CN113721276B - 基于多颗卫星的目标定位方法、装置、电子设备及介质 - Google Patents

基于多颗卫星的目标定位方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113721276B
CN113721276B CN202111017103.5A CN202111017103A CN113721276B CN 113721276 B CN113721276 B CN 113721276B CN 202111017103 A CN202111017103 A CN 202111017103A CN 113721276 B CN113721276 B CN 113721276B
Authority
CN
China
Prior art keywords
data
positioning
training
satellite
generate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111017103.5A
Other languages
English (en)
Other versions
CN113721276A (zh
Inventor
李修建
董洛兵
衣文军
王平
朱梦均
何新
王献青
强仕
吉元昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
National University of Defense Technology
Original Assignee
Xidian University
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University, National University of Defense Technology filed Critical Xidian University
Priority to CN202111017103.5A priority Critical patent/CN113721276B/zh
Publication of CN113721276A publication Critical patent/CN113721276A/zh
Application granted granted Critical
Publication of CN113721276B publication Critical patent/CN113721276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本公开涉及一种基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质。该方法包括：根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。本公开涉及的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，对多颗卫星的定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的关联关系，实现决策性融合、提高目标定位精度。

Description

基于多颗卫星的目标定位方法、装置、电子设备及介质
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质。
背景技术
星载无源定位技术自诞生以来就受到广泛关注，随着现代卫星技术的发展，衍生出了单星测向定位、双星时差/频差定位等多种定位体制。但是，传统单一定位体制都难以突破自身局限。与此同时，卫星高程、轨道分布、TDOA、FDOA、探测系统误差、卫星运动速度等因素的影响，长周期观测所得到的海量数据都为提升多星定位精度带来了巨大的挑战。具体来讲可以分为以下几点：
(1)随着星载定位系统种类和数量的不断增加，卫星对特定辐射源目标的持续观测可积累海量数据，这些数据中蕴涵了大量的目标信息。但是，卫星单一定位体制具有很大的局限性。因此，如何对多种定位体制的异构数据进行融合，发挥各个体制的优势，提升目标定位精度，是一个重要问题。
(2)在卫星长周期侦察场景下，单星/多星对同一目标会产生长周期的海量异构数据.如何对长时间跨度的海量数据进行处理，挖掘目标数据的时间特征，成为了又一个亟待解决的问题。
在卫星系统定位过程中，星载定位设备系统误差、探测环境干扰噪声、多星组网空间约束及传统定位参数估计不精等因素会对定位结果造成不利影响。如何消除这些因素的影响，提升星载系统定位精度，是提升定位精度的关键问题。
因此，需要一种新的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，对多颗卫星的定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的时间关联关系，实现决策性融合、充分发挥各个体制的优势提高目标定位精度。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种基于多颗卫星的目标定位方法，该方法包括：根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。
在本公开的一种示例性实施例中，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据之前，还包括：多颗卫星分别对所述目标对象进行多个周期的测量，生成所述多个测向定位数据集，所述测向定位数据集中的测向定位数据包括单颗卫星的坐标、所述目标对象的预估位置、所述单颗卫星和所述目标对象之间的方位角；根据所述多个卫星的测量坐标、测量速度、测量时差、测量频差、测量方向角、测量俯仰角及信号载频生成所述多个时频差数据。
在本公开的一种示例性实施例中，根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型，包括：对所述多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据；通过多个线性回归模型对所述归一化数据进行特征融合生成特征融合数据；利用所述特征融合数据对元学习器进行训练以生成所述多星定位模型。
