(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 202111017113.9 (22)申请日 2021.08.31 (65)同一申请的已公布的文献号 申请公布号 CN 113642252 A (43)申请公布日 2021.11.12 (73)专利权人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 专利权人 西安电子科技大 学 (72)发明人 李修建　董洛兵　衣文军　王平　 朱梦均　何新　王献青　强仕　 吉元昊　 (74)专利代理 机构 北京美智年 华知识产权代理 事务所(普通 合伙) 11846 专利代理师 梁忠益　李晨露 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 US 2019/ 0080261 A1,2019.0 3.14 CN 109613 583 A,2019.04.12 CN 112902989 A,2021.0 6.04 CN 112817020 A,2021.0 5.18 US 2020/0049837 A1,2020.02.13 曾广裕 等. “基于扩展卡尔曼 滤波的全球导 航卫星系统矢量跟踪建模与仿真 ”. 《兵工学报》 .2015,全 文. Patrick El lis 等.“A SINGLE SATEL LITE GEOLOCATION SOLU TION OF AN RF E MITTER USING A CONSTRAI NED UNSC ENTED KALMAN FILTER”. 《IEEE》 .2018,全 文. 黄静 等.“单星测频静态目标无源定位研 究”. 《中国空间科 学技术》 .2019,全 文. 审查员 李易玮 (54)发明名称 基于单颗卫星的目标定位方法、 装置、 电子 设备及介质 (57)摘要 本公开涉及一种基于单颗卫星的目标定位 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 的定位请求获取单颗卫星对 所述目标对象的多个周期的测向定位数据； 获取 所述单颗卫星的样本数据； 根据所述样本数据和 所述多个周期的测向定位数据对机器学习模型 进行训练， 生成单星定位模型； 将所述多个周期 的测向定位数据输入所述单星定位模型以获取 所述目标对象的精确位置。 本公开涉及的基于单 颗卫星的目标定位方法、 装置、 电子设备及计算 机可读介质， 充分挖掘卫星测量中生成的长周期 海量数据间的时间与空间特征。 基于挖掘出的特 征进行目标定位， 解决了目标标签数据的缺失问 题， 提高了目标定位的自适应能力， 实现了目标的高精度定位。 权利要求书3页 说明书13页 附图8页 CN 113642252 B 2022.05.17 CN 113642252 B 1.一种基于单颗卫星的目标定位方法， 其特 征在于， 包括： 根据目标对象的定位请求获取 单颗卫星对所述目标对象的多个周期的测向定位数据； 获取所述单颗卫星的样本数据； 根据所述样本数据和所述多个周期的测向定位数据对机器学习 模型进行训练， 生成单 星定位模型； 将所述多个周期的测向定位数据输入所述单星定位模型以获取所述目标对象的精确 位置； 根据所述样本数据和所述多个周期的测向定位数据对机器学习 模型进行训练， 生成单 星定位模型， 包括： 将所述样本数据作为源领域数据； 将所述多个周期的测向定位数据作为目标 领域数据； 根据所述源领域数据和所述目标领域数据对机器学习模型中的基学习器、 特征回归 器、 坐标回归器、 领域判别器进行训练以生成所述单星定位模型； 根据所述源领域数据和所述目标领域数据对机器学习模型中的基学习器、 特征回归 器、 坐标回归器、 领域判别器进行训练以生成所述单星定位模型， 包括： 将所述源领域数据和所述目标 领域数据输入基学习器中生成拼接数据； 将所述拼接数据输入特 征回归器中生成数据回归特 征； 基于所述数据回归特 征更新特征回归器和领域判别器的对抗学习参数； 坐标回归器根据所述源领域数据和所述目标领域数据的共享特征进行坐标预测和参 数更新； 在坐标回归器的计算结果收敛时， 根据当前参数生成所述单星定位模型。 