[发明专利]基于深度学习的异构信息融合定位方法

说明书

本发明公开了一种基于深度学习的异构信息融合定位方法，属于辐射源定位技术领域。本发明基于指定的多种定位参数，实现了基于深度学习的异构信息的融合定位。将定位参数转化为热力图，通过将辐射源位置估计看作热力图中的关键点检测问题，直接进行端到端的训练和测试，实现复杂度低。对比传统融合定位方法，可以对不同感知节点处的不同参数信息进行融合，而不需要所有布设的感知节点可以同时获取多种参数这一假设条件，更能够满足实际动态环境需求。本发明在实际定位处理时，无论是有RSS，AOA，或者TDOA参数中的某一种、两种或者三种，都可以使用同样的网络模型，适应性好。同时本发明还可以扩展到包含更多异构信息如包含TOA、FDOA等参数的融合定位。

技术领域

本发明属于辐射源定位技术领域，具体涉及一种基于深度学习的异构信息融合定位方法。

背景技术

随着实际应用中对无源定位精度要求的提高，和测量设备、技术的发展，多种异构信息融合逐渐被应用在无源定位中，主要包括AOA(到达角度)、TDOA(到达时差)、RSS(接收信号强度)、FDOA(到达频率差)等异构参数信息。基于异构信息融合的辐射源定位场景如图1所示，假设在二维空间矩形区域内，有一辐射源，其位置(s_x，s_y)待估计。区域中在已知位置布设M个感知节点，其中M_a个节点可以获取AOA信息，M_t个节点可以获取TOA信息，M_r个节点可以获取RSS信息，假设目标估计位置为：实现辐射源定位即求解最优化问题其中，s表示辐射源位置。在本发明的技术方案的实现过程中，发明人发现：该传统数学融合算法的定位方式的环境适应性较弱，有待于对定位方式进行改进。

发明内容

本发明提供了一种基于深度学习的异构信息融合定位方法，可用于提升辐射源定位处理时的环境适应能力。

本发明采用的技术方案如下：

基于深度学习的异构信息融合定位方法，所述方法包括：

指定辐射源定位所需的至少两种定位参数，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；

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；

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。

进一步的，所述定位参数包括但不限于：AOA、TDOA、RSS和FDOA；

进一步的，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。