在本公开的一种示例性实施例中，对所述多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据，包括：基于四分位法对多个测向定位数据集和多个时频差数据进行归一化处理，生成所述归一化数据。
在本公开的一种示例性实施例中，通过多个线性回归模型对所述归一化数据进行特征融合生成特征融合数据，包括：将所述归一化数据输入多个基学习器；所述多个基学习器中的每个基学习器均基于所述归一化数据进行多折交叉训练；将训练结果进行拼接生成所述特征融合数据。
在本公开的一种示例性实施例中，所述多个基学习器中的每个基学习器均基于所述归一化数据进行多折交叉训练，包括：根据所述归一化数据生成多个训练集合测试集；分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果。
在本公开的一种示例性实施例中，分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果，包括：将所述归一化数据输入基学习器中的线性回归模型；线性回归模型基于所述归一化数据生成最优参数；基于所述最优参数生成多个预测结果。
在本公开的一种示例性实施例中，将训练结果进行拼接生成所述特征融合数据，包括：将测试结果和真实坐标进行拼接以生成所述特征融合数据；和/或将测试结果的平均值进行拼接以生成所述特征融合数据。
在本公开的一种示例性实施例中，利用所述特征融合数据对元学习器进行训练以生成所述多星定位模型，包括：利用所述特征融合数据对基于 KernelRidge模型的元学习器进行训练；在获取最优解时，根据当前参数生成所述多星定位模型。
根据本公开的一方面，提出一种基于多颗卫星的目标定位装置，该装置包括：数据模块，用于根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；训练模块，用于根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；位置模块，用于将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置的方式，对多颗卫星的定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的时间关联关系，实现决策性融合、充分发挥各个体制的优势提高目标定位精度。
本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，利用多种多元线性回归算法对多星测向定位数据及多星时频差定位数据进行特征级融合，挖掘不同定位体制下多星测量数据的互补的深层特征。
本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，对多星定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的时间关联关系，实现决策性融合。
本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，对多种线性回归模型进行集成，实现多种定位结果的决策级融合。
本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，对多种卫星定位体制(单星测向定位体制，双星时差/频差定位体制)进行融合，充分发挥各个体制的优势。
本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，首先分析测向定位体制和时频差定位体制的机理，对多种体制的数据进行了异构融合。然后，选取六种多元线性回归模型作为基学习器，采用长周期测向定位体制和时频差定位体制的数据作为输入，对数据进行了特征级融合。接下对将多个基学习器进行集成学习，将各个基学习器的结果输入元学习器，对数据进行训练，获取最终目标定位结果，为终端提供决策依据。
随着航天技术的发展，多星定位体制将呈现出多样化的特点，与此同时，对目标定位精度的要求也将越来越高。本公开的基于多颗卫星的目标定位方法、装置、电子设备及计算机可读介质，旨在实现目标的高精度定位，在民用领域和军用领域都具有很强的实用性。对于民用系统，目标定位可以为车辆导航、地球物理资源勘探、应急反应等任务提供重要支持；对于军用系统，目标定位可以在导弹拦截、武器制导、目标侦察等领域发挥关键作用。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种基于多颗卫星的目标定位方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于多颗卫星的目标定位方法的流程图。
图3是根据另一示例性实施例示出的一种基于多颗卫星的目标定位方法的流程图。
图4是根据另一示例性实施例示出的一种基于多颗卫星的目标定位方法中模型训练示意图。
图5是根据另一示例性实施例示出的一种基于多颗卫星的目标定位方法中多折训练示意图。
图6是算法实验对比结果图。
图7是根据一示例性实施例示出的一种基于多颗卫星的目标定位装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本公开中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本公开中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种基于多颗卫星的目标定位方法及装置的系统框图。
如图1所示，系统架构10可以包括卫星、辐射源(目标对象)、服务器(信息综合处理中心)、数据中心、客户端。
卫星部分负责对目标进行侦察，是系统数据的来源。卫星侦查部分可以分为单星侦察及多星侦察两部分。单星侦察数据包括测量过程中卫星的真实坐标、目标位置、卫星相对辐射源的真实方位角。多星侦察数据除了包含上述单星侦察数据外，还包括多个卫星的测量坐标、多个卫星的测量速度、卫星的测量时差、卫星的测量频差、多个卫星的测量方向角、多个卫星的测量俯仰角及信号载频。
