基于深度学习的多源信息特征融合的无人机探测技术制造技术

本发明专利技术涉及基于深度学习的多源信息特征融合的无人机探测技术，包括以下步骤：步骤

【技术实现步骤摘要】
基于深度学习的多源信息特征融合的无人机探测技术


[0001]本专利技术涉及无人机领域，特别是一种基于深度学习的多源信息特征融合的无人机探测技术
。

技术介绍

[0002]无人机探测技术越来越智能化，而环境感知是无人机实现自主探测的首要环节，也是无人机实现场景识别的基础，为其提供无人机周边多目标位置
、
速度以及运动轨迹等必要信息
。
无人机探测由单一探测方式转变为由雷达设备
、
光电跟踪设备
、
无线电设备等多种探测器融合方式，该方式能够对其周边无人机位置
、
速度以及运动轨迹进行充分的感知，实现在感知范围和信息完备性的互补，为实现复杂环境可靠感知提供了有效的解决方法，从而有效降低复杂城市环境下多径干扰
、
背景噪音的影响
。
然而，各种探测器的设计原理和物理特性的差异，对环境的描述和表现形式具有很大的差异，如何实现各种传感器信息特征的有效融合是当前实现无人机探测技术的难点所在
。
[0003]由于传统的信息特征提取方法大多数由人工设定，例如：短时傅里叶变换等，且通常只能提取信息的浅层特征，难以满足无人机复杂的探测任务
。
除此之外，由于多种传感器数据输出数据的采样周期是不一致的，不能以时间戳对齐的方式实现不同传感器特征的融合
。
[0004]因此现有技术并不能满足我们的需要
。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种能自适应更新的基于深度学习的多源信息特征融合的无人机探测技术
。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]基于深度学习的多源信息特征融合的无人机探测技术，包括以下步骤：
[0008]步骤
S1
，数据采集：采集至少两种以上数据；
[0009]步骤
S2
，特征提取：利用卷积神经网络将每一种数据进行多尺度特征的提取；
[0010]步骤
S3
，特征融合：将所提取到的所有特征进行模态对齐；
[0011]步骤
S4
，特征训练：将融合特征放入
BP
神经网络中进行训练以此生成初始模型；
[0012]步骤
S5
，模型优化，利用集成学习对
BP
神经网络中的参数进行优化
。
[0013]步骤
S6
，生成自适应调整探测模型
。
[0014]作为优选实施方式，进一步限定为：步骤
S1
中采集的数据包括雷达探测数据
、
光电探测数据
、
无线通信探测数据
。
[0015]作为优选实施方式，进一步限定为：步骤
S1
和步骤
S2
之间还包括对采集的数据进行数据预处理，数据预处理对每一种数据提取所需部分，所需部分包括被测无人机的尺寸
、
形状
、
三位方向
、
通信指纹
。
[0016]作为优选实施方式，进一步限定为：步骤
S2
中提取过程包括：
[0017]S21
，数据提取：采用多尺度卷积层分别提取数据的空间特征；
[0018]S22
，降维：将空间特征通过池化层进行降维得到浅层特征图和深层特征图；
[0019]S23
，融合：通过融合层对浅层特征图和深层特征图进行融合得到多模态样本特征图
。
[0020]作为优选实施方式，进一步限定为：步骤
S3
中融合过程包括：
[0021]S31
，目标优化：
[0022]L(O,P,Q,R|X,Y,Z)
＝
α1L1(O,R|X)+
α2L2(P,R|Y)++
α3L3(Q,R|Z)
ꢀꢀ
(
公式
1)
[0023]其中，和分别为不同的多模态样本特征图，
[0024]N
为样本的数量，
[0025](N1+P1)、(N2+P2)
和
(N3+P3)
分别对应多模态样本特征图的维数，
[0026]O∈
m
×
f
、P∈
m
×
f
和
Q∈
m
×
f
是不同特征图的矩阵，
[0027]R∈
f
×
m
是学习共同的潜在特征空间，
[0028]L1、L2
和
L3
为分解损失系数，分解损失系数为：
