：

所述辐射源位置预测模型为基于卷积神经网络的网络模型，所述辐射源位置预测模型的输入数据的通道数与定位参数的类别数一致，将每一类定位参数映射为指定尺寸的热力图，再作为辐射源位置预测模型的输入数据；所述辐射源位置预测模型的输出为辐射源的预测位置；

所述辐射源位置预测模型包括基于残差网络的特征提取网络和基于全连接层的定位预测网络；

所述特征提取网络的网络结构依次包括：卷积层、第一残差网络和第二残差网络，其中，第一残差网络包括至少一个第一残差块，第二残差网络包括多个由第一残差块和第二残差块串接的组合残差块；所述第一残差块包括两个卷积层和两个线性激活函数，第一残差块的主路径依次包括卷积层1、线性激活函数1、卷积层2和线性激活函数2，并从卷积层1的输出引入一个短连接至卷积层2的输出上；所述第二残差块包括三个卷积层和两个线性激活函数，所述第二残差块的主路径与第一残差块相同，在卷积层1的输出与卷积层2的输出之间的短连接路径上增设一个卷积层3，其中，主路径上的两个卷积层的卷积核尺寸大小相同；

第一残差块和第二残差块包括的卷积层均为卷积层后带归一化层的结构；

主路径上的两个卷积层的卷积核尺寸为3×3，第二残差块的短连接路径上的卷积层的卷积核尺寸为1×1；

所述定位预测网络包括依次连接的至少一层平均池化层和一层全连接层，其中，全连接层用于输出为辐射源的预测位置；

所述平均池化层的层数为2，池化核的大小为2×2；

设置辐射源位置预测模型的训练数据集：

采集所指定的定位参数，作为每个训练样本的定位参数数据，将训练样本的每一类定位参数映射为指定尺寸的热力图，并以训练样本所对应的辐射源真实位置作为其标签；

RSS数据的预处理，首先，将RSS值进行归一化，归一化公式如下所示：

其中，为归一化后的RSS数值，z为归一化前的RSS数值；

然后，将感知节点的位置转换成相对位置，相对位置范围为0到1，换算公式如下：

其中，为感知节点归一化位置坐标，ξ为归一化前的位置坐标，L表示感知节点所述的位置空间的宽幅；

TDOA数据处理中，根据无线电波从辐射源位置s到感知节点位置之间的传播时间t，以第一个TDOA感知节点m_t1为参考获取时间差Δt，并绘制TDOA定位双曲线，绘制公式如下所示：

其中，表示感知节点m_i的坐标位置，表示感知节点m_t1的坐标位置，Δt表示辐射源到感知节点m_i与辐射源到感知节点m_t1的时间差，即TDOA获取的测量值，v表示电磁波传播速度，而后获取图像的热力图矩阵；

AOA数据处理中，根据感知节点的相对位置和AOA数据绘制感知节点处的方向线，公式如下：

其中，表示感知节点m_k的坐标位置，为感知节点m_k处获取的方向角，后获取图像的热力图矩阵；

基于训练数据集对所述辐射源位置预测模型进行深度学习训练，当满足预置的训练结束条件时，将训练完成的辐射源位置预测模型作为辐射源位置预测器；

将采集的待识别定位参数映射为指定尺寸的热力图，再输入至辐射源位置预测器，基于辐射源位置预测器的输出得到辐射源的位置定位结果。

2.如权利要求1所述的方法，其特征在于，当仅采集到一种定位参数时，在向辐射源位置预测模型和/或辐射源位置预测器输入输入数据时，将没有参数的通道数据置为零。