信息综合处理中心负责实现多星融合定位方法，即多星定位模型的训练及调用。模型所需数据可以从数据中心获取。模型训练方法即本公开所提出的一种基于数据融合的多星定位方法。详细内容可见第四部分本公开技术方案的详细阐述。通过对模型的训练及调用，我们可以获取目标的高精度定位结果，最终将结果返还给数据中心及终端。
数据中心负责存储数据及模型，数据包括测向定位数据及时频差数据，模型为目标的多星定位模型。
终端负责发起模型训练及模型调用的请求。请求通过网络传输至信息综合处理中心，信息综合处理中心通过调用数据中心的数据，实现对模型的训练及调用。
网络部分负责其余四个系统之间的通信。其中，卫星侦察部分与网络部分为单箭头，卫星可侦察辐射源目标并将侦察数据通过网络传输至数据中心，却不能通过网络给卫星侦察部分传输数据。剩余三部分与网络部分是双向交互的过程。
如图1所示，本系统的详细运行流程如下：
①数据由卫星测量产生，统一传输至数据中心。数据包括多个卫星的测向数据及多个卫星的时频差数据。
②终端负责发送定位模型训练请求、定位任务请求至信息综合处理中心。发送定位模型训练请求转至步骤③，发送定位任务请求转至步骤⑥。
③信息综合处理中心获取定位模型训练请求之后，向数据中心发起获取相关目标的测向数据及时频差数据的请求。
④数据中心接收到信息综合处理中心的请求之后，将相关目标的测向数据及时频差数据发送至信息综合处理中心，这些数据将用于模型的训练。
⑤信息综合处理中心接收到相关数据之后，开始对模型进行训练。首先，对多星测向数据及多星时频差数据进行归一化处理，解决数据异构的问题。之后，利用多种线性回归模型对数据进行特征级融合。最后，利用集成学习的思想对多种线性回归模型的结果进行决策级融合。最终将模型保存至数据中心。
⑥信息综合处理中心获取定位任务请求之后，向数据中心发送调用请求，包括调用的定位模型及指定的数据。
⑦数据中心收到请求后将模型及数据返回给信息综合处理中心。
⑧信息综合处理中心获取模型及数据之后，调用模型及数据完成目标的检测，之后将预测结果传输至数据中心进行存储。同时，将结果传送至终端，为终端提供决策支持。
图2是根据一示例性实施例示出的一种基于多颗卫星的目标定位方法的流程图。基于多颗卫星的目标定位方法20至少包括步骤S202至S208。
如图2所示，在S202中，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据。
其中，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据之前，还包括：多颗卫星分别对所述目标对象进行多个周期的测量，生成所述多个测向定位数据集，所述测向定位数据集中的测向定位数据包括单颗卫星的坐标、所述目标对象的预估位置、所述单颗卫星和所述目标对象之间的方位角；根据所述多个卫星的测量坐标、测量速度、测量时差、测量频差、测量方向角、测量俯仰角及信号载频生成所述多个时频差数据。
在S204中，根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型。包括：对所述多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据；通过多个线性回归模型对所述归一化数据进行特征融合生成特征融合数据；利用所述特征融合数据对元学习器进行训练以生成所述多星定位模型。
在S206中，将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。
首先，卫星对目标辐射源进行侦察并获取侦察数据，包括测向数据及时频差数据。然后，利用六种多元线性回归模型进行基学习器的学习，获取数据在时间、空间上的回归特征并将回归特征进行拼接。接下对将基学习器的结果输入元学习器，对数据进行训练，获取最终目标定位结果，为终端提供决策依据。
根据本公开的基于多颗卫星的目标定位方法，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置的方式，对多颗卫星的定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的时间关联关系，实现决策性融合、充分发挥各个体制的优势提高目标定位精度。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
本公开提出一种基于数据融合的多星数据融合定位方法。首先，结合单星测向定位和多星时频差定位机理提取训练所需特征。其次，利用四分位法对多体制多源异构数据进行归一化处理。再次，分别对输入数据进行线性回归并选出各模型的最优参数，此处的线性回归模型有6个，我们可以根据训练好的模型获取各个模型的预测结果。之后，拼接六个线性回归模型的预测结果。最后，根据将上一层基学习器的预测结果训练元学习器，得到最终的预测结果。
图3是根据另一示例性实施例示出的一种基于多颗卫星的目标定位方法的流程图。图3所示的流程30是“根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型”的详细描述。
如图3所示，在S302中，对所述多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据。可基于四分位法对多个测向定位数据集和多个时频差数据进行归一化处理，生成所述归一化数据。
单星测向纯方位定位一般指单个运动卫星在多个位置测量辐射目标的方位角信息，结合卫星自身定位信息，确定目标辐射源位置，定位体制所需的关键参数包括卫星坐标，辐射源方向角。时频差双星定位由主从两个卫星组成，利用目标辐射源信号到达两星的差分时延(TDOA)和差分多普勒(FDOA)进行目标位置估计，定位方程所需的关键参数包括信号载频估计、时差估计、频差估计。本公开假设场景中存在以上两个协同定位系统，卫星1和卫星2在运行轨道的1500个点对同一辐射源目标进行定位数据测量，所使用的参数数据如表1所示。
表1多星定位参数表
Figure RE-GDA0003320470590000101
Figure RE-GDA0003320470590000111
可使用四分位距法对数据进行归一化，以便后续模型的训练。四分位距计算公式为：
IQR＝Q3-Q1