∑
i
L
i
＝1；
[0029]S32
，生成哈希码：采用阈值变换的方法将多模态样本特征图生成对应的哈希码
B
；
[0030]S33
：模态对齐：
[0031][0032]其中，
X
，
Y
，
Z
表示多模态样本特征图，
[0033]O,P,Q
分别是不同特征图的矩阵，
[0034]B
表示哈希码；
[0035]S34
：多模态样本特征图重构：
[0036]b
O
＝
B
T
O(
公式
3)
[0037]b
P
＝
B
T
P(
公式
4)
[0038]b
Q
＝
B
T
Q(
公式
5)
[0039]其中，
b
O
、b
P
、b
Q
分别是不同多模态样本特征图的二进制向量表示
。
[0040]作为优选实施方式，进一步限定为：
O,P,Q
是经过线性投影的方法得到的矩阵
。
[0041]作为优选实施方式，进一步限定为：还包括
S35
：生成特征级融合的语义表示：
A
＝
[b
O b
P b
Q
]。
[0042]作为优选实施方式，进一步限定为：步骤
S4
中训练过程包括：
[0043]S41
：权重学习：
[0044][0045]y
＝
f(w1v1+w2v2+...+w
i
v
i
)(
公式
7)
[0046]其中，每个神经元之间的权重为
w
，神经元的值为
v本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的多源信息特征融合的无人机探测技术，其特征在于，包括以下步骤：步骤
S1
，数据采集：采集至少两种以上数据；步骤
S2
，特征提取：利用卷积神经网络将每一种数据进行多尺度特征的提取；步骤
S3
，特征融合：将所提取到的所有特征进行模态对齐；步骤
S4
，特征训练：将融合特征放入
BP
神经网络中进行训练以此生成初始模型；步骤
S5
，模型优化，利用集成学习对
BP
神经网络中的参数进行优化；步骤
S6
，生成自适应调整探测模型
。2.
根据权利要求1所述的基于深度学习的多源信息特征融合的无人机探测技术，其特征在于：步骤
S1
中采集的数据包括雷达探测数据
、
光电探测数据
、
无线通信探测数据
。3.
根据权利要求2所述的基于深度学习的多源信息特征融合的无人机探测技术，其特征在于：步骤
S1
和步骤
S2
之间还包括对采集的数据进行数据预处理，数据预处理对每一种数据提取所需部分，所需部分包括被测无人机的尺寸
、
形状
、
三位方向
、
通信指纹
。4.
根据权利要求1所述的基于深度学习的多源信息特征融合的无人机探测技术，其特征在于：步骤
S2
中提取过程包括：
S21
，数据提取：采用多尺度卷积层分别提取数据的空间特征；
S22
，降维：将空间特征通过池化层进行降维得到浅层特征图和深层特征图；
S23
，融合：通过融合层对浅层特征图和深层特征图进行融合得到多模态样本特征图
。5.
根据权利要求4所述的基于深度学习的多源信息特征融合的无人机探测技术，其特征在于：步骤
S3
中融合过程包括：
S31
，目标优化：
L(O,P,Q,R|X,Y,Z)
＝
α1L1(O,R|X)+
α2L2(P,R|Y)++
α3L3(Q,R|Z)
ꢀꢀꢀꢀ
(
公式
1)
其中，和分别为不同的多模态样本特征图，
N
为样本的数量，
(N1+P1)、(N2+P2)
和
(N3+P3)
分别对应多模态样本特征图的维数，
O∈
m
×
f
、P∈
m
×
f
和
Q∈
m
×
f
是不同特征图的矩阵，
R∈
f
×
m
是学习共同的潜在特征空间，
L1、L2
和
L3
为分解损失系数，分解损失系数为：
∑
i
L
i
＝1；
S32
，生成哈希码：采用阈值变换的方法将多模态样本特征图生成对应的哈希码
B
；
S33
：模态对齐：其中，
X
，
Y
，
Z
表示多模态样本特征图，
O,P,Q
分别是不同特征图的矩阵，
B
表示哈希码；
S34
：多模态样本特征图重构：
b
O

【专利技术属性】
技术研发人员：付珍，郑涛，骆博雅，
申请(专利权)人：江西省军民融合研究院，
类型：发明
国别省市：