CN108182474B - 基于未校正阵列和神经网络的多目标直接定位方法 - Google Patents

基于未校正阵列和神经网络的多目标直接定位方法 Download PDF

Info

Publication number
CN108182474B
CN108182474B CN201711445739.3A CN201711445739A CN108182474B CN 108182474 B CN108182474 B CN 108182474B CN 201711445739 A CN201711445739 A CN 201711445739A CN 108182474 B CN108182474 B CN 108182474B
Authority
CN
China
Prior art keywords
array
matrix
target
uncorrected
vectors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711445739.3A
Other languages
English (en)
Other versions
CN108182474A (zh
Inventor
王鼎
于宏毅
杨宾
吴志东
唐涛
张莉
尹洁昕
陈鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN201711445739.3A priority Critical patent/CN108182474B/zh
Publication of CN108182474A publication Critical patent/CN108182474A/zh
Application granted granted Critical
Publication of CN108182474B publication Critical patent/CN108182474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于未校正阵列和神经网络的多目标直接定位方法，包含：在不同离散坐标点处放置单个信号源(位置已知)，建立未校正阵列流形响应的样本库；未校正阵列采集目标信号源数据，估计其阵列流形矩阵；利用样本库对阵列流形矩阵中的列向量进行自动配对，将对应于相同目标的阵列流形向量归为同一组，合并成高维度数据向量，确定每个目标所处的大致区域；利用每个目标位置的大致区域所对应的数据样本训练径向基神经网络，将每个目标所对应的高维数据向量作为神经网络的输入，神经网络的输出即为该目标的位置估计。本发明可以避免对天线阵列进行校正及网格搜索所导致的庞大运算量，具有较强的实际应用价值，性能稳定、可靠，且高效。

Description

基于未校正阵列和神经网络的多目标直接定位方法
技术领域
本发明属于无线电信号定位技术领域，特别涉及一种基于未校正阵列和神经网络的多目标直接定位方法。
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非常重要的意义，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十分重要的应用。根据观测站数目进行划分可以将无线电信号定位体制分为单站定位和多站定位两大类，这两类定位体制各有其自身优势。具体来说，单站定位系统具有灵活性高、机动性好、系统简洁、无需信息同步和信息传输等优点，而多站定位系统则能够提供更多观测量，有助于获得更高的定位精度。
在多站定位系统中，一种较常用的定位技术是多站测向交汇定位，即每个观测站安装天线阵列用于对目标信号源进行测向，然后中心站利用各站测向结果对目标进行定位。这种定位技术属于两步估计定位模式，即先从信号数据中估计定位参数(例如方位、时差等)，然后再基于这些参数估计目标位置坐标。虽然这种两步估计定位模式应用广泛，但是根据信息处理的理论可知，两步估计定位模式难以获得统计最优的定位精度，这是因为从原始信号数据到最终的估计结果之间每增加一步信息处理环节，就会引入一些不确定性，从而损失部分信息，并且影响最终的定位精度(尤其在低信噪比条件下该问题尤为突出)。为了克服两步估计定位模式的缺点，一种较好的措施是采用单步定位(亦称直接定位)模式，即从信号数据域中直接提取目标的位置参数，而无需估计其它的中间参数，这一定位思想最早是由以色列学者A.J.Weiss和A.Amar所提出的。在测向定位体制中，B.Demissie和M.Oispuu等学者提出了基于子空间融合的直接定位方法，该方法无需各个观测站获得测向结果，属于单步定位模式，能够取得较高的估计精度。然而，该方法存在两个缺点。首先，该方法要求各个观测站的阵列已被精确校正，也就是说各个观测站的阵列流形的数学模型精确已知；其次，该方法需要通过网格搜索获得目标的位置估计，其计算量相对较大，并不利于实时定位。