其中Q1为样本升序排列后位于第四分之一位置处的数据，Q3表示样本升序排列排列后位于第四分之三位置处的数字。缩放具体计算方法如下所示：
Figure RE-GDA0003320470590000112
其中vi表示样本值，median表示样本中位数。
在S304中，通过多个线性回归模型对所述归一化数据进行特征融合生成特征融合数据。包括：将所述归一化数据输入多个基学习器；所述多个基学习器中的每个基学习器均基于所述归一化数据进行多折交叉训练；将训练结果进行拼接生成所述特征融合数据。
其中，所述多个基学习器中的每个基学习器均基于所述归一化数据进行多折交叉训练，包括：根据所述归一化数据生成多个训练集合测试集；分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果。
图4展示了本模型的大致过程。其中，数据源为测向数据及时频差数据。数据集分等分为C1,C2,C3,C4四个部分，Model1，Model2，Model3， Model4是四个基学习器。分别对每个基学习器进行四折交叉训练，取四个基学习器预测结果的平均值进行拼接，输入原学习器中，得到最终的预测结果。
多折运算的过程如下：模型主要思想是训练模型来学习使用底层学习器的预测结果。一般在训练过程原始训练集数据会被分割为多折，每次训练都会使用不同的训练集和测试集，这将进一步提高模型的性能和泛化能力。
图5是一个5折模型在所有数据集上生成预测结果的过程，假设本模型共有五个基分类器Model1、Model2...Model5,训练数据被分为 c1,c2,c3,c4,c5，测试数据集为t，训练具体步骤如下：
1.对每个模型进行五折交叉验证，使用c2,c3,c4,c5做训练集，c1做测试集，记录测试集的预测结果，同时对测试集t进行预测，记录测试结果t1。
2.使用c1,c3,c4,c5做训练集，c2做测试集，记录测试集结果，同时对测试集t进行预测，记录测试结果t2。
3.使用c1,c2,c4,c5做训练集，c3做测试集，记录测试集结果，同时对测试集t进行预测，记录测试结果t3。
4.使用c1,c2,c3,c5做训练集，c4做测试集，记录测试集结果，同时对测试集t进行预测，记录测试结果t4。
5.使用c1,c2,c3,c4做训练集，c5做测试集，记录测试集结果，同时对测试集t进行预测，记录测试结果t5。
6.对(t1,t2,t3,t4,t5)五个预测值取平均值，同时拼接每一系列模型对训练数据集的预测结果。
7重复上述1-6过程直到所有基学习完成训练。
将五个基学习的预测结果与样本真实坐标标签拼接，作为训练数据输入元学习器进行训练，将五个基学习器对测试集t测试结果的平均值进行拼接，作为待测试数据输入元学习器进行预测。
更具体的，分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果，包括：将所述归一化数据输入基学习器中的线性回归模型；线性回归模型基于所述归一化数据生成最优参数；基于所述最优参数生成多个预测结果。
更具体的，将训练结果进行拼接生成所述特征融合数据，包括：将测试结果和真实坐标进行拼接以生成所述特征融合数据；和/或将测试结果的平均值进行拼接以生成所述特征融合数据。
本公开选择六种线性回归模型作为基学习器进行训练，因为集成学习应发挥不同算法的差异性优势，因此所选的六个基学习器各不相同。下面对这六种线性回归模型进行介绍。
1.第一种线性回归模型
第一种线性回归模型是以缩小变量集(降阶)为思想的压缩估计方法。线性回归模型的复杂度与变量维数成正相关关系，多维变量在拟合时效果更好的同时也可能造成过拟合问题。该模型通过构造惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的，进而改善模型过拟合问题。假设线性模型Y＝Xβ+ε中响应变量 Y＝(y1,y2,...,yn)T，协变量X＝(X(1),X(2),...,X(d))，回归系数β＝(β1,β2,...,βd)T，随机误差项εi～N(0,σ2),(i＝1,2,...,n)，其中n为样本数据量，d为数据维数。当X为列满秩矩阵时，回归项系数β可由最小二乘估计求得：
Figure RE-GDA0003320470590000131
当X不满足列满秩时，可引入惩罚方法求解回归系数，惩罚方法取惩罚似然函数最小时的值作为回归函数的估计值。
Figure RE-GDA0003320470590000132
Figure RE-GDA0003320470590000133
2.第二种线性回归模型
首先，对线性回归模型进行说明：
传统线性回归分析的矩阵如下：
Figure RE-GDA0003320470590000134
其中，X∈Rn×m为自变量，y∈Rn×1为因变量，β为待求解参数，其中偏置项已包含在β中。
利用最小二乘法进行估计，目标函数如下。
J(β)＝||y-Xβ||2
目标是使目标函数最小化。使用最小二乘法对回归参数β∈Rm×1进行估计，其公式为
β＝(XTX)-1XTy
但是，上述公式存在很大的局限性，如当(XTX)-1不可逆时，问题无法进行求解。
为解决上述问题，第二种线性回归模型在目标函数中加入一个惩罚项λ||β||2，目标函数变为：
J(β)＝||y-Xβ||2+λ||β||2
这里的λ是待求参数。从公式中我们可以看出，第二种线性回归模型是带二范数成分的最小二乘回归，对于自变量xi而言，其系数向0变化即可减少该变量对最终结果的影响。
其中，λ≥0。
方法的最终目标是令J(β)最小，令
Figure RE-GDA0003320470590000141
代入上式可得到：
β＝(XTX+λIm×m)-1XTy
其中，Im×m为单位矩阵，XTX+λIm×m必定可逆，解决了最小二乘法的问题。
3.第三种线性回归模型：
在第二种模型中，当数据出现线性关联不大时，回归结果将不够精准。因此，引入核函数来对该问题进行处理。通过核函数的映射，能够将数据映射到高维空间，再利用线性方法进行求解。
定义一个非线性映射φ(X)，用φ(X)替换X。令φ(X)∈Rn×p，可得目标函数为
J(β)＝||y-φ(X)β||2+λ||β||2
这里β∈Rp×1，则待确定参数的参数估计为：
β＝(φ(X)Tφ(X)+λIp×p)-1φ(X)Ty
这里，核函数为K(xi,xj)＝φ(xi)φ(xj)T。
