申请/专利权人：中国石油大学(华东)

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117786409A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/243;G06F18/27;G06N20/20;G06F18/21;G06F17/16;G06F17/18;G01S7/41;G01S3/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于主动学习RFR的高频地波雷达目标方位角估计方法，涉及高频地波雷达目标测向领域，基本步骤为：步骤1：计算目标对应的协方差矩阵，并将实际的方位角作为样本标签构成数据集；步骤2：随机选取80％的样本作为主动学习数据池，剩余的为测试集；步骤3：从池中获取一批样本构成初始训练集并将这些样本从池中剔除，使用初始训练集训练RFR；步骤4：利用主动学习选择策略挑选一组样本加入训练集中训练RFR；步骤5：重复步骤4，直至主动学习数据池中所有的样本都被选择；步骤6：输出最优模型，供高频地波雷达目标DOA估计的应用。本发明极大地降低标注成本，实现了少量标注样本下的高精度高频地波雷达目标DOA估计。

主权项：1.一种基于主动学习RFR的高频地波雷达目标方位角估计方法，包含以下步骤：步骤1：利用目标点信息对高频地波雷达的多个通道数据进行采样，计算每个目标点对应的协方差矩阵并进行预处理，得到样本的输入特征r。将目标点的实际方位角作为样本标签构成数据集，用于模型的训练和测试。步骤2：采用留出法将数据集进行划分，即将数据集划分为两个互斥的集合。其中，随机选取数据集中80％的样本作为主动学习的数据池，剩余的20％为主动学习数据池外样本，供模型的性能验证，即测试集。步骤3：从划分的主动学习数据池中获取一批样本构成初始训练集St，并将这些初始训练集的样本从池中剔除。使用初始训练集训练RFR，得到初始的DOA估计模型。步骤4：利用初始的DOA估计模型对主动学习数据池中的剩余样本进行预测，将预测结果反馈给主动学习算法，然后依据主动学习选择策略挑选一组样本加入训练集中训练DOA估计模型，并将选出的样本从数据池中剔除。步骤5：重复步骤4，直至主动学习数据池中所有的样本都被选择。同时使用测试集对每轮迭代获得的模型进行验证，并计算均方根误差。均方根误差最小的模型即为最优模型。步骤6：输出最优模型，供高频地波雷达目标DOA估计的应用。所述的基于主动学习RFR的高频地波雷达目标方位角估计方法，步骤1中所述输入特征构建的具体步骤是：对高频地波雷达数据进行处理，得到目标点对应的协方差矩阵特征，对其进行归一化得到样本的输入特征。其中，高频地波雷达接收阵列为均匀线性列阵，接收信号为远场窄带信号，设有K个目标信号源入射到阵元数为M个阵列，则接收到的信号yt计算公式如下所示：yt＝AθSt+Nt,t＝1,2,...,P其中，P为快照总数；θ为目标的实际DOA；yt＝[y1t,y2t,…yMt]是1×M的向量；St＝[s1t,s2t,…,sKt]为空间目标的入射信号向量；Nt＝[n1t,n2t,…,nKt]为接收端的加性噪声；Aθ＝[aθ1,aθ2,…,aθK]为导向矢量，其每一列表示阵列对某一方位目标的响应，第i个信号的导向矢量αθi定义为： 其中，T表示向量的转置；Δd为阵元间距；λ＝cf为波长；c为光速。DOA估计问题可以描述为从测量值yt中估计出目标的未知方位θ。在理想情况窄带DOA估计中，接收信号的协方差矩阵Ry的计算公式如下:Ry＝E[ytyHt]其中，E[·]表示期望值；[·]H表示向量的转置共轭。但在实际操作中，协方差矩阵Ry是未知的，协方差矩阵可以用其样本估计代替，计算公式如下： 其中，是Ry的无偏估计量。利用矩阵重新排列的非对角线右上角元素构造输入向量，计算公式如下： 其中，Ri,k为协方差矩阵的第i,k个元素。对中的元素进行归一化，计算公式如下： 其中，Real{·}和Imag{·}分别表示复数值的实部和虚部。取r中所有的矩阵元素作为RFR模型的输入特征向量。所述的基于主动学习RFR的高频地波雷达目标方位角估计方法，所述的主动学习样本选择是基于预测不确定性和样本概率密度查询的，该查询策略的具体步骤是：基于初始标记数据St训练n个集成模型利用该模型对数据池中的样本进行预测，并计算预测方差，利用该方差构建概率密度函数，并依据该概率密度函数对样本进行抽样。其中，利用当前训练集训练所获得的DOA估计模型Ti对第i个样本预测结果的计算公式为： 其中，PU为主动学习数据池；X为池中第i个样本的输入特征。计算池中每个样本的预测标准偏差qX，其计算公式为： 其中，std代表该样本的预测结果相对于总体预测结果的标准差。然后，计算出该样本的信息量权重LX，其公式如下： 其中，利用LX构造一个概率密度函数，则每个样本的抽样概率pX计算公式如下： 然后，按照该概率密度函数从数据池PU中抽取B个元素进行标记，并加入到训练集中。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于主动学习RFR的高频地波雷达目标方位角估计方法

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