(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 202211113255.X (22)申请日 2022.09.14 (65)同一申请的已公布的文献号 申请公布号 CN 115183733 A (43)申请公布日 2022.10.14 (73)专利权人 湖南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 王飞　陈天奇　谢志伟　常胜利　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 杨斌 (51)Int.Cl. G01C 1/00(2006.01) G01S 3/78(2006.01) G01C 15/00(2006.01) G02B 19/00(2006.01)G06N 3/08(2006.01) G06F 30/20(2020.01) G06F 30/17(2020.01) (56)对比文件 CN 101840 067 A,2010.09.2 2 CN 105978478 A,2016.09.28 CN 1081075 59 A,2018.0 6.01 IN 20204102546 0 A,2020.07.0 3 孙健.基于TracePro软件的复合抛物面聚光 器光学性能分析. 《能源技 术》 .2010,第31卷(第4 期),第194-197页. XING PENG etc..Design and Analysis of Optical Receivi ng Anten na for LED Visible L ight Com munication Based o n Taguchi Method. 《IE EE Access》 .2019,第 186364-186377页. 审查员 周艳红 (54)发明名称 一种基于CPC的非成像远距离方位检测的方 法与系统 (57)摘要 本发明涉及非成像光学的方位检测领域， 公 开了一种基于CPC的非成像远距离方位检测的方 法与系统， 根据要实现的视场和距离的大小， 设 计复合抛物 面集光器的相关参数， 在光学软件中 插入设计的复合抛物面集光器， 并结合探测器进 行仿真模拟， 获取探测器数据信息， 将所述探测 器数据信息输入BP神经网络进行机器学习， 获取 强相关线性回归的BP神经网络， 将采集的特定目 标物的探测器数据信息输入机器学习后强相关 线性回归的BP神经网络输出特定目标物的方位 信息。 本发明结合复合抛物面集光器、 Tracepro 及BP神经网络来实现大视场的远距离方位检测， 在实现远距离方位检测的情况下确保方位检测 的精度， 同时兼顾了 视场角以及距离 。 权利要求书2页 说明书7页 附图5页 CN 115183733 B 2022.12.06 CN 115183733 B 1.一种基于 CPC的非成像 远距离方位检测的方法， 其特 征在于， 包括如下步骤： 步骤1： 根据要实现的视场和距离的大小， 在光学软件中设计复合抛物面集光器的相关 参数； 步骤2： 将步骤1获取的复合抛物面集光器结合探测器进行仿真模拟， 获取探测器数据 信息； 步骤3： 将所述探测器数据信息输入BP神经网络进行机器学习， 获取强相关线性回归的 BP神经网络； 步骤4： 将采集的特定目标物的探测器数据信息输入步骤3的BP神经网络， 输出所述特 定目标物的方位信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤2中设置有光源， 所述光源为格点 光源， 所述复合抛物面集光器的每个面设置为完美反射面， 所述探测器设置于所述复合抛 物面集光器的出射口， 所述探测器朝向所述复合抛物面集光器入射口的背面设置为完美接 收面， 所述 光学软件中空间坐标系的原点 为所述复合抛物面 集光器的入射口平面圆心。 3.根据权利要求2所述的方法， 其特征在于， 所述复合抛物面集光器的相关参数包括有 聚光角 、 焦距 、 复合抛物面集光器长度 、 入射口半径 ， 所述聚光角 由以下公式 计算： 其中， L为光源与原点的距离， x与y分别为光源在视场中最大角度时空间坐标系中对应 的x轴与y轴数值； 所述焦距 由以下公式计算： 其中， a为焦平面半径； 所述复合抛物面 集光器长度 由以下公式计算： 所述入射口半径 由以下公式计算： 。 4.根据权利要求3所述的方法， 其特征在于， 所述复合抛物面集光器的相关参数在计算 过程中均保留后四位小数， 所述复合抛物面 集光器的厚度在光学 软件中设置为0.01m m。 5.根据权利要求1 ‑4中任一项所述的方法， 其特征在于， 所述探测器为一探测器 阵列， 所述探测器数据信息为 光学软件中探测器阵列上的光 通量。 6.根据权利要求5所述的方法， 其特征在于， 所述探测器数据信 息通过调整光源的俯仰 角以及方位角获得多组。 7.根据权利要求1 ‑4中任一项所述的方法， 其特征在于， 所述BP神经网络为matlab自带权　利　要　求　书 1/2 页 2 CN 115183733 B 2的BP神经网络， 所述探测 器数据信息对边缘角重复采样， 所述BP神经网络通过对所述探测 器数据信息进 行机器学习以实现所述探测器数据信息的数据集向线性化靠拢， 所述机器学 习过程中均方最小误差到达设置精度或者所述均方最小误差不小于3次没有变化， 停止训 练。 8.根据权利要求7所述的方法， 其特征在于， 所述BP神经网络的隐藏层设置区间为2 ‑5 层， 所述隐藏层设置区间为25 ‑45个神经元， 所述BP神经网络设置的迭代次数区间为1000 ‑ 5000次， 所述BP神经网络设置的学习速率区间为0.1 ‑0.001， 对 所述边缘角重复采样次数为 10次， 所述BP神经网络设置的均方最小误差区间为 ， 所述均方最小误差区间连 续6‑10次没有变化， 停止训练。 9.一种基于CPC的非成像远距离方位检测的系统， 其特征在于， 包括： 复合抛物面集光 器、 处理器、 存储器， 所述复合抛物面集光器出射口设置有探测器， 所述系统中还设置有通 信接口以及通信总线， 所述处 理器、 通信接口、 存 储器通过通信总线完成相互间的通信， 所述复合抛物面 集光器用于收集并传输光线能量至所述探测器； 所述探测器用于检测所述光线能量中的光通量数据信息并存储于存储器或传输至所 述处理器； 所述存储器， 接收并存储所述光通量数据信 息， 还存储有BP神经网络模块， 可向所述处 理器发送所述 光通量数据信息； 所述处理器， 在接收来自所述探测器或者存储器的所述光通量数据信息， 执行存储于 所述存储器上存储的BP神经网络模块， 并实现权利要求 1‑8中任一所述的方法步骤， 获取待 测目标物方位信息 。 10.根据权利要求9所述的系统， 其特征在于， 所述探测器是由不小于9个的探测器组成 探测器阵列， 所述探测器阵列 组成正方形九宫格矩阵， 所述复合抛物面集光器出射口的圆 形与所述探测器阵列所组成的正方 形以内切圆形式设置 。权　利　要　求　书 2/2 页 3 CN 115183733 B 3