CN108169708A - 模块化神经网络的直接定位方法 - Google Patents

Abstract

本发明涉及一种模块化神经网络的直接定位方法，包含：将设定的定位区域划分为多个区间，每个区间内设置用于检测区间是否存在信号的多层感知器神经网络和用于目标位置估计的径向基神经网络；根据阵列天线接收系统采集的阵列信号数据获取多层感知器神经网络和径向基神经网络的输入数据；将输入数据带入多层感知器神经网络，根据多层感知器神经网络测试输出结果激活相应区间的径向基神经网络，并将输入数据带入径向基神经网络，根据径向基神经网络测试输出结果实现区间内目标位置估计。本发明克服传统直接定位方法运算量大等缺点，实时地估计出目标位置，具有更高的算法稳健性，提高定位精度，性能稳定、可靠，且高效，具有较好市场价值。

Description

模块化神经网络的直接定位方法

技术领域

本发明属于无线电信号定位技术领域，特别涉及一种模块化神经网络的直接定位方法。

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。在实际场景中，主要有两种方式实现无源定位，一种是每个侧向站将所估计到的参数，如到达时间(Time of Arrival，TOA)、到达角度(Direction of Arrival，DOA)等参数汇总到中心站进行定位解算，即“两步定位”模式；另一种是各站将采集的信号汇总到中心站进行定位解算，即“直接定位”模式。前者具有算法相对简单等优点，而后者从信号采集数据域中直接估计目标的位置参数，其定位精度要高于传统的两步定位模式，并且可以避免两步定位参数估计中的门限效应。在多站定位条件下，直接定位方法要求将各个观测站的信号采集数据传递至中心站，中心站在信号数据域实现目标位置参数的直接估计。由于大量的多个站的原始数据，导致现有算法，无论是最大似然(LM)类算法还是多重信号分类(MISIC)类算法计算复杂度高，不利于目标位置的实时估计。而且现在算法对模型依赖度高，在阵列误差存在的条件下定位精度受限。

当前，由于神经网络具有强大的分类以及数据拟合能力，相关学者已经在在DOA(direction of arrival)估计方面提出了相应的神经网络算法，并且能够达到很高的测向精度，且相比于传统方法具有更高的稳健性以及更少的计算时间。目前，将神经网络方法运用到直接定位中的研究较少。若在直接定位中应用神经网络方法，不仅能够减少计算时间，还能够学习到模型以外的一些对定位精度产生影响的规律，例如阵列误差、非高斯噪声等，从而提高与模型不完全匹配条件下的定位精度。

发明内容

针对目前基于多个观测站的目标定位场景由于阵列误差存在下目标定位精度不高等问题，本发明提供一种模块化神经网络的直接定位方法，能够克服传统直接定位方法运算量大等缺点，实时地估计出目标位置，并且相比于传统直接定位方法具有更高的算法稳健性，提高定位精度。

按照本发明所提供的设计方案，一种模块化神经网络的直接定位方法，包含如下内容：

A)将设定的定位区域划分为多个区间，每个区间内设置一个用于检测区间是否存在信号的多层感知器神经网络和一个用于目标位置估计的径向基神经网络；

B)根据阵列天线接收系统采集的阵列信号数据，获取多层感知器神经网络和径向基神经网络的输入数据；

C)将输入数据带入多层感知器神经网络，若多层感知器神经网络测试输出结果满足径向基神经网络激活条件，则激活相应区间的径向基神经网络，并将输入数据带入径向基神经网络，根据径向基神经网络测试输出结果实现区间内目标位置估计。

上述的，A)中，预先通过采集到的样本数据对多层感知器神经网络和径向基神经网络进行训练，使两者统计性能均达到预先设定标准。

优选的，A)中径向基神经网络训练中，采用无监督学习初始化隐藏层中固有参数，具体采用期望最大方法确定高斯激活函数的中心和宽度采用监督学习(例如莱文贝格－马夸特算法)确定权重W；最初的隐藏层不包含神经元，每次训练添加一个神经元，每增加一个神经元，则重复无监督学习和监督学习，直到径向基神经网络训练输出的均方误差达到预先设定标准，或者隐藏层神经元个数达到预先设定的最大值。