给定训练样本D＝{(x1,y1),...,(xm,ym)},m为样本数，设计回归模型 f(x)＝ωTx+b(ω,b为待求解参数)使f(x)与目标y尽可能接近。
假设f(x)与y之间能容忍的差别绝对值为ε，即以f(x)为基准，向外扩张形成了一个2ε的间隔带，因此我们可以得到目标函数：
Figure RE-GDA0003320470590000151
其中C为正则化常熟，
Figure RE-GDA0003320470590000152
引入松弛变量对约束条件进行放宽，得到模型：
Figure RE-GDA0003320470590000153
Figure RE-GDA0003320470590000154
引入拉格朗日乘子μi：
Figure RE-GDA0003320470590000155
令L对ω,b,ξi,
Figure RE-GDA0003320470590000156
的偏导为0，可得，
Figure RE-GDA0003320470590000157
其中，应满足
Figure RE-GDA0003320470590000158
最终模型为：
Figure RE-GDA0003320470590000159
其中，
Figure RE-GDA00033204705900001510
为核函数
4.第四种回归模型：
支持向量回归(SVR)是支持向量机(SVM)对回归问题的一种运用。在SVM中我们要找出一个间隔(gap)最大的超平面，而在SVR定义区域ε，ε区域内的数据点的残差为0，而区域外的数据点(支持向量)到虚线的边界的距离为残差ζ。SVR要找出一个最佳的条状区域(2ε宽度)，再对区域外的点进行回归。对于非线性的模型，与SVM一样使用核函数映射到特征空间，然后再进行回归。
给定训练样本D＝{(x1,y1),...,(xm,ym)},m为样本数，设计回归模型 f(x)＝ωTx+b(ω,b为待求解参数)使f(x)与目标y尽可能接近。
假设f(x)与y之间能容忍的差别绝对值为ε，即以f(x)为基准，向外扩张形成了一个2ε的间隔带，因此可以得到目标函数：
Figure RE-GDA0003320470590000161
其中C为正则化常熟，
Figure RE-GDA0003320470590000162
引入松弛变量对约束条件进行放宽，得到模型：
Figure RE-GDA0003320470590000163
Figure RE-GDA0003320470590000164
引入拉格朗日乘子μi：
Figure RE-GDA0003320470590000165
令L对ω,b,ξi,
Figure RE-GDA0003320470590000166
的偏导为0，可得，
Figure RE-GDA0003320470590000167
其中，应满足
Figure RE-GDA0003320470590000168
最终，目标函数可以表示为
Figure RE-GDA0003320470590000169
其中，
Figure RE-GDA00033204705900001610
为核函数
5.第五种线性回归模型：
第五种线性回归模型是岭回归与lasso回归的结合，它综合了L1正则化和L2正则化，其目标函数为
J(β)＝||y-Xβ||2+λ||β||+λ||β||2
该模型适合处理多特征相互联系的数据，且运行过程中较为稳定。
6.第六种线性回归模型：
第六种模型借助统计学中贝叶斯推断方法求解的线性回归模型。该回归模型将线性模型的参数视为随机变量，并通过模型参数(权重系数)的先验计算其后验。贝叶斯回归对数据有自适应能力，可重复利用实验数据并防止过拟合。但学习过程开销较大。
基学习器确定后利用训练集数据对各个基学习器进行参数选优，具体步骤如下：
1)列出各个参数的一种可能取值组合。
2)对步骤1)中列出的参数组合进行支持向量机(SVM)训练，并使用上述的交叉验证对当前参数组合的效果进行评估。
3)重复步骤1)和步骤2)，选择最优的参数组合。
这一阶段各个基学习器的输入为时频差定位测量数据、测向定位测量数据，我们得出初步的辐射源目标坐标预测结果。
为便于区分，将待预测坐标标签的样本数据称为目标集，将原始训练数据集分为6个子集，令6个基学习器分别以其中1个子集作为测试集(每个基学习器测试集互不相同)，其余5个子集作为训练集进行训练，获取每个基学习器对于原始训练数据集的坐标预测，在二维维度上拼接所有坐标预测结果作为元学习器的训练数据。同时使用训练好的基学习器对目标集进行坐标预测，对六个基学习器预测结果取均值作为元学习器的测试集数据。
在S306中，利用所述特征融合数据对元学习器进行训练以生成所述多星定位模型。包括：利用所述特征融合数据对基于KernelRidge模型的元学习器进行训练；在获取最优解时，根据当前参数生成所述多星定位模型。元学习器一般为了防止过拟合会采用简单的模型，此处选择 KernelRidge模型。在训练元学习器时，需要上将一层学习器得到的预测结果堆叠特征作为输入特征进行训练再预测，最后得到最终预测结果。参数寻优的步骤参考上述步骤即可。
将本公开所提的多星数据融合算法和传统的时频差定位算法进行对比。图6所示实验对100个不同位置辐射目标进行位置预测，其中对照组算法时频差定位算法(TDOA/FDOA)，并对每个目标的1500组测量数据得到的位置误差取平均值，实验组取1000次蒙特卡洛实验下Stacking算法得到的不同目标位置误差的平均值。从图中可以看出，本公开提出的多星融合定位模型相比基于时频差定位精度提升约46.95％，可突破单一定位体制定位极限，有效提取多源定位数据内部关联特征信息，从而提升目标定位精度。
对本公开的方法进行仿真实验验证。实验使用Pytorch深度学习框架及sklearn工具库搭建模型模块，采用Intel i7-8565U处理器，32G内存，Quadro P520 GPU对模型进行训练。采用MatLab仿真生成测向定位数据及时频差定位数据。
