一种基于人工智能的脉冲雷达数据量化方法技术

本发明专利技术公开了一种基于人工智能的脉冲雷达数据量化方法，属于脉冲雷达技术领域，包括以下步骤：S1：统计完整样本，剔除非有效样本以及非正常极大极小值；S2：增加高斯噪声，以确保量化方法的有效性；S3：使用curve Finding方法进行样本函数拟合；S4：计算拟合的样本函数超参数，及样本空间中的密度；S5：根据量化的映射原理，计算量化缩放因子参数；通过使用本发明专利技术使用的量化方法，可以将人工智能算法不是到嵌入式FPGA芯片平台，替代GPU完成相应的实时计算，可以解决目前国产化GPU芯片还未量产成功的问题；本发明专利技术中的量化方法可支持多种量化位宽，对脉冲雷达数据的7bit量化，量化精度损失小于5％，可以满足的边缘端部署使用，部署后的功耗及使用成本降低50％。功耗及使用成本降低50％。功耗及使用成本降低50％。

【技术实现步骤摘要】
一种基于人工智能的脉冲雷达数据量化方法


[0001]本专利技术涉及
，具体为一种基于人工智能的脉冲雷达数据量化方法。

技术介绍

[0002]脉冲测量雷达广泛应用于飞行器的跟踪和精密测量的无线电设备中。它为航天器定轨和目标特性测量提供测量信息，雷达在工作过程中，发射信号泄漏会对接收机造成干扰，情况主要有两种：一种是大信号干扰使得接收机压缩增益或出现饱和，甚至造成接收机阻塞，通常可以通过将收发天线进行物理隔离来解决；另一种是发射信号的边带噪声将微弱的回波信号淹没，对接收机的目标检测造成影响。直接的信号泄漏通常可以采用收发天线隔离和频率分离相结合的方法得到解决。在多普勒导航器中，多普勒频移可以提供足够的频率间隔，以保证发射信号不对接收机造成干扰。对于机载雷达，每个发射机不可避免的都会产生噪声，并且会调制到发射机的输出，产生调制的边带噪声，覆盖了发射频率左右很宽的频带。尽管这些边带噪声的功率极小，但是仍然比来自目标的回波信号强很多个数量级。为了防止发射机边带噪声干扰接收信号，必须将接收机与发射机隔离。采用独立的发射机和接收机，并且发射机和接收机采用各自独立的天线，从而实现发射机和接收机的隔离。地面和舰载连续波雷达就是如此。但是，机载雷达因为空间受限，通常收发要共用一副天线，因此，发射机输出的边带噪声不可避免地会通过天线进入到接收机。脉冲体制雷达则可以有效避免出现发射机干扰接收机的问题。脉冲雷达具有以上优势，且使用成本较低。但是脉冲雷达数据离散度极大，采集的数据存在自然界噪音，FPGA芯片计算资源有限，并且使用定点数计算方式效率更高。
[0003]所以，人们需要一种基于人工智能的脉冲雷达数据量化方法来解决上述问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人工智能的脉冲雷达数据量化方法，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能的脉冲雷达数据量化方法，包括以下步骤：
[0006]S1：统计完整样本，剔除非有效样本以及非正常极大极小值；
[0007]S2：增加高斯噪声，以确保量化方法的有效性；
[0008]S3：使用curve Finding方法进行样本函数拟合；
[0009]S4：计算拟合的样本函数超参数，及样本空间中的密度；
[0010]S5：根据量化的映射原理，计算量化缩放因子参数。
[0011]进一步的，在步骤S1中，所述统计完整样本，剔除非有效样本以及非正常极大极小值，所述方法为：
[0012]根据线性量化方法统计完整样本，计算表达式为：r＝round(S((q
‑
Z))；
[0013]q是float32的原始值，Z是float32的偏移量，S是float32的缩放因子，round()是
四舍五入近似取整的数学函数，r是量化后的一个整数值。
[0014]进一步的，在步骤S2中，利用randn()函数生成高斯噪声，增加高斯噪声，以确保量化方法的有效性，所述randn()函数生成高斯噪声方法为：
[0015]Y＝randn(n)；
[0016]返回一个n*n的随机项的矩阵。如果n不是个数量，将返回错误信息；
[0017]Y＝randn([m n])；
[0018]返回一个m*n的随机项矩阵；
[0019]Y＝randn(m,n,p,...)或Y＝randn([m n p...])；
[0020]产生随机数组；
[0021]Y＝randn(size(A))；
[0022]返回一个和A有同样维数大小的随机数组；
[0023]randn；
[0024]返回一个每次都变化的数量。
[0025]进一步的，在步骤S3中，使用curve Finding方法进行样本函数拟合，使用非线性最小二乘法将样本函数进行拟合，找到最优曲线，所述curve Finding方法包括以下步骤：
[0026]S301：准备拟合数据集；
