[发明专利]一种基于深度学习的短波测向灵活组网方法

摘要

本发明涉及短波组网测向技术领域，公开一种基于深度学习的短波测向灵活组网方法。本发明通过建立针对短波测向样本数据集进行高精度训练的DBN神经网络模型，从历史测向数据中学习电离层传播特性和选站灵活组网行为规律，从而实现对辐射源信号测向选站组网方案的快速、准确预测和推荐，不仅提高短波测向的科学性、智能化水平，而且可以综合利用、动态配置、协同共享测向资源，提升短波测向站灵活组网的测向效能。

主权项

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；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。