上述的，B)中根据阵列天线接收系统采集的阵列信号数据获取多层感知器神经网络和径向基神经网络的输入数据，包含如下内容：

B1)根据Nyquist采样定理，从P通道阵列天线接收系统采集目标辐射的无线电信号时域数据，获得阵列信号时域数据，阵列信号时域数据中包含L个采样数据点，P为大于等于2的自然数，L为大于等于P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(假设共有N个阵列)；

B3)将每个阵列的协方差矩阵进行降维，并联合所有阵列降维后的协方差矩阵组成新的向量，对该向量进行归一化处理，得到神经网络的输入向量。

优选的，B1)中，假设有D个(待定位)目标源，其位置向量为{u_i}_1≤i≤D，第n个阵列天线所接收到的信号时域数据表示为：xⁿ(t)＝Aⁿsⁿ(t)+nⁿ(t)，其中，Aⁿ＝[aⁿ(u₁),aⁿ(u₂),…,aⁿ(u_D)]为阵列流形矩阵，维度为M×P，其列向量是M维导向矢量，第i个信号源到达第n个阵列在时刻t的复包络，aⁿ(u_i)为针对第n个观测站而言第i信号的导向矢量，nⁿ(t)为第n个观测站在时刻t的背景噪声。

优选的，B2)中，第n个阵列的协方差矩阵表示为：

优选的，B3)中，将所有阵列的协方差矩阵的第一排组合成向量：

并将b中每个元素的实部和虚部提取出来重新组成，形成(2M-1)N维向量：

将其归一化处理得神经网络的输入向量：

上述的，C)中，多层感知器神经网络测试输出结果为0和1，其中，0代表区间内无信号源，1代表区间内有信号源；当多层感知器神经网络测试输出结果为1时，则判定满足径向基神经网络激活条件。

本发明的有益效果：

相比于传统的MUSIC直接定位算法，本发明提供的直接定位方法将定位区域划分为多个区间，针对每个特定的区间，预先训练一个多层感知器(MLP)神经网络用于检测区间内是否存在信号源，以及一个径向基(RBF)神经网络用于完成目标位置估计；将获得的阵列信号时域数据进行处理，得到每个阵列的协方差矩阵，通过对所有阵列的协方差矩阵进行降维、联合、归一化等操作，得到神经网络的输入向量；将输入向量输入到所构造的模块化神经网络，实现对目标的精确定位。基于模块化神经网络实现，能够显著地提高阵列误差存在的情况下目标的定位精度，且无需其他的先验信息；避免了高计算复杂度的特征值分解以及谱峰搜索等过程，性能可靠、运算高效，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为本发明中获取模块化神经网络输入数据流程示意图；

图3为实施例中多层感知器神经网络示意图；

图4为实施例中径向基神经网络示意图；

图5为实施例中模块化神经网络直接定位原理示意图；

图6为实施例中模块化神经网络直接定位原理框图；

图7为实施例中观测站定位场景示意图；

图8-1为实施例中模块化神经网络训练样本及分区示意图；

图8-2为实施例中模块化神经网络测试样本及定位效果图；

图9为实施例中多层感知器神经网络检测准确率随信噪比变化曲线；

图10为实施例中存在阵列误差时本发明与传统MUSIC直接定位两种方法位置估计均方根误差随信噪比的变化曲线。

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。

直接定位中应用神经网络方法，不仅能够减少计算时间，还能够学习到模型以外的一些对定位精度产生影响的规律，例如阵列误差、非高斯噪声等，从而提高与模型不完全匹配条件下的定位精度。针对阵列误差存在的条件下目标定位精度不高的问题，本发明实施例一，参见图1所示，一种模块化神经网络的直接定位方法，包含如下内容：

101)将设定的定位区域划分为多个区间，每个区间内设置一个用于检测区间是否存在信号的多层感知器神经网络和一个用于目标位置估计的径向基神经网络；

102)根据阵列天线接收系统采集的阵列信号数据，获取多层感知器神经网络和径向基神经网络的输入数据；

103)将输入数据带入多层感知器神经网络，若多层感知器神经网络测试输出结果满足径向基神经网络激活条件，则激活相应区间的径向基神经网络，并将输入数据带入径向基神经网络，根据径向基神经网络测试输出结果实现区间内目标位置估计。

