欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025110748731
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种红外焦平面阵列姿态估计方法,其特征在于,包括:利用滑动窗口提取红外焦平面阵列数据的特征,得到多个窗口的特征向量;

根据每个窗口的特征向量,利用MLP决策网络选择窗口对应的分块方式,将窗口内的红外焦平面阵列数据划分为多个子块;

根据各子块的红外焦平面阵列数据和分块方式,从分布式LSTM模型池中调用对应的分布式LSTM模型估计各子块的姿态角正余弦值;

基于自注意力机制对各子块的姿态角正余弦估计值进行融合,并将融合后的姿态角正余弦估计值转换为角度制下的姿态角估计值,得到红外焦平面阵列姿态估计结果;

所述基于自注意力机制对各子块的姿态角正余弦估计值进行融合,并将融合后的姿态角正余弦估计值转换为角度制下的姿态角估计值,得到红外焦平面阵列姿态估计结果,包括:根据各子块的姿态角正余弦估计值生成窗口对应的分块输出矩阵:;

其中,表示第m行、第n列的子块的姿态角正余弦估计值向量,表示子块的俯仰角正弦估计值,表示子块的俯仰角余弦估计值,表示子块的横滚角正弦估计值,表示子块的横滚角余弦估计值,,,M、N分别为窗口内子块的总行数和总列数;

利用分块输出矩阵和自注意力机制计算窗口内各子块之间的相似性矩阵:;

其中,表示第m行、第n列的子块的姿态角正余弦值向量和第k行、第l列的子块的姿态角正余弦值向量之间的相似性,T表示转置运算;

对窗口内各子块之间的相似性矩阵进行归一化,得到窗口内各子块的注意力权重矩阵:;

;

其中,表示在融合第m行、第n列的子块的输出结果时对第k行、第l列的子块信息的参考程度;

利用注意力权重矩阵对窗口内各子块的姿态角正余弦估计值进行加权求和,得到融合后的姿态角正余弦估计值:;

其中,表示第m行、第n列的子块在自注意力机制下加权融合所有子块信息后的融合输出向量,T表示转置运算;

根据融合后的姿态角正余弦值进行归约处理,得到全局融合输出:;

对全局融合输出进行二范数归一化:

;

其中,表示归一化融合向量,、、和分别表示归一化融合后的俯仰角正弦分量估计值、俯仰角余弦分量估计值、横滚角正弦分量估计值和横滚角余弦分量估计值;

将归一化融合向量反编码为范围内的姿态角估计值,作为红外焦平面阵列姿态估计结果。

2.根据权利要求1所述的红外焦平面阵列姿态估计方法,其特征在于,所述利用滑动窗口提取红外焦平面阵列数据的特征,得到多个窗口的特征向量,包括:利用滑动窗口将红外焦平面阵列数据划分为多个窗口数据;

将每个窗口数据组成一个的三维张量,其中,表示红外焦平面阵列传感器的行数,表示红外焦平面阵列传感器的列数,C表示窗口长度;

根据每个窗口的三维张量数据计算其统计特征,所述统计特征包括整体均值、整体标准差、极差、逐帧均值序列和逐帧标准差序列;

将每个窗口的统计特征拼接形成窗口数据的一维特征向量。

3.根据权利要求1所述的红外焦平面阵列姿态估计方法,其特征在于,利用滑动窗口提取历史红外焦平面阵列数据的特征,得到多个窗口的历史特征向量,将不同窗口的历史特征向量作为MLP决策网络的输入,不同的分块方式的概率作为MLP决策网络的输出,利用不同分块方式下姿态角估计误差作为分块效果标签对MLP决策网络进行训练,得到训练好的MLP决策网络。

4.根据权利要求3所述的红外焦平面阵列姿态估计方法,其特征在于,针对每个窗口的历史特征向量,选择MLP决策网络输出的概率最大的分块方式作为该窗口的最优分块方式;

根据最优分块方式将窗口内红外焦平面阵列数据划分为若干子块;

设最优分块方式为,其中,、分别表示最优分块方式下每个子块的行数和列数,则窗口内每一帧红外焦平面阵列数据经分块处理后表示如下:;

其中,表示分块处理后的矩阵,表示分块处理后第m行、第n列的子块,,,M、N分别为窗口内子块的总行数和总列数,,A、B分别表示红外焦平面阵列传感器的行数和列数;

是一个的矩阵,表达式如下:

;

其中,表示窗口内红外焦平面阵列数据中第行、第列的值,,。

5.根据权利要求1所述的红外焦平面阵列姿态估计方法,其特征在于,所述根据各子块的红外焦平面阵列数据和分块方式,从分布式LSTM模型池中调用对应的分布式LSTM模型估计各子块的姿态角正余弦值,包括:从分布式LSTM模型池中选取分块方式对应的分布式LSTM模型;

将各子块的红外焦平面阵列数据按照分布式LSTM模型的输入格式转换成模型输入数据;

利用所选的分布式LSTM模型处理模型输入数据,得到各子块的姿态角正余弦估计值。

6.根据权利要求5所述的红外焦平面阵列姿态估计方法,其特征在于,将各子块的红外焦平面阵列数据按照分布式LSTM模型的输入格式转换成模型输入数据,包括:将每个子块的每一帧红外焦平面阵列数据按行展平,得到每一帧的特征向量:;

其中,表示第m行、第n列的子块的一帧特征向量,表示子块中第行、第列的红外焦平面阵列数据,,,M、N分别为窗口内子块的总行数和总列数,T表示转置运算;

利用时刻子块当前帧和历史C-1帧的特征向量拼接组成时刻分布式LSTM模型的输入数据,表达式如下:;

其中,表示时刻分布式LSTM模型的输入数据,表示时刻子块中当前帧的特征向量,C表示窗口长度。

7.根据权利要求5所述的红外焦平面阵列姿态估计方法,其特征在于,所述分布式LSTM模型池中每个分布式LSTM模型均包括输入层、两层带Dropout正则化的LSTM网络、全连接层和输出层;

模型输入数据经输入层进入分布式LSTM模型后,依次经过两个带Dropout正则化的LSTM网络后得到隐藏状态;全连接层将隐藏状态映射为特征;输出层根据映射特征输出各子块的姿态角正余弦值;公式如下:;

;

;

其中,表示时刻第m行、第n列的子块对应的模型输入数据,表示对应的隐藏状态,表示对应的映射特征,表示子块的俯仰角正弦估计值,表示子块的俯仰角余弦估计值,表示子块的横滚角正弦估计值,表示子块的横滚角余弦估计值,,,M、N分别为窗口内子块的总行数和总列数。

8.一种基于权利要求1所述的红外焦平面阵列姿态估计方法的红外焦平面阵列姿态估计装置,其特征在于,包括:特征提取模块,用于利用滑动窗口提取红外焦平面阵列数据的特征,得到多个窗口的特征向量;

分块模块,用于根据多个每个窗口的特征向量,利用MLP决策网络选择窗口对应的分块方式,将窗口内的红外焦平面阵列数据划分为多个子块;

姿态角估计模块,用于根据各子块的红外焦平面阵列数据和分块方式,从分布式LSTM模型池中调用对应的分布式LSTM模型估计各子块的姿态角正余弦值;

姿态角融合转换模块,用于基于自注意力机制对将各子块的姿态角正余弦估计值进行融合,并将融合后的姿态角正余弦估计值转换为角度制下的姿态角估计值,得到红外焦平面阵列姿态估计结果。

9.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时,实现权利要求1-7中任一所述的红外焦平面阵列姿态估计方法的步骤。