发明内容
针对多目标定位存在计算量大、不利于实时定位等问题，本发明提供一种基于未校正阵列和神经网络的多目标直接定位方法，不仅可以避免对天线阵列进行校正，还可以避免网格搜索所导致的庞大运算量。
按照本发明所提供的设计方案，一种基于未校正阵列和神经网络的多目标直接定位方法，包含如下内容：
A)在待测区域内选取多个离散坐标点，在离散坐标点处分别放置位置已知的单个信号源，通过未校正阵列采集单个信号源，获取用于建立阵列流形响应的学习样本库；
B)通过未校正阵列采集目标信号源数据，并估计阵列流形矩阵；
C)通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，将对应于相同目标的阵列流形向量归为同一组，并合并成高纬度数据向量，确定每个目标所处的预估区域；
D)利用每个目标所述的预估区域所对应的学习样本库数据训练径向基神经网络，径向基神经网络包括输入层、隐藏层以及输出层，其中，输入层的神经元个数等于每个数据样本的维数，输出层的神经元个数等于目标位置坐标的维数；
E)将每个目标所对应的高纬度数据向量作为训练后的径向基神经网络输入，该径向基神经网络输出即为目标所对应的位置估计。
上述的，A)中具体包含如下步骤：
A1)在待测区域内选取M个离散坐标点，将单个窄带信号源分时放置在离散坐标点处，通过L个未校正阵列采集该窄带信号源数据，每个阵列分别构造其输出协方差矩阵，其中，每个离散坐标点对应L个协方差矩阵；
A2)针对每个离散坐标点，分别对其对应的L个协方差矩阵进行特征分解，并选出每个矩阵最大特征值对应的特征向量，得到L个特征向量，将该L个特征向量合并成用于作为学习样本的一组高纬度列向量；针对M个离散坐标点，共形成M组学习样本，存储至样本库中。
上述的，B)中，利用A1中L个未校正阵列采集D个目标源信号数据，每个阵列分别构造其输出的协方差矩阵，得到L个协方差矩阵；针对每个协方差矩阵分别估计其相应的阵列流形矩阵，得到L个阵列流形矩阵。
优选的，A1)中，将第m个离散坐标点的位置向量记为
Figure BDA0001527480050000031
第l个未校正阵列在构建学习样本库阶段的输出响应为：
Figure BDA0001527480050000032
，
其中，
Figure BDA0001527480050000033
表示阵列流形响应，其维度设为Nl；
Figure BDA0001527480050000034
表示窄带信号源到达第l个阵列的复包络；
Figure BDA0001527480050000035
表示第l个阵列上的高斯噪声，则第l个未校正阵列对应于坐标点
Figure BDA0001527480050000036
所构造的协方差矩阵
Figure BDA0001527480050000037
表示为：
Figure BDA0001527480050000038
,
K(c)表示采样点数。
优选的，B)中，将D个目标信号源的位置向量记为{pd}1≤d≤D，第l个未校正阵列的输出协方差矩阵为：
Figure BDA0001527480050000039
,
Sl＝E[sl(t)(sl(t))H]表示信号源到达第l个阵列的协方差矩阵；
Figure BDA00015274800500000310
表示第l个阵列的噪声功率，
Figure BDA00015274800500000311
表示Nl阶单位矩阵，
Figure BDA00015274800500000312
xl(t)表示第l个未校正阵列在目标定位阶段的输出响应，al(pd)表示对应于第d个目标源的阵列流形向量，其维度设为Nl；sl(t)＝[s1,l(t) s2,l(t) … sD,l(t)]T表示信号复包络向量，sd,l(t)为第d个目标信号源到达第l个阵列的复包络，εl(t)表示第l个阵列上的加性噪声；Al＝[al(p1) al(p2) … al(pD)]表示第l个阵列流形矩阵，对于未校正阵列，阵列流形矩阵表示为：
Al＝GlHl，
Gl为对角矩阵，其对角元素表示每个阵元的复增益，矩阵Hl中的元素幅度均为1，其包含矩阵Al的相位信息；通过采样得到Xl其一致估计值
Figure BDA0001527480050000041
根据
Figure BDA0001527480050000042
对该估计值的矩阵进行特征分解，则得到矩阵Xl的D个大特征值对应的单位特征向量Ul、矩阵Xl的Nl-D个小特征值对应的单位特征向量Vl、由矩阵Xl的D个大特征值所构成的对角矩阵Σl的一致估计值，分别记为
Figure BDA0001527480050000043
以及
Figure BDA0001527480050000044
优选的，B)中利用协方差矩阵的采样值
Figure BDA0001527480050000045
估计阵列流形矩阵Al的步骤如下：
B1)设置收敛门限ε，令k:＝1，并设置初始值
Figure BDA0001527480050000046
以及
Figure BDA0001527480050000047
B2)对协方差矩阵
Figure BDA0001527480050000048
进行特征分解得到矩阵
Figure BDA0001527480050000049
和
Figure BDA00015274800500000410
并构造矩阵
Figure BDA00015274800500000411
B3)对矩阵
Figure BDA00015274800500000412
进行奇异值分解，其左、右奇异矩阵分别等于
Figure BDA00015274800500000413
和
Figure BDA00015274800500000414
并且构造矩阵
Figure BDA00015274800500000415
B4)计算
Figure BDA00015274800500000416
其中，
Figure BDA00015274800500000417
表示矩阵
Figure BDA00015274800500000418
的第n行的转置，
Figure BDA00015274800500000419
表示矩阵
Figure BDA00015274800500000420
的第n行的转置；
B5)计算
Figure BDA00015274800500000421
其中，
Figure BDA00015274800500000422
表示矩阵
Figure BDA00015274800500000423
的第d列，
Figure BDA00015274800500000424
表示矩阵
Figure BDA00015274800500000425
的第d列；
B6)计算
Figure BDA00015274800500000426
B7)若
Figure BDA00015274800500000427
则停止迭代，否则令k:＝k+1，并转至步骤B3。
优选的，C)中通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，包含如下内容：
C1)将每个阵列流形矩阵中的D个阵列流形向量标注序号，分别为1～D，其中第l个阵列流形矩阵中的列向量分别记为{al(1),al(2),…,al(D)}1≤l≤L；
C2对于d＝1,2,…,D-1依次进行如下计算：
a)将第1个阵列流形矩阵中的第d个列向量挑选出来，记为a1(d)，依次从其它阵列流形矩阵中挑选出一个列向量，分别记为a2(i2),a3(i3),…,aL(iL)，其中，1≤i2,i3,…,iL≤D表示向量序号，共有(D-d+1)L-1种组合；
b)对于每一种组合利用学习样本库进行如下计算：
Figure BDA0001527480050000051
得到最优的序号为
Figure BDA0001527480050000052
c)将最优序号对应的阵列流形向量
Figure BDA0001527480050000053
与a1(d)归为同一组数据，并且将它们从各自的阵列矩阵中剔除出去；
C3每个阵列流形矩阵中最后剩余的列向量自动形成一组数据；
C4将每一组数据合并成一个高维数据向量，得到D个高维数据向量。
优选的，D)中，隐藏层中的径向基函数采用高斯核函数，其表达式为
Figure BDA0001527480050000054
，
其中，u表示神经网络的输入向量；μj表示径向基函数的中心；ρj表示径向基函数的宽度参数；网络输出层的输出表达式为
Figure BDA0001527480050000061
，
径向基神经网络需要学习的参数包括{μj}、{ρj}以及{wji}。
本发明的有益效果：
相比于传统的多站测向交汇定位方法，本发明在不同离散坐标点处放置单个信号源(其位置已知)，用于建立未校正阵列流形响应的样本库；各个未校正阵列采集(待定位)目标信号源数据，并基于此估计其阵列流形矩阵；利用建立的样本库对不同阵列流形矩阵中的列向量进行自动配对，将对应于相同目标的阵列流形向量归为同一组，从而合并成一个具有更高维度的数据向量，并且基于该高维数据向量以及样本库确定每个目标所处的大致区域；利用每个目标位置的大致区域所对应的数据样本训练径向基神经网络，并且将每个目标所对应的高维数据向量作为神经网络的输入，神经网络的输出即为该目标的位置估计；避免阵列误差对定位精度的影响以及网格搜索所导致的庞大运算量，能够在阵列误差存在条件下提高多目标的定位精度，并且可以避免已有直接定位方法所需要的网格搜索运算，从而能够有效降低实时定位的运算量，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为本发明中获取学习样本库流程示意图；
图3为实施例中学习样本库中一组数据样本示意；
图4为实施例中径向基神经网络示意图；
图5为实施例中的多目标直接定位原理框图；
图6为实施例中目标定位实例场景示意图；