无需任何包括背景噪声在内的先验信息，通过对神经网络预训练，然后利用多个阵列观测站接收数据直接估计目标位置参数。首先，我们将感兴趣的定位区域划分为多个区间，针对每个特定的区间，预先训练一个多层感知器(MLP)神经网络用于检测区间内是否存在信号源，以及一个径向基(RBF)神经网络用于完成目标位置估计。接着，我们将获得的阵列信号时域数据进行处理，得到每个阵列的协方差矩阵，然后通过对所有阵列的协方差矩阵进行降维、联合、归一化等操作，得到神经网络的输入向量z。最后将向量z输入到所构造的模块化神经网络，实现对目标的精确定位。通过本实施例的方案，能够显著提高目标的定位精度，可靠性高，具有较强的实际应用价值。

神经网络是由大量处理单元广泛互联而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征，模拟神经网络行为特征，进行分布式并行信息处理的算法数学模型；其网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，达到处理信息的目的。神经网络中训练阶段和测试阶段中的训练集和测试集用于智能系统、机器学习、遗传编程和统计。本发明的另一个实施例中，预先通过采集到的样本数据对多层感知器神经网络和径向基神经网络进行训练，使两者统计性能均达到预先设定标准。优选的，径向基神经网络训练中，采用无监督学习初始化隐藏层中固有参数，具体采用期望最大方法确定高斯激活函数的中心和宽度采用监督学习(例如莱文贝格－马夸特算法)确定权重W；最初的隐藏层不包含神经元，每次训练添加一个神经元，每增加一个神经元，则重复无监督学习和监督学习，直到径向基神经网络训练输出的均方误差达到预先设定标准，或者隐藏层神经元个数达到预先设定的最大值。

天线系统由发射天线和接收天线组成，前者是将导行波模式的射频电流或电磁波变换成扩散波模式的空间电磁波的传输模式转换器；后者是其逆变换的传输模式转换器。本发明的再一个实施例中，根据阵列天线接收系统采集的阵列信号数据获取多层感知器神经网络和径向基神经网络的输入数据，如图2所示，包含如下内容：

201)根据Nyquist采样定理，从P通道阵列天线接收系统采集目标辐射的无线电信号时域数据，获得阵列信号时域数据，阵列信号时域数据中包含L个采样数据点，P为大于等于2的自然数，L为大于等于P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(假设共有N个阵列)；

203)将每个阵列的协方差矩阵进行降维，并联合所有阵列降维后的协方差矩阵组成新的向量，对该向量进行归一化处理，得到神经网络的输入向量。

多层感知器MLP(Multi-layer Perceptron)，参见图3所示，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。径向基网络结构如图4所示，其中包括输入层、隐藏层以及输出层共计3层，隐藏层中的径向基函数采用高斯核函数，其表达式为

式中，u表示神经网络的输入向量；μ_j表示径向基函数的中心；σ_j表示径向基函数的宽度参数；该网络的输出表达式为

径向基神经网络需要学习的参数包括{μ_j}、{σ_j}以及{w_ji}。本发明的再一个实施例中，在检测阶段，每个多层感知器(MLP)神经网络的训练过程如下：构造输入、输出对，输入为向量z，输出为0和1,0代表该区间内无信号源，1代表该区间内存在信号源，并将它们以4:1的比例分成训练集与测试集；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，该算法具有很好的泛化性能且能防止过拟合；利用测试集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。在位置估计阶段，每个径向基RBF神经网络的训练过程如下：构造输入、输出对，输入为向量z，输出为该区间内信号源的位置，并将它们以4:1的比例分成训练集与测试集；输入训练集，采用无监督学习与监督学习相结合的方式对网络进行训练，无监督学习主要用于初始化隐层中的一些固有参数，采用期望最大(EM)算法用于确定高斯激活函数的中心和宽度为了确定权重W，采用一种监督学习策略——莱文贝格－马夸特(LM)算法；其中，最初，网络的隐层不包含神经元，每次只添加一个神经元，每增加一个神经元，将重复无监督学习和监督学习，直到网络输出的均方误差(MSE)达到预先设定的标准，或者隐藏层神经个数达到预先设定的最大值。利用测试集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。

假设有D个(待定位)目标源，其位置向量为{u_i}_1≤i≤D，第n个阵列天线所接收到的信号时域模型为：

其中，为第i个信号源到达第n个阵列在时刻t的复包络，aⁿ(u_i)为针对第n个观测站而言第i信号的导向矢量，nⁿ(t)为第n个观测站在时刻t的背景噪声，假设它为空间白噪声且与信号不相关，其协方差矩阵为写成矩阵形式为：

xⁿ(t)＝Aⁿsⁿ(t)+nⁿ(t)，

式中，Aⁿ＝[aⁿ(u₁),aⁿ(u₁),…,aⁿ(u_D)]为阵列流形矩阵，维度为M×D，其列向量是M维导向矢量，

第n个阵列的协方差矩阵为：

对协方差矩阵进行降维处理。对于均匀线阵，当源互不相关时，协方差矩阵从第二行开始的每个元素都是第一行元素的线性组合，即协方差矩阵的第一排足以代表整个协方差矩阵。将所有阵列的协方差矩阵的第一排组合成向量：

由于神经网络不能直接处理复数，可以将b中每个元素的实部和虚部提取出来重新组成，形成(2M-1)N维向量：

将其归一化得：

将向量z同时输入到检测阶段中已经训练好的各个多层感知器(MLP)神经网络，将网络输出的结果0或1输入到下一阶段的神经网络。根据前一阶段的网络输出结果来判决是否激活对应区间内的径向基(RBF)神经网络，若前一阶段的网络输出结果为0，则相对于的径向基(RBF)神经网络处于冻结状态，若前一阶段的网络输出结果为1，则相对于的径向基(RBF)神经网络被激活，用于估计该区间内信号源的位置。

为验证本发明的有效性，通过模块化神经网络的直接定位的具体试验示例进行说明，参见图5和6所示，每个观测站安装天线阵列，每个观测站会将数据传输至中心站，中心站将各阵列接受到的时域数据进行协方差矩阵的计算、降维等预处理，然后将处理完的数据分别输入到检测阶段以及位置估计阶段的已经训练好的神经网络中，即可得到准确的目标位置参数，试验过程具体包括如下内容：

步骤1：将感兴趣的定位区域被划分为多个区间，针对每个特定的区间，一个多层感知器(MLP)被训练用于检测该区间内是否存在信号，而另一个径向基(RBF)神经网络被训练用于目标位置的估计。

步骤2：根据据Nyquist采样定理，从P通道阵列天线接收系统采集目标辐射的无线电信号数据，P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P的自然数。

步骤3：基于L个采集数据点，计算并存储每个阵列的协方差矩阵(假设共有N个阵列)。

步骤4：将每个阵列的协方差矩阵进行降维处理，并联合所有阵列的降维后的协方差矩阵组成新的向量，并对该向量进行归一化处理，得到神经网络的输入向量z。

步骤5：将向量z输入到检测阶段的各个多层感知器(MLP)神经网络，将网络输出的结果0或1输入到下一阶段的神经网络。

步骤6：当前一阶段的神经网络输出为1时，该阶段相应区间的径向基(RBF)神经网络被激活,并通过输入向量z来实现目标的位置估计。

如图7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元均匀线阵接受目标信号，间距为0.5λ(λ为目标信号波长)，观测站的位置坐标分别为(500m，500m)、(2100m，500m)、(2100m，2100m)和(500m，2100m)，感兴趣的定位区域是如图所示的矩形区域。信号带宽为5kHz，采样数据的快拍数L＝200。下面将本专利公开的基于模块化神经网络的直接定位方法与传统的MUSIC直接定位方法的性能进行比较，

首先，将性噪比固定为20dB,如图8-1所示，将感兴趣的定位区域划分成如图的四个区间，圆点代表我们用于训练神经网络的训练样本点，图8-2给出了测试样本点以及利用本专利公开的直接定位方法估计得到的目标位置。图9给出了本专利公开的直接定位方法中检测阶段多层感知器(MLP)神经网络的检测准确率随性噪比的变化曲线。图10给出了当存在阵列误差(0.2dB的幅度误差和正负10°的相位差)时，两种方法所得到的位置估计均方根误差随着信噪比的变化曲线。表1给出了信噪比为30dB时，两种方法的运行时间。