实验环境中设置时差测量误差100ns，速度测量误差2m/s，角度测量误差0.0175rad，频差测量误差20Hz，实验站址测量误差为10米，多站辐射源频率10GHz，模拟环境为正球面模型，地球半径为6378137m，实验使用地固直角坐标系进行数据仿真，模拟卫星为低轨卫星，具体测量内容如表1所示。实验场景中两个卫星同时搭载测向定位及时频差定位测量仪器，沿纬线向相同方向运动，运动速度相同，运动轨道为正圆轨道，两颗卫星在运动不同位置对同一辐射源目标进行1500次测量数据采集，共进行3000次试验，每次实验卫星采样位置不变，目标位置均不同，测量数据包括两颗卫星的测量坐标、测量速度、测量方向角、测量俯仰角。
本公开选择了Lasso回归、Ridge回归、支持向量机回归、核岭回归、贝叶斯线性回归、ElasticNet弹性网络这六种多元线性回归模型作为基学习器进行Stacking集成。首先利用网格搜索法寻找各个基学习器的最优超参数，参数值见表格2。
表2多星融合参数表
Figure RE-GDA0003320470590000181
Figure RE-GDA0003320470590000191
本节使用Stacking进行集成学习，集成学习通过集合各分类器的优势以提高最终预测效果，因此实验比较了Stacking集成模型与各个基学习器在验证集上的表现，对100个辐射目标位置进行预测并距离差取均值，如表3所示，可见集成学习有效提高了辐射目标坐标预测结果的准确度。
表3基学习器预测结果误差
模型 Lossx(m) Lossy(m) Lossz(m) Loss(m)
Model1 4399.90 4333.06 4079.28 6783.56
Model2 4574.96 4150.69 5495.58 7549.34
Model3 4195.14 3707.68 3857.31 6264.15
Model4 4017.17 4095.78 4212.00 6484.26
Model5 3852.58 4305.69 4090.06 6566.36
Model6 493.65 509.20 401.13 750.29
Model1 393.87 394.77 484.41 668.98
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种基于多颗卫星的目标定位装置的框图。如图7所示，基于多颗卫星的目标定位装置70包括：数据模块702，训练模块704，位置模块706。
数据模块702用于根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；
训练模块704用于根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；
位置模块706用于将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。
根据本公开的基于多颗卫星的目标定位装置，根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置的方式，对多颗卫星的定位长周期数据进行融合，充分挖掘同一目标多星长周期数据间的时间关联关系，实现决策性融合、充分发挥各个体制的优势提高目标定位精度。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图 8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备 800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线 830、显示单元840等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2，图3中所示的步骤。
所述存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
所述存储单元820还可以包括具有一组(至少一个)程序模块8205 的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备800交互的设备通信，和/或该电子设备800能与一个或多个其它计算设备进行通信的任何设备 (例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图9所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质 (可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：根据目标对象的定位请求获取多颗卫星对所述目标对象的多个测向定位数据集和所述多颗卫星的多个时频差数据，其中，测向定位数据集中包括多个周期的测向定位数据；根据所述多个测向定位数据集和多个时频差数据对机器学习模型进行训练，生成多星定位模型；将所述多个测向定位数据集输入所述多星定位模型以获取所述目标对象的精确位置。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (9)

1.一种基于多颗卫星的目标定位方法，其特征在于，包括：
多颗卫星分别对目标对象进行多个周期的测量，生成多个测向定位数据集，测向定位数据集中的测向定位数据包括单颗卫星的坐标、目标对象的预估位置、单颗卫星和目标对象之间的方位角；
根据多个卫星的测量坐标、测量速度、测量时差、测量频差、测量方向角、测量俯仰角及信号载频生成多个时频差数据；
根据目标对象的定位请求获取多颗卫星的多个测向定位数据集多个时频差数据；
对多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据；
将归一化数据依次输入多个基学习器，其中，多个基学习器为压缩估计基学习器、带有惩罚函数的最小二乘基学习器、核函数基学习器、支持向量机基学习器、岭回归结合lasso回归基学习器、贝叶斯基学习器；
多个基学习器中的每个基学习器均基于归一化数据进行多折交叉训练；
将训练结果进行拼接生成特征融合数据；
利用特征融合数据对元学习器进行训练以生成多星定位模型；
将多个测向定位数据集输入多星定位模型以获取目标对象的精确位置。
2.如权利要求1所述的方法，其特征在于，对所述多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据，包括：
基于四分位法对多个测向定位数据集和多个时频差数据进行归一化处理，生成所述归一化数据。
