基于深度学习的异构信息融合定位方法技术

本发明专利技术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。本发明专利技术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。本发明专利技术在实际定位处理时，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。同时本发明专利技术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。FDOA等参数的融合定位。FDOA等参数的融合定位。

【技术实现步骤摘要】
基于深度学习的异构信息融合定位方法


[0001]本专利技术属于辐射源定位
，具体涉及一种基于深度学习的异构信息融合定位方法。

技术介绍

[0002]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。在本专利技术的技术方案的实现过程中，专利技术人发现：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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术采用的技术方案如下：
[0005]基于深度学习的异构信息融合定位方法，所述方法包括：
[0006]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；
[0007]配置及训练辐射源位置预测模型：
[0008]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；
[0009]设置辐射源位置预测模型的训练数据集：
[0010]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；
[0011]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；
[0012]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。
[0013]进一步的，所述定位参数包括但不限于：AOA、TDOA、RSS和FDOA；
[0014]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。
[0015]进一步的，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。
[0016]进一步的，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。
[0017]进一步的，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。
[0018]本专利技术提供的技术方案至少带来如下有益效果：
[0019](1)将定位参数(如RSS，TDOA，AOA等)转化为热力图，以便于实现基于端到端的神经网络定位，即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。
[0020](2)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。本专利技术的基于深度学习的数据级融合定位。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。
[0021](3)本专利技术的适应性较好，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，都可以使用同样的训练模型，即认为没有参数的通道数据都为0。同时本专利技术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。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0023]图1是异构信息融合定位场景示意图；
[0024]图2是本专利技术实施例提供的基于深度学习的异构信息融合定位方法处理过程示意图；
[0025]图3是本专利技术实施例中，RSS热力图示意图；
[0026]图4是本专利技术实施例中，TDOA热力图示意图；
[0027]图5是本专利技术实施例中，AOA热力图示意图；
[0028]图6是本专利技术实施例中采用的BasicBlock块结构图；
[0029]图7是本专利技术实施例中采用的DownBlock块结构图；
[0030]图8是本专利技术实施例中，不同方式的定位累积分布对比图；
[0031]图9是本专利技术实施例中，定位性能随参数测量误差变化情况，其中，(9
‑
a)为δ
rm
＝δ
tm
＝6时，对辐射源定位性能随δ
am
变化情况，(9
‑
b)为当δ
rm
＝δ
am
＝6时，对辐射源定位性能随δ
tm
变化情况。
具体实施方式
[0032]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0033]本专利技术实施例提供了一种基于深度学习的异构信息融合定位方法，以用于解决基于异构信息融合的辐射源定位问题。
[0034]参见图2，本专利技术实施例提供的基于深度学习的异构信息融合定位方法包括预处理、CNN(卷积神经网络)特征提取、辐射源位置预测三个部分，将空间范围内已知感知节点处获取的AOA、TDOA和RSS数据，以及对应各感知节点位置信息进行预处理生成三个通道的热力图，并进行数据融合生成指定大小(例如50*50*3)的输入数据，通过ResNet(Residual Network)卷积层提取特征后，利用全连接层预测辐射源的位置s＝(s
...

【技术保护点】

【技术特征摘要】
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。2.如权利要求1所述的方法，其特征在于，所述定位参数包括：AOA、TDOA和RSS。3.如权利要求2所述的方法，其特征在于，将每一类定位参数映射为指定尺寸的热力图具体为：将感知节点的位置转换成相对位置，该相对位置的取值范围为0到1；对于RSS的处理包括：将RSS值进行归一化，得到归一化后的RSS值；根据相对位置和归一化后的RSS值生成热力图矩阵，得到定位参数为RSS的热力图；对于TDOA的处理包括：根据无线电波从辐射源位置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，从而得到定位参数为TDOA的热力图；对于AOA的处理包括：感知节点的相对位置和AOA数据绘制感...

【专利技术属性】
技术研发人员：韩欢，彭启航，张阿芳，王军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：