本发明涉及无线传感网络的无源目标检测技术，特别是一种基于深度学习的无线层析成像目标检测方法、系统及电子设备。
背景技术：
1、基于接收信号强度(rss，received signal strength)的定位技术可以分为基于测距的定位和无需测距的定位。基于rss测距的无线探测技术需要在空间中部署多个无线传感器节点，同时目标携带一个无线节点，通过测量未知节点和信标节点之间的rss推导未知节点和信标节点之间的距离进而确定目标位置。这种技术存在的问题是是目标必须额外携带设备，无法实现免设备携带定位。
2、无线层析成像（rti）是一种利用无线信号衰减特性进行目标检测的低成本技术。传统方法主要基于接收信号强度（rss）的测距模型或影像重构算法，如tikhonov正则化，但这些方法存在计算量大、重建精度有限、易受噪声干扰等问题。
3、近年来，深度学习方法在rti领域取得了重要突破，尤其是cnn和transformer网络。然而，单纯使用cnn容易丢失全局特征，而transformer虽然具备全局感知能力，但计算开销较大。因此，如何结合cnn的局部特征提取能力与transformer的全局信息融合能力，同时利用强化学习优化网络结构，成为提升无线层析成像目标检测性能的关键。
技术实现思路
1、本申请实施例针对上述情况，提出一种基于深度学习的无线层析成像目标检测方法、系统及电子设备，本申请显著提升了定位精度、降低了计算复杂度，并增强了多目标检测能力。
2、第一方面，本申请实施例提供了一种基于深度学习的无线层析成像目标检测方法，所述方法包括：
3、步骤s10，在监测区域部署无线传感节点链路网络；
4、步骤s20，获取无线传感节点链路网络上的 rss 信号数据集；
5、步骤s30，构建深度学习神经网络模型；
6、步骤s40，采用强化学习优化算法训练深度学习神经网络模型，获取强化学习神经网络模型；
7、步骤s50，将新rss 信号数据集输入所述强化学习神经网络模型，获取目标位置的概率分布；
8、步骤s60根据输出的所述目标位置的概率分布确定目标位置。
9、于一实施例中，还包括步骤s70将所述目标位置的概率分布映射到热图。
10、于一实施例中，步骤s20进一步包括：
11、将无线传感节点链路网络离散化为像素网格，每个像素点记录rss信号的变化情况，构成一个多维矩阵，rss 信号数据集表示为多维矩阵。
12、于一实施例中，所述强化学习优化算法采用的算法为ppo算法，所述ppo算法采用奖励函数，该奖励函数根据获取到目标位置的概率分布与真实目标位置的概率分布的差异计算奖励函数。
13、于一实施例中，所述奖励函数为重建平方误差的相反数，损失函数为重建平方误差：
14、l_target=||p_{predict}-p_{truth}||2
15、其中最终输出的目标位置的概率分布为p_{predict}，真实目标位置的概率分布为p_{truth}。
16、于一实施例中，步骤s60进一步包括：采用 argmax 方法确定目标位置，该argmax方法直接选取概率值最大的像素点作为目标的最可能位置。
17、于一实施例中，还包括：对rss 信号数据集进行数据增强处理，所述数据增强处理方法包括：高斯噪声扰动、数据平滑处理、数据旋转、平移、缩放。
18、于一实施例中，所述深度学习神经网络模型包括依次连接的输入层、多层卷积层、注意力层以及全连接层，其中所述卷积层之间采用激活函数和池化层结构，所述注意力层采用多头注意力机制。
19、第二方面，本申请实施例还提供了一种基于深度学习的无线层析成像目标检测系统，包括：
20、数据采集单元，在监测区域部署无线传感节点链路网络，获取无线传感节点链路网络上的rss 信号数据集；
21、模型构建训练单元，构建深度学习神经网络模型，采用强化学习优化算法训练深度学习神经网络模型，获取强化学习神经网络模型；
22、模型计算单元，将新rss 信号数据集输入所述强化学习神经网络模型，获取目标位置的概率分布；
23、结果计算单元，根据输出的所述目标位置的概率分布确定目标位置。
24、第三方面，本申请实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的无线层析成像目标检测方法。
25、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
26、本申请首先利用多传感器网络采集环境中的接收信号强度（rss）数据，并利用自适应数据增强技术构造数据集。然后，构建一个结合卷积神经网络（cnn）和基于注意力机制的自适应强化学习网络，以优化信号重建和目标定位性能。相较于传统方法，本申请显著提升了定位精度、降低了计算复杂度，并增强了多目标检测能力。
1.一种基于深度学习的无线层析成像目标检测方法，其特征在于，
2.如权利要求1所述的无线层析成像目标检测方法，其特征在于，还包括步骤s70将所述目标位置的概率分布映射到热图。
3.如权利要求1所述的无线层析成像目标检测方法，其特征在于，步骤s20进一步包括：
4.如权利要求1所述的无线层析成像目标检测方法，其特征在于，所述强化学习优化算法采用ppo算法，所述ppo算法采用奖励函数，该奖励函数根据获取到目标位置的概率分布与真实目标位置的概率分布的差异计算奖励函数。
5.如权利要求4所述的无线层析成像目标检测方法，其特征在于，所述奖励函数为重建平方误差的相反数，损失函数为重建平方误差：
6.如权利要求1所述的无线层析成像目标检测方法，其特征在于，步骤s60进一步包括：采用 argmax 方法确定目标位置，该argmax方法直接选取概率值最大的像素点作为目标的最可能位置。
7.如权利要求1所述的无线层析成像目标检测方法，其特征在于，还包括：对rss 信号数据集进行数据增强处理，所述数据增强处理方法包括：高斯噪声扰动、数据平滑处理、数据旋转、平移、缩放。
8.如权利要求1所述的无线层析成像目标检测方法，其特征在于，所述深度学习神经网络模型包括依次连接的输入层、多层卷积层、注意力层以及全连接层，其中所述卷积层之间采用激活函数和池化层结构，所述注意力层采用多头注意力机制。
9.一种基于深度学习的无线层析成像目标检测系统，其特征在于，包括：
10.一种电子设备，包括：