申请/专利权人：中国人民解放军战略支援部队信息工程大学

申请日：2023-03-02

公开（公告）日：2024-06-21

公开（公告）号：CN116400715B

主分类号：G05D1/695

分类号：G05D1/695;G06N3/0464;G06N3/0442;G05D109/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.07.25#实质审查的生效;2023.07.07#公开

摘要：本发明公开一种模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法，该方法一方面利用多无人机阵列信号中的时差信息，虚拟合成大孔径阵列接收效果，并利用合成的多机高维频域观测矢量直接估计目标位置，明显提高多无人机协同跟踪的精度；第二方面基于运动目标周边辅助运动信源所提供的位置信息训练CNN+BiLSTM神经网络，利用该神经网络可以在多个无人机存在随机姿态误差与同步时钟偏差，即实际接收模型与理想接收模型存在误差的定位场景中，明显提高多无人机协同跟踪的鲁棒性，并提升无人机侦察的智能化水平。

主权项：1.一种模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法，其特征在于，包括：步骤1：令L个存在同步时钟偏差的无人机按照预设航迹飞行，根据Nyquist采样定理，利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集第d个运动辅助信源辐射的无线电宽带信号，每个观测位置上采集得到关于第d个运动辅助信源的N个阵列信号时域数据，其中1≤d≤D；步骤2：每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的N个阵列信号时域数据分为I段，每段J个样本点，对每段数据做基2-FFT运算，从而得到I段阵列信号频域数据，其中1≤k≤K；步骤3：每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据传至地面计算中心站，地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据组成多机频域观测矢量，并计算多机频域观测矢量的协方差矩阵；步骤4：地面计算中心站提取第k个预设观测位置上关于第d个辅助信源信号的频域协方差矩阵的非冗余元素，与L个无人机在第k个位置上观测第d个运动辅助信源时的预设姿态矢量组成关于第d个运动辅助信源在第k个观测位置上的空间特征矢量；步骤5：地面计算中心站对D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理，并依次将第d个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列；将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理，并依次将第d个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列；步骤6：地面计算中心站利用对D个运动辅助信源的归一化输入输出序列来训练CNN+BiLSTM神经网络；步骤7：令L个存在同步时钟偏差的无人机按照预设航迹飞行，根据Nyquist采样定理，利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集运动目标辐射的无线电宽带信号，每个观测位置上采集得到关于目标辐射源的N个阵列信号时域数据；步骤8：每个无人机依次将在第k个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段，每段J个样本点，对每段数据做基2-FFT运算，从而得到I段阵列信号频域数据；步骤9：每个无人机依次将在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站，地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量，并计算多机频域观测矢量的协方差矩阵；步骤10：地面计算中心站提取第k个预设观测位置上关于目标辐射源信号的频域协方差矩阵的非冗余元素，与L个无人机在第k个位置上观测运动目标辐射源的预设姿态矢量组成关于运动目标辐射源在第k个观测位置上的空间特征矢量；步骤11：地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理，并组成一个空时特征序列作为输入，输入到步骤6所训练的CNN+BiLSTM神经网络中，再对该网络的输出序列按照步骤5中的最大最小归一化方法进行反归一化处理，即得到对运动目标辐射源在K个观测时隙内的位置跟踪结果；所述步骤1中，针对第d个运动辅助信源辐射的无线电宽带信号，第l个运动无人机在第k个预设观测位置上以采样周期Ts采集的阵列信号时域模型表示为 式中1≤l≤L；表示第d个运动辅助信源在第k个观测时隙内的位置矢量；表示第d个运动辅助信源信号在第k个观测时隙内相对于第l个无人机天线阵列的流形矢量，与相应的到达角度有关；表示第l个无人机天线阵列在第k个观测时隙内接收第d个辅助信源信号经过时延为的复包络，其中tl是第l个无人机相对于参考时钟的同步偏差，表示在第k个观测时隙内第d个运动辅助信源信号到达第l个无人机的传播时延；为第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的信道传播复系数；表示第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的天线阵列噪声矢量；表示第l个无人机在第k个预设位置上观测第d个辅助信源信号时的真实姿态矢量，其与预设姿态之间存在随机误差，即 式中表示第l个无人机在第k个观测位置上的预设姿态矢量，其中表示相应的预设位置矢量，表示相应的预设姿态角，为观测第d个辅助信源信号时的随机姿态误差；将时延与第d个运动辅助信源在第k个观测时隙内的位置矢量、无人机姿态矢量的代数关系表示为 所述步骤2中，每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的N个阵列信号时域数据分为I段，对每段J个样本数据做基2-FFT运算，得到的阵列信号频域模型表示为 其中，和分别表示和的第i段样本数据的第j个数字频点上的频率分量；所述步骤3中，每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据传至地面计算中心站，地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据组成多机频域观测矢量，其表达式为 式中， 的表达式为 其中，blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵；地面计算中心站计算得到的多机频域观测矢量的协方差矩阵为 所述步骤4中，地面计算中心站提取第k个预设观测位置上关于第d个运动辅助信源的频域协方差矩阵的非冗余元素，其元素包括 其中Re{·},Im{·}分别表示取实部与虚部，triu1[·]表示由矩阵对角线上方元素构成的矢量，diag[·]表示由矩阵对角线元素构成的矢量； 与L个无人机在k个位置上观测第d个运动辅助信源时的预设姿态矢量组成关于第d个运动辅助信源在第k个观测位置上的空间特征矢量，其表达式为

全文数据：

权利要求：

百度查询： 中国人民解放军战略支援部队信息工程大学 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD