(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211143632.4 (22)申请日 2022.09.20 (65)同一申请的已公布的文献号 申请公布号 CN 115270997 A (43)申请公布日 2022.11.01 (73)专利权人 中国人民解 放军32035部队 地址 710600 陕西省西安市临潼区环城东 路2号 (72)发明人 杜新鹏　裴宇　崔坤军　王瑞贤　 刘子豪　李超炜　成东山　易成龙　 田得利　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 万艳艳 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G01S 7/41(2006.01) (56)对比文件 CN 111898652 A,2020.1 1.06CN 110858277 A,2020.0 3.03 CN 109918752 A,2019.0 6.21 CN 112183601 A,2021.01.0 5 CN 114648052 A,202 2.06.21 CN 114399829 A,2022.04.26 CN 111191690 A,2020.0 5.22 CN 110210320 A,2019.09.0 6 CN 115032602 A,202 2.09.09 CN 111460818 A,2020.07.28 US 2020286219 A1,2020.09.10 US 202126232 9 A1,2021.08.26 师恒 等.基 于激光雷达的火箭垂直 起飞段 姿态测量 技术. 《光子学报》 .202 2,第51卷(第4 期), 张晨曦， 唐曙， 唐珂.迁移学习下的火箭发动 机参数异常检测策略. 《计算机 应用》 .2020,第40 卷(第9期), 许夙晖等.基 于极限学习机参数迁移的域 适 应算法. 《自动化学报》 .2017,(第02期), 审查员 李华 (54)发明名称 基于迁移学习的火箭目标姿态稳定判别方 法及相关装置 (57)摘要 本发明涉及一种基于迁移学习的火箭目标 姿态稳定判别方法及相关装置， 方法包括： 获取 待分类输入 数据； 将所述待分类输入 数据进行分 段处理， 得到多个短时分段数据； 将所述短时分 段数据输入至训练好的具有胶囊的目标分类网 络， 得到网络分类结果； 基于得到的连续 P次的所 述网络分类结果， 根据DS证据理论算法进行判别 得到判别结果。 本发明提供的判别方法具有较高 的分类正确率。 权利要求书2页 说明书11页 附图3页 CN 115270997 B 2022.12.27 CN 115270997 B 1.一种基于迁移学习的火箭目标姿态稳定判别方法， 其特征在于， 所述火箭目标姿态 稳定判别方法包括： 步骤1、 获取待分类输入数据， 所述待分类输入数据包括待分类火箭目标的RCS幅度序 列值、 均值、 极差、 平均线长和时间信息； 步骤2、 将所述待分类输入数据进行分段处理， 得到多个短时分段数据， 其中， 相邻两个 所述短时分段 数据之间具有部分重复的数据； 步骤3、 将所述短时分段数据输入至训练好的具有胶囊的目标分类网络， 得到网络分类 结果， 所述网络 分类结果为目标是火箭主体、 火箭 发动机残骸、 箭体碎片的置信度， 其中， 通 过迁移学习训练方法训练得到训练好的目标分类网络； 步骤4、 基于所述步骤3得到的连续 P次的所述网络分类结果， 根据DS证据理论算法进行 判别得到判别结果； 所述步骤4包括： 步骤4.1、 根据所述 步骤3得到的连续 P次的所述网络分类结果得到冲突因子； 步骤4.2、 基于所述DS证据理论算法的组合mass函数， 根据所述步骤3得到的连续P次的 所述网络分类结果和所述冲突因子得到所述判别结果； 所述冲突因子表示 为： 其中， 表示冲突因子， 表示目标类型， 表示目标为火箭主体， 表示目标为火箭发 动机残骸， 表示目标为 箭体碎片， 表示目标分类网络第 次网络分类结果的目标类型 为 的置信度， ， 表示求和， 表示连乘。 2.根据权利要求1所述的基于迁移学习的火箭目标姿态稳定判别方法， 其特征在于， 所 述步骤2包括： 以m为步进， 每次分别从RCS幅度序列值、 均值、 极差、 平均线长和时间信息中取出固定 数量的数据点作为短时分段 数据， 其中 固定数量 n大于m， 且m和n 为大于零的整数。 3.根据权利要求1所述的基于迁移学习的火箭目标姿态稳定判别方法， 其特征在于， 所 述目标分类网络包括依次连接的第一卷积层、 第二卷积层、 第三卷积层、 第一胶 囊层和第二 胶囊层， 其中， 所述第一胶囊层包括M个胶囊， 所述第二胶囊层包括3个胶囊。 4.根据权利要求3所述的基于迁移学习的火箭目标姿态稳定判别方法， 其特征在于， 所 述目标分类网络的训练方法包括： 利用带有分类标记的空间目标训练数据对所述目标分类网络进行训练， 得到初始训练 好的目标分类网络， 所述空间目标训练数据包括用于训练的空间目标的RCS幅度序列值、 均 值、 极差、 平均线长和时间信息； 利用带有分类标记的火箭目标训练数据对所述初始训练好的目标分类网络进行训练， 得到最终训练好的目标分类网络， 所述火箭 目标训练数据包括用于训练的火箭目标的RCS 幅度序列值、 均值、 极差、 平均线长和时间信息 。 5.根据权利要求1所述的基于迁移学习的火箭目标姿态稳定判别方法， 其特征在于， 所 述组合mas s函数表示 为： 权　利　要　求　书 1/2 页 2 CN 115270997 B 2其中， 表示 的mass函数。 6.一种基于迁移学习的火箭目标姿态稳定判别装置， 其特征在于， 所述火箭目标姿态 稳定判别装置包括： 获取模块， 用于获取待分类输入数据， 所述待分类输入数据包括待分类火箭目标的RCS 幅度序列值、 均值、 极差、 平均线长和时间信息； 处理模块， 用于将所述待分类输入数据进行分段处理， 得到多个短时分段数据， 其中， 相邻两个所述短时分段 数据之间具有部分重复的数据； 分类模块， 用于将所述短时分段数据输入至训练好的具有胶囊的目标分类网络， 得到 网络分类结果， 所述网络分类结果为目标是火箭主体、 火箭发动机残骸、 箭体碎片的置信 度， 其中， 通过迁移学习训练方法训练得到训练好的目标分类网络； 判别模块， 用于基于所述分类模块得到的连续 P次的所述网络分类结果， 根据DS证据理 论算法进行判别得到判别结果； 所述基于所述分类模块得到的连续 P次的所述网络分类结果， 根据DS证据理论算法进 行判别得到判别结果， 包括： 根据所述分类模块得到的连续 P次的所述网络分类结果得到冲突因子； 基于所述DS证据理论算法的组合mass函数， 根据所述所述分类模块得到的连续P次的 所述网络分类结果和所述冲突因子得到所述判别结果； 所述冲突因子表示 为： 其中， 表示冲突因子， 表示目标类型， 表示目标为火箭主体， 表示目标为火箭发 动机残骸， 表示目标为 箭体碎片， 表示目标分类网络第 次网络分类结果的目标类型 为 的置信度， ， 表示求和， 表示连乘。 7.一种电子设备， 其特 征在于， 包括相互耦接的处 理器以及存 储器， 其中： 所述存储器用于存 储实现如权利要求1 ‑5任一项所述的方法的程序指令； 所述处理器用于执 行所述存储器存储的所述 程序指令 。 8.一种计算机可读存储介质， 其特征在于， 存储有程序文件， 所述程序文件能够被执行 以实现如权利要求1 ‑5任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115270997 B 3