2.如权利要求1所述的方法， 其特征在于， 根据目标对象的定位请求获取单颗卫星对所 述目标对象的多个周期的测向定位数据之前， 还 包括： 单颗卫星对所述目标对象进行多个周期的测量， 生成所述多个周期的测向定位数据， 所述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。 3.如权利要求1所述的方法， 其特 征在于， 获取 所述单颗卫星的样本数据之前， 还 包括： 基于单颗卫星对预设目标对象的测量生成所述样本数据， 所述样本数据包括预设目标 对象的精确位置和其对应的多个周期的测向定位数据。 4.如权利要求1所述的方法， 其特征在于， 将所述源领域数据和所述目标领域数据输入 基学习器中生成拼接数据， 包括： 将所述源领域数据和所述目标领域数据输入基学习器中进行切片拼接和特征归一化 处理以生成所述 拼接数据。 5.如权利要求1所述的方法， 其特征在于， 将所述拼接数据输入特征回归器中生成数据 回归特征， 包括： 根据所述源领域数据生成训练集和预测集； 根据所述目标 领域数据生成测试集； 基于所述训练集、 所述预测集和所述测试集对多种回归模型进行交叉训练以获取所述 数据回归特 征。权　利　要　求　书 1/3 页 2 CN 113642252 B 26.如权利要求1所述的方法， 其特征在于， 基于所述数据回归特征更新特征回归器和领 域判别器的对抗学习参数， 包括： 将所述数据回归特 征输入特 征回归器和领域判别器； 特征回归器和领域判别器进行对抗学习； 在对抗学习期间基于损失函数的数值更新所述对抗学习参数。 7.如权利要求1所述的方法， 其特征在于， 坐标回归器根据 所述源领域数据和所述目标 领域数据的共享特 征进行坐标 预测和参数更新， 包括： 坐标回归器根据更新后的对抗学习参数获取所述源领域数据和所述目标领域数据的 共享特征； 基于所述共享特 征通过最小方值 误差或最小绝对误差进行坐标 预测和参数更新。 8.如权利要求1所述的方法， 其特征在于， 将所述多个周期的测向定位数据输入所述单 星定位模型以获取 所述目标对象的精确位置， 包括： 基于多个回归模型对所述样本数据和所述多个周期的测向定位数据进行数据融合， 生 成特征融合数据； 基于所述特征融合数据提取所述样本数据和所述多个周期的测向定位数据中的共享 特征； 基于所述共享特 征确定所述目标对象的精确位置 。 9.一种基于单颗卫星的目标定位装置， 其特 征在于， 包括： 测向模型， 用于根据目标对象的定位请求获取单颗卫星对所述目标对象的多个周期的 测向定位数据； 样本模块， 用于获取 所述单颗卫星的样本数据； 训练模块， 用于根据 所述样本数据和所述多个周期的测向定位数据对机器学习 模型进 行训练， 生成单星定位模型； 位置模块， 用于将所述多个周期的测向定位数据输入所述单星定位模型以获取所述目 标对象的精确位置； 根据所述样本数据和所述多个周期的测向定位数据对机器学习 模型进行训练， 生成单 星定位模型， 包括： 将所述样本数据作为源领域数据； 将所述多个周期的测向定位数据作为目标 领域数据； 根据所述源领域数据和所述目标领域数据对机器学习模型中的基学习器、 特征回归 器、 坐标回归器、 领域判别器进行训练以生成所述单星定位模型； 根据所述源领域数据和所述目标领域数据对机器学习模型中的基学习器、 特征回归 器、 坐标回归器、 领域判别器进行训练以生成所述单星定位模型， 包括： 将所述源领域数据和所述目标 领域数据输入基学习器中生成拼接数据； 将所述拼接数据输入特 征回归器中生成数据回归特 征； 基于所述数据回归特 征更新特征回归器和领域判别器的对抗学习参数； 坐标回归器根据所述源领域数据和所述目标领域数据的共享特征进行坐标预测和参 数更新； 在坐标回归器的计算结果收敛时， 根据当前参数生成所述单星定位模型。权　利　要　求　书 2/3 页 3 CN 113642252 B 3