CN111833397B - 一种面向测向目标定位的数据转换方法和装置 - Google Patents

Abstract

本发明提供了一种面向测向目标定位的数据转换方法和装置，涉及信号源定位技术领域，所述方法包括：获得观测平台的坐标位置；通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。解决了现有技术中由于不能有效学习定位环境中的误差，使得算法随着噪声水平的增加，定位性能急剧下降的技术问题。基于现代卷积神经网络模型，采用多种样本图像表示形式，实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

Description

一种面向测向目标定位的数据转换方法和装置

技术领域

本发明涉及定位技术领域，尤其涉及一种面向测向目标定位的数据转换方法和装置。

背景技术

到达角定位是无源定位中基于测向角的定位技术，它主要是利用到达角信息来实现定位，其不需要发送方和接收方同步，具有隐蔽性高、抗干扰能力强、操作简单等优点。在无线传感器网络、室内定位领域等领域扮演着重要的角色。由于定位场景中具有环境噪声，使得锚点获得来自目标点的到达角具有误差噪声，从而影响真实目标的定位性能。

但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：

现有技术在进行到达角定位过程中，由于不能有效利用历史数据和学习定位环境中误差等缺点，使得定位算法随着噪声水平的增加，定位性能急剧下降的技术问题。

发明内容

本发明实施例提供了一种面向测向目标定位的数据转换方法和装置，用以解决现有技术在进行到达角定位过程中，由于不能有效利用历史数据和学习定位环境中误差等缺点，使得定位算法随着噪声水平的增加，定位性能急剧下降的技术问题。基于现代卷积神经网络模型，采用多种样本图像表示形式，实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

鉴于上述问题，提出了本申请实施例以便提供一种面向测向目标定位的数据转换方法和装置。

第一方面，本发明提供了一种面向测向目标定位的数据转换方法，所述方法包括：获得观测平台的坐标位置；通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

优选的，所述通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息，包括：在二维的定位空间中，所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向；获得所述观测平台的坐标位置；通过所述观测平台的测角设备获得来自所述目标点的到达角信息。

优选的，通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本，包括：通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

优选的，所述采用现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置，包括：根据样本图像Z获得所述目标点的位置：

其中，

表示所述目标点位置的估计值，Θ表示所述现代卷积神经网络模型的参数。

优选的，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：在所述样本图像区域内，各个所述目标点通过测向角绘制射线叠加组成的样本图像为Z_A(Z_A∈R^H×W)，其中，样本图像Z_A可形式化表示为：

其中，ε_n为独立同分布的观测噪声；

样本图像Z_A中的像素点为v；

δ(·)是克罗内克函数；

α_A为归一化系数。

优选的，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：在样本图像区域内，将各个参考点以获得的测向角为中心线、方差为σ²生成高斯分布绘制射线区域的方式叠加组成的样本图像Z_B(Z_B∈R^H×W)，其中，样本图像Z_B可形式化表示为：

其中,α_B为归一化系数，所述样本图像中的像素点Z_B(v)的取值为0～1之间；p(·)是概率密度函数；N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；所述样本图像Z_B中的点v是由各个测向角生成的高斯噪声混合叠加而成的，属于加性混合高斯噪声分布。

优选的，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：将各个所述目标点获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像Z_C(Z_C∈R^H×W)，样本图像Z_C可由形式化表示：

其中α_C为归一化系数；

p(·)是概率密度函数；

N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；

v为样本图像Z_C中的像素点。

第二方面，本发明提供了一种面向测向目标定位的数据转换装置，所述装置包括：

第一获得单元，所述第一获得单元用于获得观测平台的坐标位置：

第一采集单元，所述第一采集单元用于通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

第二获得单元，所述第二获得单元用于通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

第三获得单元，所述第三获得单元用于通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

优选的，所述第一采集单元包括：

第一坐标单元，所述第一坐标单元用于在二维的定位空间中，所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向；

第四获得单元，所述第四获得单元用于获得所述观测平台的坐标位置；

第五获得单元，所述第五获得单元用于通过所述观测平台的测角设备获得来自所述目标点的到达角信息。

优选的，所述第二获得单元包括：

第六获得单元，所述第六获得单元用于通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

优选的，所述第三获得单元包括：

第七获得单元，所述第七获得单元用于根据样本图像Z获得所述目标点的位置：

其中，

表示所述目标点位置的估计值，Θ表示所述现代卷积神经网络模型的参数。

优选的，所述第六获得单元包括：

第一表示单元，所述第一表示单元用于在所述样本图像区域内，各个所述目标点通过测向角绘制射线叠加组成的样本图像为Z_A(Z_A∈R^H×W)，其中，样本图像Z_A可形式化表示为：

