本申请公开了一种时差定位模型的训练方法、装置及电子设备。该方法包括：基于训练样本构建时差定位模型的输入；构建时差定位模型的损失函数，时差定位模型的损失函数基于优化后的加权均方根误差损失函数得到，优化后的加权均方根误差损失函数包括训练样本平衡策略；基于训练样本平衡策略对训练样本进行再平衡处理，得到再平衡处理后的训练样本；根据时差定位模型的输入、再平衡处理后的训练样本和时差定位模型的损失函数对视差定位模型进行训练，得到训练后的时差定位模型。本申请采用伴有训练样本再平衡策略的传统MSE损失函数作为时差定位模型的损失函数，无需采集更多的训练样本，提升了时差定位模型的训练效率，且能够提高模型精度。高模型精度。高模型精度。
【技术实现步骤摘要】
时差定位模型的训练方法、装置及电子设备
[0001]本申请涉及时差定位
，具体涉及一种时差定位模型的训练方法、装置及电子设备。
技术介绍
[0002]无源定位技术已广泛应用于雷达、声呐、5G/6G无线网络等领域。常用的定位方法包括测向定位、测频定位、时差(Time Difference of Arrival，简称TDOA)定位、时差频差定位、混合定位、直接定位等。目前，给定信号参数或信号，已发展出很多定位算法。通常而言，逼近克拉美罗下界(Cramer
‑
Rao Lower Bound，简称CRLB)的算法的计算复杂度是很高的。
[0003]无源定位的另一个实际问题是定位精度对非理想因素十分敏感，非理想因素包括时频不同步、观测站位置不确定、固定测向偏离以及复杂信号传输信道等等。尽管目前已提出许多应对非理想因素的校正方法，但这些方法成功应用的前提是确切知晓当前定位系统存在哪一种非理想因素。此外，绝大多数校正方法仅适用于单一非理想因素的场景。
[0004]近年来，深度学习技术展现出强大的建模能力及建模之后的快速推理能力。许多研究人员致力于采用深度学习技术解决复杂的定位问题，其中大部分均为室内定位问题。然而由于墙壁的阻隔，基于GPS信号的室内定位精度并不理想。另一方面，对于物联网及机器人等应用场景而言，室内高精度定位能力又很重要。因此，采用深度学习技术解决具有高动态、多反射等复杂因素的室内定位问题就显得十分迫切而有价值。相对而言，室外定位方面的相应成果就少得多。
[0005]基于深度学习的方法通常将定位问题建模成分类问题或回归问题，而采用交叉熵和均方根误差(Mean Squared Error，简称MSE)损失函数时并不考虑目标处于不同位置时的理论定位精度是不一样的。采用等权重的损失函数通常会导致定位精度平衡的现象，例如进一步牺牲低精度区域的定位精度以获得整个感兴趣区域的更低的MSE。然而，这显然将导致目标位置的有偏估计，且在一些场景下效果并不理想。
技术实现思路
[0006]有鉴于此，本申请的主要目的在于提供了一种时差定位模型的训练方法、装置及电子设备，用于解决现有的定位模型定位效果不好的技术问题。
[0007]依据本申请的第一方面，提供了一种时差定位模型的训练方法，包括：
[0008]基于训练样本构建时差定位模型的输入；
[0009]构建时差定位模型的损失函数，其中所述时差定位模型的损失函数基于优化后的加权均方根误差损失函数得到，所述优化后的加权均方根误差损失函数包括训练样本平衡策略；
[0010]基于所述训练样本平衡策略对所述训练样本进行再平衡处理，得到再平衡处理后的训练样本；
[0011]根据所述时差定位模型的输入、所述再平衡处理后的训练样本和所述时差定位模型的损失函数对所述视差定位模型进行训练，得到训练后的时差定位模型，以根据所述时差定位模型进行辐射源的定位。
[0012]可选地，所述基于训练样本构建时差定位模型的输入包括：
[0013]确定参考观测站；
[0014]确定所述参考观测站与各非参考观测站之间的到达时间差；
[0015]根据所述参考观测站与各非参考观测站之间的到达时间差确定所述参考观测站与各非参考观测站之间的距离差真值矢量及对应的含噪距离差矢量；
[0016]根据所述参考观测站与各非参考观测站之间的到达时间差、距离差真值矢量和含噪距离差矢量构建加性噪声模型；
[0017]在各观测站处于时间同步的情况下，直接将所述加性噪声模型中定义的含噪距离差矢量作为所述视差定位模型的输入；
[0018]在各观测站处于时间不同步的情况下，对所述加性噪声模型进行修正，并将修正后的加性噪声模型中定义的含噪距离差矢量作为所述视差定位模型的输入。
[0019]可选地，所述对所述加性噪声模型进行修正包括：
[0020]确定所述参考观测站与各非参考观测站之间的时延；
[0021]根据所述参考观测站与各非参考观测站之间的时延，确定所述参考观测站与各非参考观测站之间的距离延迟矢量；
[0022]根据所述距离延迟矢量对所述加性噪声模型进行修正。
[0023]可选地，所述构建时差定位模型的损失函数包括：
[0024]确定参考观测站与各非参考观测站之间的距离差测量误差的协方差矩阵；
[0025]基于所述距离差测量误差的协方差矩阵，利用基于辐射源位置的CRLB克拉美罗下界确定训练样本的标记值对应的协方差矩阵；