从图4-2可以得出，本专利提出的基于模块化神经网络的直接定位方法是可行的，且具有较高的定位精度。从图5可以看出，本专利公开的直接定位方法中多层感知器(MLP)神经网络具有强大的分类功能，当信噪比达到10dB以上，检测的准确率接近100％。从图6可以看出，当存在阵列误差时，随着信噪比的增加，传统的MUSIC有大约10m的恒定的均方根误差，而本专利公开的模块化神经网络直接定位方法能够克服由于阵列误差带来的定位误差，达到很高的定位精度；运算复杂度及效率见表1所示。

表1运算时间的比较

从表1可以看出，而本专利公开的模块化神经网络直接定位方法完成一次定位只需不到1秒的时间，相比与传统的MUSIC算法具有更好的实时处理效能。进一步验证，本发明能够克服传统的直接定位方法运算量大的缺点，能够实时地估计出目标位置；并且相比于传统的直接定位方法具有更高的算法稳健性，即能够学习模型以外的不可控的规律，进而提高定位精度。

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)

1.一种模块化神经网络的直接定位方法，其特征在于，包含如下内容：

A)将设定的定位区域划分为多个区间，每个区间内设置一个用于检测区间是否存在信号的多层感知器神经网络和一个用于目标位置估计的径向基神经网络；

B)根据阵列天线接收系统采集的阵列信号数据，获取多层感知器神经网络和径向基神经网络的输入数据；

C)将输入数据带入多层感知器神经网络，若多层感知器神经网络测试输出结果满足径向基神经网络激活条件，则激活相应区间的径向基神经网络，并将输入数据带入径向基神经网络，根据径向基神经网络测试输出结果实现区间内目标位置估计。

2.根据权利要求1所述的模块化神经网络的直接定位方法，其特征在于，A)中，预先通过采集到的样本数据对多层感知器神经网络和径向基神经网络进行训练，使两者统计性能均达到预先设定标准。

3.根据权利要求2所述的模块化神经网络的直接定位方法，其特征在于，A)中径向基神经网络训练中，采用无监督学习初始化隐藏层中固有参数，具体采用期望最大方法确定高斯激活函数的中心和宽度采用监督学习方法确定权重W；最初的隐藏层不包含神经元，每次训练添加一个神经元，每增加一个神经元，则重复无监督学习和监督学习，直到径向基神经网络训练输出的均方误差达到预先设定标准，或者隐藏层神经元个数达到预先设定的最大值。

4.根据权利要求1所述的模块化神经网络的直接定位方法，其特征在于，B)中根据阵列天线接收系统采集的阵列信号数据获取多层感知器神经网络和径向基神经网络的输入数据，包含如下内容：

B1)根据Nyquist采样定理，从P通道阵列天线接收系统采集目标辐射的无线电信号时域数据，获得阵列信号时域数据，阵列信号时域数据中包含L个采样数据点，P为大于等于2的自然数，L为大于等于P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)将每个阵列的协方差矩阵进行降维，并联合所有阵列降维后的协方差矩阵组成新的向量，对该向量进行归一化处理，得到神经网络的输入向量。

5.根据权利要求4所述的模块化神经网络的直接定位方法，其特征在于，B1)中，假设有D个待定位目标源，其位置向量为{u_i}_1≤i≤D，第n个阵列天线所接收到的信号时域数据表示为：xⁿ(t)＝Aⁿsⁿ(t)+nⁿ(t)，其中，Aⁿ＝[aⁿ(u₁),aⁿ(u₂),…,aⁿ(u_D)]为阵列流形矩阵，维度为M×D，其列向量是M维导向矢量， 第i个信号源到达第n个阵列在时刻t的复包络，aⁿ(u_i)为针对第n个观测站而言第i信号的导向矢量，nⁿ(t)为第n个观测站在时刻t的背景噪声。

6.根据权利要求5所述的模块化神经网络的直接定位方法，其特征在于，B2)中，第n个阵列的协方差矩阵表示为：

N表示阵列总数。

7.根据权利要求6所述的模块化神经网络的直接定位方法，其特征在于，B3)中，将所有阵列的协方差矩阵的第一排组合成向量：

并将b中每个元素的实部和虚部提取出来重新组成，形成(2M-1)N维向量：

将其归一化处理得神经网络的输入向量：

8.根据权利要求1所述的模块化神经网络的直接定位方法，其特征在于，C)中，多层感知器神经网络测试输出结果为0和1，其中，0代表区间内无信号源，1代表区间内有信号源；当多层感知器神经网络测试输出结果为1时，则判定满足径向基神经网络激活条件。