其中，ε_n为独立同分布的观测噪声；

样本图像Z_A中的像素点为v；

δ(·)是克罗内克函数；

α_A为归一化系数。

优选的，所述第六获得单元包括：

第二表示单元，所述第二表示单元用于在样本图像区域内，将各个参考点以获得的测向角为中心线、方差为σ²生成高斯分布绘制射线区域的方式叠加组成的样本图像Z_B(Z_B∈R^H×W)，其中，样本图像Z_B可形式化表示为：

其中,α_B为归一化系数，所述样本图像中的像素点Z_B(v)的取值为0～1之间；p(·)是概率密度函数；N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；所述样本图像Z_B中的点v是由各个测向角生成的高斯噪声混合叠加而成的，属于加性混合高斯噪声分布。

优选的，所述第六获得单元包括：

第三表示单元，所述第三表示单元用于将各个所述目标点获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像Z_C(Z_C∈R^H×W)，样本图像Z_C可由形式化表示：

其中α_C为归一化系数；

p(·)是概率密度函数；

N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；

v为样本图像Z_C中的像素点。

第三方面，本发明提供了一种面向测向目标定位的数据转换装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明实施例提供的一种面向测向目标定位的数据转换方法和装置，所述方法包括：获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。用以解决现有技术在进行到达角定位过程中，由于不能有效利用历史数据和学习定位环境中误差等缺点，使得定位算法随着噪声水平的增加，定位性能急剧下降的技术问题。基于现代卷积神经网络模型，采用多种样本图像表示形式，实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

图1为本发明实施例中一种面向测向目标定位的数据转换方法的流程示意图；

图2为本发明实施例中一种面向测向目标定位的数据转换装置的结构示意图；

图3为本发明实施例中另一种面向测向目标定位的数据转换装置的结构示意图；

图4为本发明实施例中三种样本生成算法生成的样本图像空间示意图。

附图标记说明：第一获得单元11，第一采集单元12，第二获得单元13，第三获得单元14，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。

具体实施方式

本发明实施例提供了一种面向测向目标定位的数据转换方法和装置，用以解决现有技术在进行到达角定位过程中，由于不能有效利用历史数据和学习定位环境中误差等缺点，使得定位算法随着噪声水平的增加，定位性能急剧下降的技术问题。

本发明提供的技术方案总体思路如下：获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。基于现代卷积神经网络模型，采用多种样本图像表示形式，实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

实施例一

图1为本发明实施例中一种面向测向目标定位的数据转换方法的流程示意图。如图1所示，本发明实施例提供了一种面向测向目标定位的数据转换方法，所述方法包括：

步骤110：获得观测平台的坐标位置；

步骤120：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

进一步的，所述通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息，包括：在二维的定位空间中，所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向，获得所述观测平台的坐标位置；通过所述观测平台的测角设备获得来自所述目标点的到达角信息。

具体而言，本申请实施例提出的一种面向测向目标定位的数据转换方法是通过测量所述目标点和所述观测平台之间的到达角信息，然后采用多种样本图像表示形式将所述目标点与所述观测平台之间的几何关系转换为样本图像，再利用现代神经网络模型对所述样本图像空间进行建模，从而求得所述目标点的真实坐标位置。所述面向测向目标定位的数据转换方法是一种典型的基于测距的定位算法，在本申请实施例中，由于所述观测平台上设有传感器设备，能够获取其自身精确位置，因此所述观测平台可作为锚点，所谓锚点，就是通过自身携带的定位设备或人工部署方式能够获得自身精确位置的节点；所述目标点为只能根据所述锚点位置按照某种定位机制估算出其坐标位置的节点。其中，所述方法要求无线传感器网络中的所述观测平台和所述目标点必须部署在二维空间上，即所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向，为了实现目标定位，首先要做的就是通过无线传感器设备获得所述观测平台的坐标位置，通过所述观测平台的测角设备获得来自所述目标点的到达角信息，即获得了所述锚点位置和所述锚点信号在通信范围内到达所述目标点的到达角度信息。进而达到了获取观测平台和目标点的到达角信息的技术效果。

步骤130：通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

进一步的，通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本，包括：

通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

x_i表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

具体而言，假设二维定位空间在1×1内有N个参考点(所述观测平台)，其中，所述观测平台的坐标位置分别记为x_i＝[x_i,y_i]^T，其中i＝1,…,N，所述目标点的坐标位置记作t＝[t_x,t_y]^T。在进行测向定位时，所述观测平台x_i处的传感器可以获得关于所述目标点t的测向线，其中，所述测向线由到达角β_i来表示，则观测函数β_i可由以下方程得到：

