(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111445960.5 (22)申请日 2021.11.30 (71)申请人 上海无线电设备研究所 地址 200233 上海市闵行区中春路15 55号 (72)发明人 李永晨　都妍　廖意　高鹏程　 朱殷　张军平　 (74)专利代理 机构 上海元好知识产权代理有限 公司 31323 代理人 朱成之　张妍 (51)Int.Cl. G06K 9/62(2022.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01S 7/40(2006.01)G06F 30/27(2020.01) (54)发明名称 基于深度学习的弹目交会回波峰值特征建 模方法 (57)摘要 本发明提供一种基于深度学习的弹目交会 回波峰值特征建模 方法， 包含 步骤： S1、 采集多条 弹目交会回波信号， 分别提取对应的交会回波状 态标签矢量建立训练集、 验证集和测试集， 交会 回波状态矢量包含弹体姿态、 目标姿态、 脱靶量 和脱靶方位； S2、 建立用于预测弹目交会回波信 号包络及峰值特征的多层深度学习模 型， 弹目交 会回波峰值特征包含： 峰值个数、 峰值位置、 峰值 幅度， 多层深度学习模型包含依序连接的线性模 块、 残差层、 升采样模块、 长短期记忆层、 卷积模 块； S3、 通过训练集训练多层深度学习模型； 所述 验证集用于调整多层深度学习模型的学习率； S4、 将所述测试集输入训练好的多层深度学习模 型， 评估多层深度学习模型的精确度。 权利要求书2页 说明书7页 附图7页 CN 114091619 A 2022.02.25 CN 114091619 A 1.一种基于深度学习的弹目交会回波峰值特 征建模方法， 其特 征在于， 包 含步骤： S1、 采集多条弹 目交会回波信号， 分别提取对应的交会回波状态标签矢量； 基于提取的 交会回波状态标签矢量建立训练集、 验证集和 测试集； S2、 建立用于预测弹 目交会回波信号包络及弹 目交会回波信号峰值特征的多层深度 学 习模型； 所述多层深度学习模型包含依序连接的线性模块、 残差层、 升采样模块、 长短期记 忆模块、 卷积模块； 所述线性模块、 残差层、 升采样模块、 长短期记忆层、 卷积模块的深度分 别为H1、 H2、 H3、 H4、 H5； S3、 通过训练集训练多层深度学习模型； 所述验证集用于在通过训练集训练多层深度 学习模型时， 调整 多层深度学习模型的学习率； S4、 将所述测试集输入训练好的多层深度学习模型， 评估多层深度学习模型的精确度。 2.如权利要求1所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述交会回波状态标签矢量包含弹体俯仰角、 弹体方位角、 弹体滚转角、 目标俯仰角、 目标 方位角、 目标滚转角， 以及弹目相对运动坐标系下目标脱靶量、 脱靶方位。 3.如权利要求1所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述弹目交会回波信号包络包含： 交会坐标位置与回波幅度； 所述弹目交会回波峰值特征 包含： 峰值个数、 峰值 位置、 峰值幅度。 4.如权利要求1所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述线性模块包含H1个依序连接的线性层， 所述线性层包含依序连接的全连接层FC、 第一 正则化层n1和第一激活函数a1； 令Li表示第i个线性层， xi表示第i个线性层的输入张量， i∈[1,H1]； 第i+1个线性层的 输入张量 为第i个线性层的输出张量， xi+1＝Li(xi)； x1的维度为N ×d， x1的每一行对应一个交会回波状态标签矢量， d为交会回波状态标签 矢量中的向量个数； 第1个线性层的输出张量的维度为N ×h； h为控制输入张量在模型传播 过程中的维度变化的超参数； 当1＜i≤L1， 第i个线性层的输入张量xi的维度为N ×[(i‑1)·h]； 第i个线性层的输出 张量的维度为 N×(i·h)； L为多层深度学习模型的输出信号的长度； 当i＞L1， 第i个线性层的输入张量xi的维度为N ×(h·L1)， 第i个线性模块的输入张量 的维度为 N×(h·L1)。 5.如权利要求4所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述残差层包含H2个依序连接的残差 块， 每个残差 块包含依序连接的第一 卷积层f1、 第二激 活函数a2、 第二正则化层n2、 第二卷积层f2、 第三激活函数a3； 立体化第H1个线性层的二维输出张量为对应的三维矩阵， 该三维矩阵作为第一个残差 块的输入张量； 每 个残差块的输入张量、 输出张量的维度均为 N×h×L1； 记x为所述残差块的输入张量， 该残差块的输出张量 为a3(x+f2(n2(a1(f1(x)))))； 第一卷积层f1、 第二卷积层f2的输入张量的通道数均为C， 输出张量的通道数均为C， 卷 积核大小均为K， 卷积核移动幅度均为1， 添补输入张量的数目均为(k ‑1)/2。 6.如权利要求5所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述升采样模块包含H3个依序连接的升采样单元， 每个升采样单元包含依序连接的第一卷权　利　要　求　书 1/2 页 2 CN 114091619 A 2积块和上采样层g； 所述第一 卷积块包含依序连接的第三卷积层f3、 第三正则化层n3， 第四激 活函数a4； 令x′为第一卷积块的输入， 第一卷积块的输出为a4(n3(f3(x′)))， 对应升采样单 元的输出为g(a4(n3(f3(x′))))； 第三卷积层f3不改变卷积块输入张量的维度， 第三卷积层f3的输入张量、 输出张量的通 道数均为h， 卷积核大小为3， 卷积核移动幅度为1， 添补输入张量的数目为1。 7.如权利要求6所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 长短期记忆模块包含H4个依序连接的LSTM层； 所述LSTM层的输入张量和输出张量的维度均 为N×h×L。 8.如权利要求7所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 卷积模块包含依序连接的H5‑1个第二卷积块、 第五卷积层f5； 所述第二卷积块包含依序连接 的第四卷积层f4、 第四正则化层 n4， 第五激活函数 a5； 第四卷积层f4的输入张量、 输出张量的 通道数均为h， 卷积核大小为3， 卷积核移动幅度为1， 添补输入张量的数目为1； 所述第五卷积层f5的输入张量的通道数为h， 输 出张量的通道数为C， 卷积核大小 为1， 卷 积核移动幅度为1， 添补输入张量的数目为0 。 9.如权利要求1所述的基于深度 学习的弹目交会回波峰值特征建模方法， 其特征在于， 所述多层深度学习模型的损失函数为最小平方差函数， 多层深度学习模型采用Adam优化 器。 10.如权利要求1所述的基于深度学习的弹目交会回波峰值特征建模方法， 其特征在 于， 步骤S1中将提取的交会回波状态标签矢量按8:1:1的数量比例划分为训练集、 验证集、 测试集。权　利　要　求　书 2/2 页 3 CN 114091619 A 3