3.如权利要求1所述的方法，其特征在于，所述多个基学习器中的每个基学习器均基于所述归一化数据进行多折交叉训练，包括：
根据所述归一化数据生成多个训练集合测试集；
分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果。
4.如权利要求3所述的方法，其特征在于，分别基于多个训练集合对基学习器进行多折交叉训练以生成测试结果，包括：
将所述归一化数据输入基学习器中的线性回归模型；
线性回归模型基于所述归一化数据生成最优参数；
基于所述最优参数生成多个预测结果。
5.如权利要求1所述的方法，其特征在于，将训练结果进行拼接生成所述特征融合数据，包括：
将测试结果和真实坐标进行拼接以生成所述特征融合数据；和/或
将测试结果的平均值进行拼接以生成所述特征融合数据。
6.如权利要求1所述的方法，其特征在于，利用所述特征融合数据对元学习器进行训练以生成所述多星定位模型，包括：
利用所述特征融合数据对基于KernelRidge模型的元学习器进行训练；
在获取最优解时，根据当前参数生成所述多星定位模型。
7.一种基于多颗卫星的目标定位装置，其特征在于，包括：
数据模块，用于多颗卫星分别对目标对象进行多个周期的测量，生成多个测向定位数据集，测向定位数据集中的测向定位数据包括单颗卫星的坐标、目标对象的预估位置、单颗卫星和目标对象之间的方位角；根据多个卫星的测量坐标、测量速度、测量时差、测量频差、测量方向角、测量俯仰角及信号载频生成多个时频差数据；根据目标对象的定位请求获取多颗卫星的多个测向定位数据集多个时频差数据；
训练模块，用于对多个测向定位数据集和多个时频差数据进行归一化处理，生成归一化数据；将归一化数据依次输入多个基学习器，其中，多个基学习器为压缩估计基学习器、带有惩罚函数的最小二乘基学习器、核函数基学习器、支持向量机基学习器、岭回归结合lasso回归基学习器、贝叶斯基学习器；多个基学习器中的每个基学习器均基于归一化数据进行多折交叉训练；将训练结果进行拼接生成特征融合数据；利用特征融合数据对元学习器进行训练以生成多星定位模型；
位置模块，用于将多个测向定位数据集输入多星定位模型以获取目标对象的精确位置。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202111017103.5A 2021-08-31 2021-08-31 基于多颗卫星的目标定位方法、装置、电子设备及介质 Active CN113721276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017103.5A CN113721276B (zh) 2021-08-31 2021-08-31 基于多颗卫星的目标定位方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017103.5A CN113721276B (zh) 2021-08-31 2021-08-31 基于多颗卫星的目标定位方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113721276A CN113721276A (zh) 2021-11-30
CN113721276B true CN113721276B (zh) 2022-08-16

Family

ID=78680207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017103.5A Active CN113721276B (zh) 2021-08-31 2021-08-31 基于多颗卫星的目标定位方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113721276B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580615B (zh) * 2022-03-04 2022-09-23 哈尔滨工程大学 一种基于神经网络的分布式小平台水下纯方位定位方法
CN115524662B (zh) * 2022-10-27 2023-09-19 中国电子科技集团公司信息科学研究院 测向时差联合定位方法、系统、电子设备及存储介质
CN115508773B (zh) * 2022-10-27 2023-09-19 中国电子科技集团公司信息科学研究院 时差法多站无源定位方法、系统、电子设备及存储介质
CN115598592B (zh) * 2022-10-27 2023-09-19 中国电子科技集团公司信息科学研究院 时频差联合定位方法、系统、电子设备及存储介质
CN116774264B (zh) * 2023-06-25 2024-01-23 西安电子科技大学 基于低轨卫星机会信号多普勒的运动目标定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201447342A (zh) * 2013-06-14 2014-12-16 O2Micro Inc 導航位元同步方法及檢查導航位元同步的方法
CN107506740A (zh) * 2017-09-04 2017-12-22 北京航空航天大学 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5034935B2 (ja) * 2007-12-27 2012-09-26 セイコーエプソン株式会社 測位方法、プログラム、測位装置及び電子機器
CN105607096B (zh) * 2015-08-31 2017-12-22 中国电子科技集团公司第三十六研究所 一种双星时差频差定位方法和定位装置
CN110555446B (zh) * 2019-08-19 2023-06-02 北京工业大学 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201447342A (zh) * 2013-06-14 2014-12-16 O2Micro Inc 導航位元同步方法及檢查導航位元同步的方法
