基于长短时记忆CNN的运动目标测向方法技术

本发明专利技术公开了基于长短时记忆CNN的运动目标测向方法，涉及运动目标测向技术领域，解决了运动目标测向的技术问题；通过构建长短时记忆CNN测向模型；建立运动辐射源目标的训练样本集；对接收到的运动辐射源目标信号进行预处理；所述输入参数经过卷积和池化后，获取运动辐射源目标信号到达方向的特征向量；利用LSTM层各个节点指向自身的环，实现自循环；所述卷积层和所述池化层把数据集映射到显式特征层后，全连接层把分布的生成特征耦合到不同的角度上，对运动辐射源目标进行角度估计；实现了将长短时记忆网络融入卷积神经网络，利用长短时记忆网络的自循环特性，保存和传递时变目标的状态，对运动目标的智能化快速高精度测向。对运动目标的智能化快速高精度测向。对运动目标的智能化快速高精度测向。

【技术实现步骤摘要】
基于长短时记忆CNN的运动目标测向方法


[0001]本专利技术属于电子侦察领域，涉及运动目标测向技术，具体是基于长短时记忆CNN的运动目标测向方法。

技术介绍

[0002]对辐射源目标的测向，是电子侦察设备，利用接收到的目标信号，通过信号处理，估计目标信号的到达方向。对运动目标的测向，就是在连续观测的基础上，估计运动目标的实时方向。
[0003]对辐射源目标的测向方法，目前主要研究的都是固定目标测向，没有运动目标测向的相关研究。对于运动目标测向，也是采用固定目标测向方法，只是在形成点迹后，再应用滤波和平滑处理技术，形成目标航迹。
[0004]对固定目标测向方法主要有传统的振幅法测向、相位法测向、空间谱估计测向等，专利“基于深度学习的任意阵列波达角估计方法”，提出了一种基于CNN的信号到达方向估计方法，实现对固定目标的智能测向。运动目标的空间移动是连续的，导致在时间维度上，目标方向值具有持续相关性。如果采用CNN模型进行信号到达方向估计，CNN模型要获得长时间维度上的相关性，需要的卷积核窗口尺度需要指数级增长，这几乎是不可实现的，因此，对运动目标测向，单纯CNN模型仍然是分时独立估计，不能利用目标运动的相关性。
[0005]为此，提出一种基于长短时记忆CNN的运动目标测向方法。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于长短时记忆CNN的运动目标测向方法，该基于长短时记忆CNN的运动目标测向方法解决了运动目标测向的问题。
[0007]为实现上述目的，根据本专利技术的第一方面的实施例提出基于长短时记忆CNN的运动目标测向方法，包括以下步骤：
[0008]步骤一：构建长短时记忆CNN测向模型；其中，所述长短时记忆CNN测向模型包括三个输入层、三个卷积层、三个池化层、一个全连接层、一个LSTM层以及一个Softmax分类层；
[0009]步骤二：建立运动辐射源目标的训练样本集，根据所述训练样本集对所述长短时记忆CNN测向模型进行训练；其中，所述训练样本集包括运动辐射源目标的特征参数和运动辐射源目标的运动角度标签；
[0010]步骤三：对接收到的运动辐射源目标信号进行预处理，提取运动辐射源目标信号的特征参数，将所述特征参数作为长短时记忆CNN测向模型的输入参数；
[0011]步骤四：所述输入参数经过卷积和池化后，获取运动辐射源目标信号到达方向的特征向量；
[0012]步骤五：利用LSTM层各个节点指向自身的环，实现自循环；
[0013]步骤六：所述卷积层和所述池化层把数据集映射到显式特征层后，全连接层把分
布的生成特征耦合到不同的角度上，获取运动辐射源目标的角度估计。
[0014]优选的，所述卷积层采用Sigmoid激活函数，每层卷积层后分别跟一个池化层；
[0015]所述池化层对卷积后的特征参数进行不重叠的下采样；
[0016]所述LSTM层采用循环更新记忆结构；
[0017]所述Softmax分类层采用交叉熵损失函数。
[0018]优选的，所述特征参数包括信号频率、相位差特征参数、相对幅度特征参数以及协方差矩阵特征参数。
[0019]优选的，所述输入参数经过卷积和池化后，获取运动辐射源目标信号到达方向的特征向量，包括以下步骤：
[0020]所述卷积层将神经网络中的每一小块经过更加深入地分析，获取更高层次的特征参数；
[0021]所述池化层通过下采样的操作压缩特征参数，降低卷积后特征参数的特征维度；
[0022]所述池化层将输入的特征映射划分为多个不重叠的区域；