β_i＝β(t,x_i)+ε_i

其中β(t,x_i)表示从所述目标点t到所述观测平台x_i的向量与水平方向之间的夹角；ε_i为独立同分布的观测噪声，服从零均值、方差为σ²的高斯分布。在本申请实施例中，所述观测函数β(t,x_i)＝arctan((t_y-y_i)/(t_x-x_i))。

目前大部分算法都是基于统计优化来求解所述目标点的坐标，然而，随着噪声水平σ的增加，所述观测平台获得的测向角β(·,·)的误差范围越大，使得所述目标点所处覆盖区域变大，从而增加算法的定位难度。因此在本申请实施例中，通过求解域的转换将到达角定位任务转换为视觉回归任务，即通过样本生成算法G(·)将所述观测平台与所述目标点之间的几何关系渲染成样本图像，从而生成训练数据集，能够有效地学习噪声环境中的误差，提高算法的定位性能。其中，求解域转换的具体流程如下：

通过样本生成算法G(·)将采集得到的不同噪声水平下的测向角和所述目标点信息生成样本图像Z，所述目标点的真实坐标作为样本训练的标签t，从而生成训练数据集样本(Z,t)，在二维定位空间中，可以预先确定需进行定位的区域，将该区域内所有测向线的几何模式渲染成图像，从而形成所述样本图像Z，将该过程形式化地描述为：

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

x_i表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

经过所述求解域转换后，测向定位问题被转换为使用现代卷积神经网络对所述训练数据集样本进行建模，之后根据所述样本图像Z推断所述目标点位置的问题。

在步骤130中，假设所述样本图像空间的尺度大小为H×W，噪声水平为σ，所述样本图像Z中的像素点为v(v_x,v_y)，其中，样本图像中的像素点

[i,j]^T为该像素点对应在几何空间下坐标点的位置，

表示向下取整。为了探索不同的数据表示形式对单目标定位的性能影响，本申请实施例采用三种样本图像的表示形式来作为所述训练数据集样本的输入。

(1)表示方式A：在样本图像区域内，各个所述观测平台通过测向角绘制射线叠加组成的样本图像为Z_A(Z_A∈R^H×W)，其中，所述样本图像Z_A可形式化表示为：

在表示方式A中，则Z_A可进一步形式化描述为：

其中δ(·)是克罗内克函数，α_A为归一化系数。在表示方式A中，生成的样本图像不仅包含了所述观测平台获得的测向角信息，同时也包含各个测向线的空间信息。在所述样本图像空间中，其中的每一个点取值为0或者1，表示该点是否在测向角的射线中。

(2)表示方式B：在原有表示方式A的生成样本中，为了利用环境噪声符合高斯分布这一先验信息，在样本图像区域内，将各个所述观测平台以获得的测向角为中心线、方差为σ²生成高斯分布绘制射线区域的方式叠加组成的样本图像Z_B(Z_B∈R^H×W)。在表示方式B中，与表示方式A不同的是样本生成算法G(·)函数，表示方式B生成的样本图像空间Z_B可进一步形式化描述为：

其中α_B为归一化系数，所述样本图像中的像素点Z_B(v)的取值为0～1之间，p(·)是概率密度函数，N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布。所述样本图像Z_B中的点v是由各个测向角生成的高斯噪声混合叠加而成的，属于加性混合高斯噪声分布。表示方式B是在表示方式A中融入环境噪声水平这一先验信息，与表示方式A相比，表示方式B生成的所述样本图像空间包含的信息更为稠密。

(3)表示方式C：与表示方式B样本空间中的点满足加性混合噪声分布不同的是，在表示方式C样本空间中的点将以乘性噪声叠加而成，即将各个所述观测平台获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像Z_C(Z_C∈R^H×W)，在表示方式C中，样本图像Z_C可由形式化表示：

其中α_C为归一化系数。与表示方式B和表示方式A不同的是，表示方式C使得所述目标点所在区域的范围变小，使得目标变得更明确。对于单目标定位任务来说，以加性混合高斯噪声(表示方式B)生成的所述样本图像空间适用于定位任务中测向线丢失的情况，而以乘性混合高斯噪声(表示方式C)生成的所述样本图像空间则不适用于定位任务中测向线丢失的情况。