[0027]S302：建立自定义方程函数；
[0028]S303：获取拟合后的参数；
[0029]S304：获取拟合得到的目标数据。
[0030]进一步的，在步骤S4中，所述计算拟合的样本函数超参数，及样本空间中的密度，根据数据的密度，通过聚类方式获得16个聚类块，求得每个聚类的数据上限，使用非线性最小二乘法进行Cruve Fit，评价指标为MAPE，寻找最优曲线，MAPE公式为：
[0031][0032]其中n表示总样本数目；i表示遍历的每个样本；y表示拟合的曲线y坐标轴值；yi表示原样本y坐标轴值；
[0033]所述超参数的求解，根据分出的256个类，拟合的多元函数为该特征的量化公式，每个区间表示16个定点数，共16个区间256个定点数，以完成准确量化，求解公式为：
[0034][0035]其中a,b,c表示代求解的各项系数及常数；μ表示总样本的期望(均数)；σ表示总样本的标准差σ；σ2为样本的方差。
[0036]进一步的，在步骤S5中；所述根据量化的映射原理，计算量化缩放因子参数，方法为：
[0037]S501：在量化训练中加入伪量化节点，将输入的float数据量化一遍后再返回float，以此来模拟量化误差，同时进行反向传播，将数据导回上一层；
[0038]S502：伪量化的公式为：
[0039]其中，v是float的输入，是量化后的数据(仍然使用float来存储，但数值由于做了round操作，因此是整数)，是反量化的结果，
‑
Q
N
,Q
P
分别是量化数值的最小值和最大值，
s是量化参数；
[0040]S503：在每次反向传播中对s求导进行更新，将伪量化公式统一得到：
[0041][0042]对s进行求导得到：
[0043]round(v/s)单数通过STE得到：
[0044]得到求导公式：
[0045]进一步的，在处理雷达一维度输入时，使用多个一纬脉冲雷达数据拼接为多维输入，每条雷达数据样本特征维度为32，对不足32特征的样本补0，对每个神经元只与输入数据的一个局部区域连接，连接空间的大小为神经元的感受野。
[0046]进一步的，所述量化方法在FPGA芯片中进行计算，FPGA芯片计算出卷积结果后进行8bit量化。
[0047]进一步的，确定算法模型，固定每一层权重，每层权重的数据范围确定，数据波动性稳定，可采用最大最小量化方式，权重采用逐通道对称量化。
[0048]与现有技术相比，本专利技术所达到的有益效果是：
[0049]1.通过使用本专利技术使用的量化方法，可以将人工智能算法不是到嵌入式FPGA芯片平台，替代GPU完成相应的实时计算，可以解决目前国产化GPU芯片还未量产成功的问题；
[0050]2.本专利技术的量化方法符合人工智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的脉冲雷达数据量化方法，其特征在于：包括以下步骤：S1：统计完整样本，剔除非有效样本以及非正常极大极小值；S2：增加高斯噪声，以确保量化方法的有效性；S3：使用curve Finding方法进行样本函数拟合；S4：计算拟合的样本函数超参数及样本空间中的密度；S5：根据量化的映射原理，计算量化缩放因子参数。2.根据权利要求1所述的一种基于人工智能的脉冲雷达数据量化方法，其特征在于：在步骤S1中，所述统计完整样本，剔除非有效样本以及非正常极大极小值，所述方法为：根据线性量化方法统计完整样本，计算表达式为：r＝round(S((q
‑
Z))；q是float32的原始值，Z是float32的偏移量，S是float32的缩放因子，round()是四舍五入近似取整的数学函数，r是量化后的一个整数值。3.根据权利要求1所述的一种基于人工智能的脉冲雷达数据量化方法，其特征在于：在步骤S2中，利用randn()函数生成高斯噪声，增加高斯噪声。4.根据权利要求1所述的一种基于人工智能的脉冲雷达数据量化方法，其特征在于：在步骤S3中，使用curve Finding方法进行样本函数拟合，使用非线性最小二乘法将样本函数进行拟合，找到最优曲线，所述curve Finding方法包括以下步骤：S301：准备拟合数据集；S302：建立自定义方程函数；S303：获取拟合后的参数；S304：获取拟合得到的目标数据。5.根据权利要求1所述的一种基于人工智能的脉冲雷达数据量化方法，其特征在于：在步骤S4中，所述计算拟合的样本函数超参数，及样本空间中的密度，根据数据的密度，通过聚类方式获得16个聚类块，求得每个聚类的数据上限，使用非线性最小二乘法进行Cruve Fit，评价指标为MAPE，寻找最优曲线，MAPE公式为：式中n表示总样本数目；i表示遍历的每个样本；y表示拟合的曲线y坐...

【专利技术属性】
技术研发人员：梅碧峰，李冬冬，翁荣建，
申请(专利权)人：上海轴芯科技有限公司，
类型：发明
国别省市：