CN107506740A (zh) * 2017-09-04 2017-12-22 北京航空航天大学 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法

Also Published As

Publication number Publication date
CN113721276A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113721276B (zh) 基于多颗卫星的目标定位方法、装置、电子设备及介质
Huang et al. Dsanet: Dual self-attention network for multivariate time series forecasting
US11587646B2 (en) Method for simultaneous characterization and expansion of reference libraries for small molecule identification
KR102496415B1 (ko) 양자 잡음 프로세스 분석 방법 및 장치, 디바이스, 및 저장 매체
Mao et al. A fast and robust model selection algorithm for multi-input multi-output support vector machine
US20220292315A1 (en) Accelerated k-fold cross-validation
Fanshawe et al. Spatial prediction in the presence of positional error
Vultureanu-Albişi et al. Improving students’ performance by interpretable explanations using ensemble tree-based approaches
CN113642252B (zh) 基于单颗卫星的目标定位方法、装置、电子设备及介质
Da Poian et al. Exploratory data analysis (EDA) machine learning approaches for ocean world analog mass spectrometry
Maevskiy et al. Simulating the time projection chamber responses at the MPD detector using generative adversarial networks
Kiani Shahvandi et al. Small geodetic datasets and deep networks: attention-based residual LSTM autoencoder stacking for geodetic time series
Marjuni et al. Unsupervised software defect prediction using signed Laplacian-based spectral classifier
Kostoglotov et al. Analysis of the possibility of intellectualization of algorithms for estimating the parameters of dynamic systems based on adaptive model of motion
Bala et al. Improving cross-project software defect prediction method through transformation and feature selection approach
Alshehhi et al. Supervised neural networks for helioseismic ring-diagram inversions
Skobtsov et al. Intelligent telemetry data analysis of small satellites
Elsemüller et al. Sensitivity-aware amortized Bayesian inference
Bozağaç et al. Dynamic simulation metamodeling using MARS: A case of radar simulation
Heffernan Quantification of the Quark-Gluon Plasma with statistical learning
Chen et al. Towards profit optimization during online participant selection in compressive mobile crowdsensing
Pei et al. Effectiveness of approximation strategy in surrogate-assisted fireworks algorithm
Ramirez et al. Full Shape Cosmology Analysis from BOSS in configuration space using Neural Network Acceleration
Utkin et al. An explanation method for black-box machine learning survival models using the Chebyshev distance
Tian et al. Bayesian joint inference for multivariate quantile regression model with L _ 1/2 1/2 penalty

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant