CN108037520A - 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 - Google Patents

Abstract

本发明涉及一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，包含：在设定区域内布设多个校正源，针对每个校正源均得到一组校正源估计位置和真实位置信息；将所有校正源的估计位置和真实位置信息作为训练集，输入预设的多层感知器神经网络进行训练；得到训练后的多层感知器神经网络；根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，将该位置估计输入到训练后的多层感知器神经网络，得到修正后的目标位置。本发明避免对阵列误差矩阵的估计，直接完成对目标位置的修正，能够在一定程度上抑制阵列幅相误差对定位精度的影响，提高幅相误差存在条件下目标的定位精度，性能稳定、可靠，且高效。

Description

阵列幅相误差条件下基于神经网络的直接定位偏差修正方法

技术领域

本发明属于无线电信号定位技术领域，特别涉及一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法。

背景技术

众所周知，无线电信号定位对于目标发现及其态势感知具有重要意义，其在通信信号侦察、电子信息对抗、无线电监测、遥测与导航等诸多工程科学领域具有广泛应用。传统的两步定位方法，即每个阵列观测站首先估计出定位参数，如到达时间(Time ofArrival，TOA)、到达角度(Direction of Arrival，DOA)等，然后将这些定位参数传输到中心站进行位置解算，其定位性能受制于定位参数的估计精度，因而定位存在一定的误差。直接定位是一种直接从阵列信息中获取目标位置的技术，由于避免了中间参数的估计，定位精度要优于传统的两步定位方法。除此之外，直接定位还具有更强的分辨能力以及克服了多目标定位中“数据-发射源关联”的问题。

现有的直接定位技术，无论是最大似然(LM)算法还是多重信号分类(MISIC)算法，都需要精确已知的阵列流型信息，这就要求每个阵列中各个天线的方向图具有一致性，各个阵元和通道的幅度和相位特性具有一致性，各个天线之间完全不会相互干扰或影响，阵元实际位置与标称位置之间完全重合等。然而在实际工程应用中，许多实际因素都会导致真实的阵列流型和理想的阵列流型存在一定的偏差，而阵列流型上的偏差正是影响定位精度的一个重要因素。其中由各个阵元和通道的幅度和相位特性不一致所导致的幅相误差是阵列误差的重要组成部分。由于阵列误差是影响超分辨率算法性能的主要因素之一，一系列阵列误差校正技术应运而生。随着国内外学者对阵列误差的分析、建模愈加完善，目前，参数类的阵列误差校正方法主要分为有源校正和自校正两大类。有源校正是指在空间放置位置精确已知的校正源对阵列误差参数进行离线估计，相比于自校正，其未知参数相对较少；而自校正方法无需放置位置已知或近似已知的校正源，减少了阵列系统的复杂度。目前的一些阵列误差校正技术均是在估计出阵列误差矩阵的基础上实现对目标方位或位置进行修正。随着现代信号处理技术的发展，神经网络因其具有强大的自适应学习和泛化能力，促使了多种神经网络结构在空间谱估计、无线传感网络定位中得了应用，经实验论证，相比与传统方法，神经网络具有较高的测向定位精度，并且在算法稳健性和计算量方面也有明显优势。目前，将神经网络方法运用到直接定位的阵列偏差修正的研究还比较少。

发明内容

针对阵列幅相误差存在的条件下目标定位存在偏差等问题，本发明提供一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，避免了对阵列误差矩阵的估计，直接完成对目标位置的修正，能够在一定程度上抑制阵列幅相误差对定位精度的影响，且具有较快的运行效率，提高幅相误差存在条件下目标的定位精度。

按照本发明所提供的设计方案，一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，包含如下内容：

A)在设定区域内布设多个校正源，针对每个校正源均得到一组校正源估计位置和真实位置信息；将所有校正源的估计位置和真实位置信息作为训练集，输入预设的多层感知器神经网络进行训练；得到训练后的多层感知器神经网络；

B)根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，将该位置估计输入到训练后的多层感知器神经网络，得到修正后的目标位置。

上述的，A)中多层感知器神经网络，包含输入层、输出层和介于输入层和输出层之间的多个隐藏层，每个隐藏层包含若干神经元。

上述选的，B)中根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，包含如下内容：

B1)根据Nyquist采样定理，从J个阵列观测站采集目标辐射的无线电信号数据，获得阵列信号时域数据，阵列数据中包含L个采样数据点，即快拍数，其中，每个阵列均含M通道的阵列天线接收系统，M为大于等于2的自然数，L为大于等于M的自然数；

B2)基于L个采样数据点，计算并存储每个阵列的协方差矩阵；

B3)结合每个阵列的协方差矩阵得到目标源位置估计。

优选的，B3)中结合每个阵列的协方差矩阵得到目标源位置估计，具体包含如下内容：

B31)对每个阵列的协方差矩阵进行特征值分解，得到特征值对应的特征矢量；

B32)根据特征矢量获取信号子空间和噪声子空间；

B33)结合信号子空间和噪声子空间，构造MUSIC空间谱函数；

B34)对MUSIC空间谱函数进行谱峰搜索，得到目标源位置估计。

优选的，B31)中，第j个阵列的协方差矩阵进行特征值分解中，

是相应的M个特征值，其对应的特征矢量为其中，P为目标源信号个数。

优选的，B32)中，P个大特征值所最对应的特征向量组成信号子空间M-P个小特征值所对应的特征向量组成噪声子空间

优选的，B33)中，未知的源位置向量记为u，则MUSIC空间谱函数表示为：

其中，a_j(u)为源u对于第j个观测站的导向矢量。

优选的，B34)中，通过谱峰搜索，目标源位置估计表示为：

本发明的有益效果：

相比于传统的阵列误差校正技术，本发明首先在一定区域内布设多个校正源，利用每个校正源所得到的估计位置和真实位置预先训练一个多层感知器(MLP)神经网络；接着，将获得的阵列信号时域数据进行处理，得到带有一定偏差的目标位置估计；最后，将带有一定偏差的目标位置估计输入到已训练好的神经网络，实现目标位置的修正；能够避免阵列误差矩阵的估计，有效抑制阵列幅相误差对定位性能的影响，显著提高了目标的定位精度；此外，本发明公开的定位偏差修正方法是基于神经网络实现的，避免复杂的公式推导和迭代的过程，性能稳健、运行高效，具有较强的实际应用价值。

附图说明：

图1为本发明的流程示意图；

图2为本发明中获取由阵列幅相误差引起具有偏差的位置估计流程示意图；

图3为本发明中结合每个阵列的协方差矩阵得到目标源位置估计流程示意图；

图4为实施例中的多层感知器神经网络示意图；

图5为实施例中直接定位偏差修正原理框图；

图6为实施例中四个观测站定位场景示意图；

图7为实施例中神经网络训练样本示意图；

图8为实施例中神经网络测试样本及位置修正前后效果图；

图9为实施例中位置估计均方根误差随信噪比变化曲线图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

目前的一些阵列误差校正技术均是在估计出阵列误差矩阵的基础上实现对目标方位或位置进行修正，针对阵列幅相误差存在的条件下目标定位存在偏差等问题，本发明实施例一，参见图1所示，一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，包含如下内容：

101)在设定区域内布设多个校正源，针对每个校正源均得到一组校正源估计位置和真实位置信息；将所有校正源的估计位置和真实位置信息作为训练集，输入预设的多层感知器神经网络进行训练；得到训练后的多层感知器神经网络；

102)根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，将该位置估计输入到训练后的多层感知器神经网络，得到修正后的目标位置。

首先在一定区域内布设多个校正源，利用每个校正源所得到的估计位置和真实位置预先训练一个多层感知器(MLP)神经网络；接着，将获得的阵列信号时域数据进行处理，得到带有一定偏差的目标位置估计；最后，将带有一定偏差的目标位置估计输入到已训练好的神经网络，实现目标位置的修正；能够避免阵列误差矩阵的估计，有效抑制阵列幅相误差对定位性能的影响，显著提高了目标的定位精度，可靠性高，具有较强的实际应用价值。

多层感知器MLP(Multi-layer Perceptron)，是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。一种被称为反向传播算法的监督学习方法常被用来训练MLP。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。本发明的实施例中步骤101多层感知器神经网络可以设计为包含输入层、输出层和介于输入层和输出层之间的多个隐藏层，每个隐藏层包含若干神经元。多层感知器(MLP)神经网络训练过程可概括如下：构造训练集其中N代表训练样本数，输入为每个校正源的估计位置输出为校正源的真实位置u^o(n)，估计位置是通过常规的MUSIC算法得到的。为了得到更好的训练效果，校正源发出的信号均采用强功率信号。输入训练集，采用一种监督学习算法——贝叶斯正则化(BR)算法进行学习，算法的具体过程可查看相关文献，该算法具有良好的泛化性能且能有效地防止过拟合。构造验证集(构造方法同训练集构造方法)，对已经训练好的网络进行测试评估，不断地训练、评估，然后选择一个统计性能最好的网络。

上述的，步骤102中，对于目标位置信息的采集，根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，参见图2所示，包含如下内容：

201)根据Nyquist采样定理，从J个阵列观测站采集目标辐射的无线电信号数据，获得阵列信号时域数据，阵列数据中包含L个采样数据点，即快拍数，其中，每个阵列均含M通道的阵列天线接收系统，M为大于等于2的自然数，L为大于等于M的自然数；

202)基于L个采样数据点，计算并存储每个阵列的协方差矩阵；

203)结合每个阵列的协方差矩阵得到目标源位置估计。

优选的，203)中，结合每个阵列的协方差矩阵得到目标源位置估计，参见图3所示，具体包含如下内容：

231)对每个阵列的协方差矩阵进行特征值分解，得到特征值对应的特征矢量；

232)根据特征矢量获取信号子空间和噪声子空间；

233)结合信号子空间和噪声子空间，构造MUSIC空间谱函数；

234)对MUSIC空间谱函数进行谱峰搜索，得到目标源位置估计。

假设有P个源信号，源位置向量记为{u_i}_1≤i≤P，则第j个阵列天线所接收到的信号时域模型为：

其中，s_ji(k)为第i个信号源到达第j个阵列在采样时刻k的复包络，a_j(u_i)为针对第j个观测站而言第i信号的导向矢量，n_j(k)为第j个观测站在采样时刻k的背景噪声，假设它是空间白噪声且与信号不相关，其协方差矩阵为I为M维单位矩阵；写成矩阵形式为：

x_j(k)＝A_js_j(k)+n_j(k),j＝1,2,…J,k＝1,2,…L，

式中，A_j＝[a_j(u₁),a_j(u₂),…,a_j(u_P)]为阵列流形矩阵，维度为M×P，其列向量是M维导向矢量，s_j(k)＝[s_j1(k),…,s_jP(k)]^T。第j个阵列的协方差矩阵近似计算为：

优选的，对每个阵列的协方差矩阵进行特征值分解(假设有P个源，若考虑一个源的情况则P＝1)，第j个阵列的协方差矩阵进行特征值分解中，

是相应的M个特征值，其对应的特征矢量为其中，P为目标源信号个数。P个大特征值所最对应的特征向量组成信号子空间M-P个小特征值所对应的特征向量组成噪声子空间MUSIC空间谱函数表示为：

其中，a_j(u)为第j个观测站的导向矢量。通过谱峰搜索，目标源位置估计表示为：得到的关于目标的位置估计输入到已训练好的多层感知器(MLP)神经网络，输出即为修正后的目标位置。

对如图4所示的多层感知器(MLP)神经网络进行训练。为验证本发明的有效性，选择一个含两个隐层且每个隐层包含6个神经元的MLP神经网络，输入为阵列幅相误差条件下待修正的目标位置估计，而输出为修正后的目标位置估计。二维场景中输入、输出层神经元个数均为2个,三维场景下均为3个。如图5所示，本实施例中的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法包括以下步骤：

步骤1：在一定的区域内布设多个校正源，每个校正源均得到一组校正源估计位置和真实位置信息(每次测量只有一个校正源处于工作状态)，一个预先定义好的多层感知器(MLP)神经网络被训练用于直接定位偏差修正。

步骤2：根据据Nyquist采样定理，从J个阵列观测站，每个阵列均含M通道的阵列天线接收系统采集目标辐射的无线电信号数据，M为大于等于2的自然数，从而获得阵列信号时域数据，阵列数据中包含L个采样数据点，即快拍数，L为大于等于M的自然数。

步骤3：基于L个采样数据点，计算并存储每个阵列的协方差矩阵。

步骤4：利用MUSIC算法对目标进行直接定位，得到目标估计位置

步骤5：将目标估计位置输入到已训练好的神经网络，得到修正后的目标位置

如图6所示，这是一个四个阵列观测站的定位场景示意图。观测站均采用6元均匀线阵接收目标信号，间距为0.5λ(λ为目标信号波长)，观测站的位置坐标分别为(-3000m，0m)、(-1000m，0m)、(1000m，0m)和(3000m，0m)，定位区域选取为如图所示的矩形区域。信号带宽为6.5kHz，采样数据的快拍数L＝200。考虑阵列幅相误差的影响，各阵列幅相误差的具体数值如下表：

表1阵元幅度响应数值

阵元序号	1	2	3	4	5	6
							阵列1	1.00	0.94	1.02	0.96	0.87	0.85
阵列2	1.00	1.13	1.08	0.93	0.89	1.21
							阵列3	1.00	0.86	1.14	1.11	0.92	1.07
阵列4	1.00	1.08	0.94	0.87	1.14	1.09

表2阵元相位误差响应数值(度)

阵元序号	1	2	3	4	5	6
							阵列1	0.00	8.21	3.77	-5.43	11.03	-8.34
阵列2	0.00	-6.23	7.37	2.45	-9.53	10.73
							阵列3	0.00	4.67	10.52	-7.92	-5.48	6.32
阵列4	0.00	-8.34	5.73	9.82	-6.74	7.75

首先，在定位区域内每间隔500m放置一个校正源，如图7所示，圆点代表校正源，利用这些校正源可以得到一个用于训练多层感知器(MLP)神经网络的训练集。接着，在定位区域内随机选取50个测试样点，图8给出神经网络测试样点的位置及位置修正前后效果图。然后，随机选取一个目标位置，通过500次蒙特卡洛实验，图9给出了位置估计修正前后的均方根误差随着信噪比的变化曲线

从图8可以看出，本专利提出的基于神经网络的直接定位偏差修正方法是可行的，能够有效地学习由阵列幅相误差引起的目标估计位置和真实位置之间的规律，从而有效地修正定位偏差。从图9可以看出，相比与未修正的MUSIC直接定位结果，本专利公开的基于神经网络的直接定位偏差修正方法可以显著提高定位精度，并且随着信噪比的增大，修正效果越明显。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，包含如下内容：

A)在设定区域内布设多个校正源，针对每个校正源均得到一组校正源估计位置和真实位置信息；将所有校正源的估计位置和真实位置信息作为训练集，输入预设的多层感知器神经网络进行训练；得到训练后的多层感知器神经网络；

B)根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，将该位置估计输入到训练后的多层感知器神经网络，得到修正后的目标位置。

2.根据权利要求1所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，A)中多层感知器神经网络，包含输入层、输出层和介于输入层和输出层之间的多个隐藏层，每个隐藏层包含若干神经元。

3.根据权利要求1所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B)中根据采集到的含有目标位置信息的阵列信号来获取由阵列幅相误差引起具有偏差的位置估计，包含如下内容：

B1)根据Nyquist采样定理，从J个阵列观测站采集目标辐射的无线电信号数据，获得阵列信号时域数据，阵列数据中包含L个采样数据点，其中，每个阵列均含M通道的阵列天线接收系统，M为大于等于2的自然数，L为大于等于M的自然数；

B2)基于L个采样数据点，计算并存储每个阵列的协方差矩阵；

B3)结合每个阵列的协方差矩阵得到目标源位置估计。

4.根据权利要求3所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B3)中结合每个阵列的协方差矩阵得到目标源位置估计，具体包含如下内容：

B31)对每个阵列的协方差矩阵进行特征值分解，得到特征值对应的特征矢量；

B32)根据特征矢量获取信号子空间和噪声子空间；

B33)结合信号子空间和噪声子空间，构造MUSIC空间谱函数；

B34)对MUSIC空间谱函数进行谱峰搜索，得到目标源位置估计。

5.根据权利要求4所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B31)中，第j个阵列的协方差矩阵进行特征值分解中，是相应的M个特征值，其对应的特征矢量为其中，P为目标源信号个数。

6.根据权利要求5所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B32)中，P个大特征值所最对应的特征向量组成信号子空间M-P个小特征值所对应的特征向量组成噪声子空间

7.根据权利要求6所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B33)中，未知的源位置向量记为u，则MUSIC空间谱函数表示为：

其中，a_j(u)为源u对于第j个观测站的导向矢量。

8.根据权利要求7所述的阵列幅相误差条件下基于神经网络的直接定位偏差修正方法，其特征在于，B34)中，通过谱峰搜索，目标源位置估计表示为：

<mrow> <msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mrow> <mi>M</mi> <mi>U</mi> <mi>S</mi> <mi>I</mi> <mi>C</mi> </mrow> </msub> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi>max</mi> </mrow> <mi>u</mi> </munder> <msub> <mi>L</mi> <mrow> <mi>M</mi> <mi>U</mi> <mi>S</mi> <mi>I</mi> <mi>C</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow>