[发明专利]一种基于深度学习的辐射源定位方法及装置

权利要求书

1.一种基于深度学习的辐射源定位方法，其特征在于，所述方法包括：

步骤S101，获取样本区域的地图模型，其中，所述地图模型包括：建筑模型、道路模型、树木模型以及物体模型，且建筑模型包括：建筑的各个部分的电磁介质性质；

步骤S102，基于辐射源发射的信号，利用射线追踪法获取地图模型中设定坐标的接收机的接收强度；

步骤S103，根据辐射源坐标、发射功率，以及对应的接收机的接收强度、接收机的接收坐标构建样本集；

所述根据辐射源坐标、发射功率，以及对应的接收机的接收强度、接收机的接收坐标构建样本集，包括：

根据各个辐射源的发射功率、辐射源坐标，以及接收机接收坐标、接收强度，将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中，得到所述接收机的本征态势图，定义如下：

设辐射源在(x_t，y_t，z_t)处，且发射功率为P_t，则在(x，y，z)处的传播衰减为P_L(x，y，z)，那么辐射源的损耗矩阵P_L定义为：

P_L(x，y，z)＝-[P_r(x，y，z)-P_t]＝P_t-P_r(x，y，z)

其中，辐射源A的电磁波发射功率水平为P_t，单位是dBm，其空间坐标为(x_t，y_t，z_t)；P_r(x，y，z)是在城市物理模型结构场景下，对于辐射源A进行电磁计算得到的任意一点(x，y，z)处的场强数值，单位是dBm；

因此，所述接收机的本征态势E的物理意义为：对于指定的城市环境物理模型，接收机的本征态势反映的是当接收机的接收强度为0dBm时，所有的可能的辐射源的位置和发射功率；

基于所述本征态势图中各坐标点对应的信号强度，绘制出针对所述接收机的发射功率等高线图；

根据发射功率等高线图中各个相邻等高线之间的发射功率的差异，根据发射功率从高到低的顺序，对等高线之间的区域进行填充，得到针对所述接收机的等高线填充图；

将等高线填充图作为样本，构建样本集；

步骤S104，利用所述样本集训练预先构建的神经网络模型，得到目标神经网络模型；

步骤S105，获取待定位区域内设置的接收机的接收强度，以及待定位区域的地图模型，利用目标神经网络模型识别出辐射源的坐标。

2.根据权利要求1所述的一种基于深度学习的辐射源定位方法，其特征在于：所述步骤S101中获取样本区域的地图模型，包括：

获取样本区域的正射影像图以及高程数据；

根据所述正射影像图以及高程数据建立样本区域的三维的地图模型。

3.根据权利要求1所述的一种基于深度学习的辐射源定位方法，其特征在于：为了进一步提高样本区域三维地图模型的精度，以提高步骤S102中射线追踪的准确度，采用携带激光雷达的无人机分别围绕样本区域中的各个物体进行点云绘制，然后再使用预先训练的、用于识别出物体中各部分的电磁介质类别的神经网络算法识别出物体中各个部分的电磁介质类别，其中，电磁介质类别包括：玻璃、混凝土、草地、树木、地面；然后根据各个点云对应的电磁介质类别作为点云的标签，构建出各个物体的三维模型，进而绘制出样本区域的三维模型。

4.根据权利要求1所述的一种基于深度学习的辐射源定位方法，其特征在于：所述步骤S102中基于辐射源发射的信号，利用射线追踪法获取地图模型中设定坐标的接收机的接收强度，包括：

针对每一种发射天线参数，在地图模型各个坐标上分别设置接收机；

针对每个坐标上的接收机，利用射线追踪法利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号，得到对应的接收强度，即为所述接收机分配若干个辐射源并利用射线追踪法计算所述接收机处的接收强度。