[0023]经过卷积和池化后，获取运动辐射源目标信号到达方向的特征向量。
[0024]优选的，所述卷积层采用局部连接的方式，通过不同的卷积核与输入参数进行卷积操作，实现对输入参数的非线性特征映射，进而实现特征提取。
[0025]与现有技术相比，本专利技术的有益效果是：
[0026]本专利技术通过构建长短时记忆CNN测向模型；建立运动辐射源目标的训练样本集，根据所述训练样本集对所述长短时记忆CNN测向模型进行训练；对接收到的运动辐射源目标信号进行预处理，提取运动辐射源目标信号的特征参数，将所述特征参数作为长短时记忆CNN测向模型的输入参数；所述输入参数经过卷积和池化后，获取运动辐射源目标信号到达方向的特征向量；利用LSTM层各个节点指向自身的环，实现自循环；所述卷积层和所述池化层把数据集映射到显式特征层后，全连接层把分布的生成特征耦合到不同的角度上，对运动辐射源目标进行角度估计；实现了将长短时记忆网络融入卷积神经网络，利用长短时记忆网络的自循环特性，保存和传递时变目标的状态，对运动目标的智能化快速高精度测向。
附图说明
[0027]图1为本专利技术的流程图；
[0028]图2为基于长短时记忆CNN的测向模型。
具体实施方式
[0029]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0030]如图1
‑
2所示，基于长短时记忆CNN的运动目标测向方法，包括以下步骤：
[0031]步骤一：构建长短时记忆CNN测向模型；其中，所述长短时记忆CNN测向模型包括三个输入层、三个卷积层、三个池化层、一个全连接层、一个LSTM层以及一个Softmax分类层；
[0032]需要进一步说明的是，所述卷积层主要是通过对输入数据进行卷积运算隐式地提
取数据特征；
[0033]所述池化层通过对输入特征进行池化运算，大大降低了数据维度，有效减少了所需的网络参数数量；
[0034]所述全连接层将输入的特征进行综合形成特征向量，并可与Softmax分类层结合，实现信号到达方向的估计；
[0035]本实施例中，所述卷积层采用Sigmoid激活函数，每层卷积层后分别跟一个池化层；
[0036]所述池化层对卷积后的特征参数进行不重叠的下采样；
[0037]所述LSTM层采用循环更新记忆结构；
[0038]所述Softmax分类层采用交叉熵损失函数。
[0039]步骤二：建立运动辐射源目标的训练样本集，根据所述训练样本集对所述长短时记忆CNN测向模型进行训练；
[0040]本实施例中，所述训练样本集包括运动辐射源目标的特征参数和运动辐射源目标的运动角度标签；其中，所述特征参数包括信号频率、相位差特征参数、相对幅度特征参数以及协方差矩阵特征参数。
[0041]步骤三：对接收到的运动辐射源目标信号进行预处理，提取运动辐射源目标信号的特征参数，将所述特征参数作为长短时记忆CNN测向模型的输入参数；其中，所述特征参数包括信号频率、相位差特征参数、相对幅度特征参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于长短时记忆CNN的运动目标测向方法，其特征在于，包括以下步骤：步骤一：构建长短时记忆CNN测向模型；其中，所述长短时记忆CNN测向模型包括三个输入层、三个卷积层、三个池化层、一个全连接层、一个LSTM层以及一个Softmax分类层；步骤二：建立运动辐射源目标的训练样本集，根据所述训练样本集对所述长短时记忆CNN测向模型进行训练；其中，所述训练样本集包括运动辐射源目标的特征参数和运动辐射源目标的运动角度标签；步骤三：对接收到的运动辐射源目标信号进行预处理，提取运动辐射源目标信号的特征参数，将所述特征参数作为长短时记忆CNN测向模型的输入参数；步骤四：将所述输入参数进行卷积和池化，获取运动辐射源目标信号到达方向的特征向量；步骤五：利用LSTM层各个节点指向自身的环，实现自循环；步骤六：所述卷积层和所述池化层把数据集映射到显式特征层后，全连接层把分布的生成特征耦合到不同的角度上，获取运动辐射源目标的角度估计。2.根据权利要求1所述的基于长短时记忆CNN的运动目标测向方法，其特征在于，所述卷积层采用Sigmoid激活函数，每层...

【专利技术属性】
技术研发人员：郭振河，王礼俊，
申请(专利权)人：合肥戎科信息技术开发有限公司，
类型：发明
国别省市：