为了简化所述样本图像的生成过程，定义截断函数ρ(·)以简化表示。其中ρ(·)可由以下表示：

其中u₀为固定阈值，则表示方式A、B和C生成的样本图像空间Z_A、Z_B和Z_C可分别表示为：

其中ρ_A、ρ_B和ρ_C为截断阈值分别在表示方式A、B、C中。进一步达到了采用多种样本图像的表示形式有效地刻画所述观测平台和所述目标点之间的空间信息的技术效果。

如图4所示，当所述观测平台的传感器设备来自所述目标点的到达角信息没有丢失时，采用样本生成算法表示方式C的性能大于表示方式B，表示方式B的性能大于表示方式A，远远优于基于传统统计优化的定位算法；当所述观测平台的传感器设备来自所述目标点的到达角信息存在丢失时，表示方式C不适用，采用样本生成算法的表示方式B的性能大于表示方式A，远远优于基于传统统计优化的定位算法。

步骤140：通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

进一步的，所述采用现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置，包括：

根据样本图像Z获得所述目标点的位置：

其中，

表示所述目标点位置的估计值，Θ表示所述现代卷积神经网络模型的参数。

具体而言，利用所述现代卷积神经网络模型强大的泛化能力和端到端的训练策略对三种样本图像生成方式进行建模，其中，所述现代卷积神经网络模型的任务层使用回归层输出所述目标点的位置坐标，采用梯度反传算法来实现所述现代卷积神经网络模型在所述训练数据集样本上的收敛，从而实现了对所述样本图像空间的去噪和学习目标周围的空间分布，进而得到所述目标点的具体位置。其中，所述现代卷积神经网络模型的学习率设置为1e^-3，使用Adam、SGD作为优化器。在本申请实施例中，单目标定位任务需要优化的损失函数为：

其中T为所述训练数据集样本的数量，J(Θ)为单目标定位任务的损失函数。在回归任务中，为了衡量所述现代卷积神经网络模型对所述目标点的预测坐标与其实际坐标相一致，采用J(Θ)作为损失函数来更新所述现代卷积神经网络模型的权值参数，即通过优化J(Θ)函数，就可得到训练所述现代卷积神经网络模型的权重参数Θ。进一步实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

实施例二

基于与前述实施例中一种面向测向目标定位的数据转换方法同样的发明构思，本发明还提供一种面向测向目标定位的数据转换装置，如图2所示，所述装置包括：

第一获得单元11，所述第一获得单元11用于获得观测平台的坐标位置：

第一采集单元12，所述第一采集单元12用于通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

第二获得单元13，所述第二获得单元13用于通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

第三获得单元14，所述第三获得单元14用于通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

进一步的，所述第一采集单元12包括：

第一坐标单元，所述第一坐标单元用于在二维的定位空间中，所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向；

第四获得单元，所述第四获得单元用于获得所述观测平台的坐标位置；

第五获得单元，所述第五获得单元用于通过所述观测平台的测角设备获得来自所述目标点的到达角信息。

进一步的，所述第二获得单元13包括：

第六获得单元，所述第六获得单元用于通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

进一步的，所述第三获得单元14包括：

第七获得单元，所述第七获得单元用于根据样本图像Z获得所述目标点的位置：

其中，

表示所述目标点位置的估计值，Θ表示所述现代卷积神经网络模型的参数。

进一步的，所述第六获得单元包括：

第一表示单元，所述第一表示单元用于在所述样本图像区域内，各个所述目标点通过测向角绘制射线叠加组成的样本图像为Z_A(Z_A∈R^H×W)，其中，样本图像Z_A可形式化表示为：

其中，ε_n为独立同分布的观测噪声；

样本图像Z_A中的像素点为v；

δ(·)是克罗内克函数；

α_A为归一化系数。

进一步的，所述第六获得单元包括：

第二表示单元，所述第二表示单元用于在样本图像区域内，将各个参考点以获得的测向角为中心线、方差为σ²生成高斯分布绘制射线区域的方式叠加组成的样本图像Z_B(Z_B∈R^H×W)，其中，样本图像Z_B可形式化表示为：

其中,α_B为归一化系数，所述样本图像中的像素点Z_B(v)的取值为0～1之间；p(·)是概率密度函数；N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；所述样本图像Z_B中的点v是由各个测向角生成的高斯噪声混合叠加而成的，属于加性混合高斯噪声分布。

进一步的，所述第六获得单元包括：

第三表示单元，所述第三表示单元用于将各个所述目标点获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像Z_C(Z_C∈R^H×W)，样本图像Z_C可由形式化表示：

其中α_C为归一化系数；

p(·)是概率密度函数；

N(β(v,x_n)；β_n,σ²)表示均值β_n，方差为σ²的正态分布；

v为样本图像Z_C中的像素点。

前述图1实施例一中的一种面向测向目标定位的数据转换方法的各种变化方式和具体实例同样适用于本实施例的一种面向测向目标定位的数据转换装置，通过前述对一种面向测向目标定位的数据转换方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种面向测向目标定位的数据转换装置的实施方法，所以为了说明书的简洁，在此不再详述。

实施例三

基于与前述实施例中一种面向测向目标定位的数据转换方法同样的发明构思，本发明还提供一种面向测向目标定位的数据转换装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种面向测向目标定位的数据转换方法的任一方法的步骤。

其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

实施例四

基于与前述实施例中一种面向测向目标定位的数据转换方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明实施例提供的一种面向测向目标定位的数据转换方法和装置，所述方法包括：获得观测平台的坐标位置：通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置。用以解决现有技术在进行到达角定位过程中，由于不能有效利用历史数据和学习定位环境中误差等缺点，使得定位算法随着噪声水平的增加，定位性能急剧下降的技术问题。基于现代卷积神经网络模型，采用多种样本图像表示形式，实现了泛化能力强、有效学习定位环境中误差、显著提高目标定位性能的技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种面向测向目标定位的数据转换方法，其中，所述方法包括：

获得观测平台的坐标位置；

通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置；

其中，通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本，包括：

通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

2.如权利要求1所述的方法，其中，通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息，包括：

在二维的定位空间中，所述二维空间坐标系以向右的水平方向为x轴正方向，以向上的水平方向为y轴正方向；

获得所述观测平台的坐标位置；

通过所述观测平台的测角设备获得来自所述目标点的到达角信息。

3.如权利要求1所述的方法，其中，所述通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置，包括：

根据样本图像Z获得所述目标点的位置：

其中，

表示所述目标点位置的估计值，Θ表示所述现代卷积神经网络模型的参数。

4.如权利要求1所述的方法，其中，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：

在所述样本图像区域内，各个所述目标点通过测向角绘制射线叠加组成的样本图像为Z_A(Z_A∈R^H×W)，其中，样本图像Z_A可形式化表示为：

其中，ε_n为独立同分布的观测噪声；

样本图像Z_A中的像素点为v；

δ(·)是克罗内克函数；

α_A为归一化系数。

5.如权利要求1所述的方法，其中，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：

在样本图像区域内，将各个参考点以获得的测向角为中心线、方差为σ²生成高斯分布绘制射线区域的方式叠加组成的样本图像Z_B(Z_B∈R^H×W)，其中，样本图像Z_B可形式化表示为：

其中,α_B为归一化系数，所述样本图像中的像素点Z_B(v)的取值为0～1之间；p(·)是概率密度函数；

表示均值β_n，方差为σ²的正态分布；所述样本图像Z_B中的点v是由各个测向角生成的高斯噪声混合叠加而成的，属于加性混合高斯噪声分布。

6.如权利要求1所述的方法，其中，所述通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，包括：

将各个所述目标点获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像Z_C(Z_C∈R^H×W)，样本图像Z_C可由形式化表示：

其中α_C为归一化系数；

p(·)是概率密度函数；

表示均值β_n，方差为σ²的正态分布；

v为样本图像Z_C中的像素点。

7.一种面向测向目标定位的数据转换装置，其特征在于，所述装置包括：

第一获得单元，所述第一获得单元用于获得观测平台的坐标位置：

第一采集单元，所述第一采集单元用于通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

第二获得单元，所述第二获得单元用于通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

第三获得单元，所述第三获得单元用于通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置；

所述第二获得单元包括：

第六获得单元，所述第六获得单元用于通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

8.一种面向测向目标定位的数据转换装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

获得观测平台的坐标位置：

通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置；

其中，通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本，包括：

通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：

获得观测平台的坐标位置：

通过所述观测平台的传感器设备采集来自目标点的到达角信息和所述观测平台的坐标信息；

通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本；

通过现代卷积神经网络模型对所述训练数据集样本进行建模，获得目标点位置；

其中，通过样本生成算法将所述观测平台与所述目标点之间的几何关系转换为样本图像，获得训练数据集样本，包括：

通过样本生成算法将采集得到的不同噪声水平下的测向角和目标点信息生成样本图像Z，所述目标点的坐标作为样本训练的标签t，获得训练数据集样本(Z,t)，

Z＝G(x₁,β₁,…,x_N,β_N)

其中，β表示到达角；

X表示参考点坐标；

G(·)表示将几何模式渲染为图像的过程；

Z为样本图像。

Images