[0026]根据所述训练样本的标记值对应的协方差矩阵和均方根误差损失函数构建加权均方根误差损失函数；
[0027]对所述加权均方根误差损失函数进行优化，并将优化后的加权均方根误差损失函数作为所述时差定位模型的损失函数。
[0028]可选地，所述对所述加权均方根误差损失函数进行优化包括：
[0029]在辐射源各个维度的预测误差独立且有类似预测误差方差的情况下，对所述加权均方根误差损失函数进行近似处理；
[0030]将近似处理后的加权均方根误差损失函数作为所述时差定位模型的损失函数。
[0031]可选地，所述训练样本平衡策略基于训练样本的标记值对应的协方差矩阵的迹得到，所述基于所述训练样本平衡策略对所述训练样本进行再平衡处理包括：
[0032]根据所述训练样本的标记值对应的协方差矩阵的迹确定对各个类别的训练样本的扩充数量；
[0033]根据各个类别的训练样本的扩充数量对各个类别的训练样本进行扩充。
[0034]依据本申请的第二方面，提供了一种时差定位模型的训练装置，包括：
[0035]第一构建单元，用于基于训练样本构建时差定位模型的输入；
[0036]第二构建单元，用于构建时差定位模型的损失函数，其中所述时差定位模型的损
失函数基于优化后的加权均方根误差损失函数得到，所述优化后的加权均方根误差损失函数包括训练样本平衡策略；
[0037]再平衡处理单元，用于获取用于训练时差定位模型的训练样本，并基于所述训练样本平衡策略对所述训练样本进行再平衡处理，得到再平衡处理后的训练样本；
[0038]训练单元，用于根据所述时差定位模型的输入、所述再平衡处理后的训练样本和所述时差定位模型的损失函数对所述视差定位模型进行训练，得到训练后的时差定位模型，以根据所述时差定位模型进行辐射源的定位。
[0039]可选地，所述第二构建单元具体用于：
[0040]确定观测站之间的距离差测量误差的协方差矩阵；
[0041]基于观测站之间的距离差测量误差的协方差矩阵，利用基于辐射源位置的CRLB克拉美罗下界确定训练样本的标记值对应的协方差矩阵；
[0042]根据所述训练样本的标记值对应的协方差矩阵和均方根误差损失函数构建加权均方根误差损失函数；
[0043]对所述加权均方根误差损失函数进行优化，并将优化后的加权均方根误差损失函数作为所述时差定位模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种时差定位模型的训练方法，其特征在于，包括：基于训练样本构建时差定位模型的输入；构建时差定位模型的损失函数，其中所述时差定位模型的损失函数基于优化后的加权均方根误差损失函数得到，所述优化后的加权均方根误差损失函数包括训练样本平衡策略；基于所述训练样本平衡策略对所述训练样本进行再平衡处理，得到再平衡处理后的训练样本；根据所述时差定位模型的输入、所述再平衡处理后的训练样本和所述时差定位模型的损失函数对所述视差定位模型进行训练，得到训练后的时差定位模型，以根据所述时差定位模型进行辐射源的定位。2.根据权利要求1所述的方法，其特征在于，所述基于训练样本构建时差定位模型的输入包括：确定参考观测站；确定所述参考观测站与各非参考观测站之间的到达时间差；根据所述参考观测站与各非参考观测站之间的到达时间差确定所述参考观测站与各非参考观测站之间的距离差真值矢量及对应的含噪距离差矢量；根据所述参考观测站与各非参考观测站之间的到达时间差、距离差真值矢量和含噪距离差矢量构建加性噪声模型；在各观测站处于时间同步的情况下，直接将所述加性噪声模型中定义的含噪距离差矢量作为所述视差定位模型的输入；在各观测站处于时间不同步的情况下，对所述加性噪声模型进行修正，并将修正后的加性噪声模型中定义的含噪距离差矢量作为所述视差定位模型的输入。3.根据权利要求2所述的方法，其特征在于，所述对所述加性噪声模型进行修正包括：确定所述参考观测站与各非参考观测站之间的时延；根据所述参考观测站与各非参考观测站之间的时延，确定所述参考观测站与各非参考观测站之间的距离延迟矢量；根据所述距离延迟矢量对所述加性噪声模型进行修正。4.根据权利要求1所述的方法，其特征在于，所述构建时差定位模型的损失函数包括：确定参考观测站与各非参考观测站之间的距离差测量误差的协方差矩阵；基于所述距离差测量误差的协方差矩阵，利用基于辐射源位置的CRLB克拉美罗下界确定训练样本的标记值对应的协方差矩阵；根据所述训练样本的标记值对应的协方差矩阵和均方根误差损失函数构建加权均方根误差损失函数；对所述加权均方根误差损失函数进行优化，并将优化后的加权均方根误差损失函数作为所述时差定位模型的损失函数。5.根据权利要求4所述的方法，其特征在于，所述对所述加权均方根误差损失函数进行优化包括：在辐射源各个维度的预测误差独立...
【专利技术属性】
技术研发人员：尤明懿，陆安南，叶云霞，
申请(专利权)人：中国电子科技集团公司第三十六研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。