图7为实施例中阵列流形向量配对成功概率随着信噪比变化曲线；
图8为实施例中径向基神经网络学习样本和测试结果示意图；
图9为实施例中目标定位均方误差随着信噪比的变化曲线。
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。
用于解决多目标定位问题，避免阵列误差对定位精度的影响以及网格搜索所导致的庞大运算量，本发明实施例一，参见图1所示，一种基于未校正阵列和神经网络的多目标直接定位方法，包含如下内容：
101)在待测区域内选取多个离散坐标点，在离散坐标点处分别放置位置已知的单个信号源，通过未校正阵列采集单个信号源，获取用于建立阵列流形响应的学习样本库；
102)通过未校正阵列采集目标信号源数据，并估计阵列流形矩阵；
103)通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，将对应于相同目标的阵列流形向量归为同一组，并合并成高纬度数据向量，确定每个目标所处的预估区域；
104)利用每个目标所述的预估区域所对应的学习样本库数据训练径向基神经网络，径向基神经网络包括输入层、隐藏层以及输出层，其中，输入层的神经元个数等于每个数据样本的维数，输出层的神经元个数等于目标位置坐标的维数；
105)将每个目标所对应的高纬度数据向量作为训练后的径向基神经网络输入，该径向基神经网络输出即为目标所对应的位置估计。
首先，在不同离散坐标点处放置单个信号源(其位置已知)，用于建立未校正阵列流形响应的样本库；然后，各个未校正阵列采集(待定位)目标信号源数据，并基于此估计其阵列流形矩阵；接着，利用建立的样本库对不同阵列流形矩阵中的列向量进行自动配对，将对应于相同目标的阵列流形向量归为同一组，从而合并成一个具有更高维度的数据向量，并且基于该高维数据向量以及样本库确定每个目标所处的大致区域；最后，利用每个目标位置的大致区域所对应的数据样本训练径向基神经网络，并且将每个目标所对应的高维数据向量作为神经网络的输入，神经网络的输出即为该目标的位置估计；不仅可以避免对天线阵列进行校正，还可以避免网格搜索所导致的庞大运算量，性能稳定、可靠，且高效，具有较强的实际应用价值。
上述的，在离散坐标点处分别放置位置已知的单个信号源，通过未校正阵列采集单个信号源，获取用于建立阵列流形响应的学习样本库，参见图2所示，本发明另一个实施例中学习样本库的获取包含如下内容：
201)在待测区域内选取M个离散坐标点，将单个窄带信号源分时放置在离散坐标点处，通过L个未校正阵列采集该窄带信号源数据，每个阵列分别构造其输出协方差矩阵，其中，每个离散坐标点对应L个协方差矩阵；
202)针对每个离散坐标点，分别对其对应的L个协方差矩阵进行特征分解，并选出每个矩阵最大特征值对应的特征向量，得到L个特征向量，将该L个特征向量合并成用于作为学习样本的一组高纬度列向量；针对M个离散坐标点，共形成M组学习样本，存储至样本库中。
针对选定区域内的目标源采集，本发明的再一个实施例中，利用L个未校正阵列采集D个目标源信号数据，每个阵列分别构造其输出的协方差矩阵，得到L个协方差矩阵；针对每个协方差矩阵分别估计其相应的阵列流形矩阵，得到L个阵列流形矩阵。
针对离散坐标点出的单个窄带信号源的采集过程中，本发明的再一个实施例中，具体过程如下：将第m个离散坐标点的位置向量记为
Figure BDA0001527480050000081
第l个未校正阵列在构建学习样本库阶段的输出响应为：
Figure BDA0001527480050000082
，
其中，
Figure BDA0001527480050000083
表示阵列流形响应，其维度设为Nl；
Figure BDA0001527480050000084
表示窄带信号源到达第l个阵列的复包络；
Figure BDA0001527480050000085
表示第l个阵列上的高斯噪声，则第l个未校正阵列对应于坐标点
Figure BDA0001527480050000086
所构造的协方差矩阵
Figure BDA0001527480050000087
表示为：
Figure BDA0001527480050000088
，
K(c)表示采样点数。
对协方差矩阵
Figure BDA0001527480050000091
进行特征值分解，并将其最大特征值对应的特征向量记为
Figure BDA0001527480050000092
于是关于离散坐标点
Figure BDA0001527480050000093
样本库里构建的一组数据样本如图3所示，图中1≤m≤M，因此样本库里一共有M组学习样本。
将D个目标信号源的位置向量记为{pd}1≤d≤D，第l个未校正阵列的输出协方差矩阵为：
Figure BDA0001527480050000094
，
Sl＝E[sl(t)(sl(t))H]表示信号源到达第l个阵列的协方差矩阵；
Figure BDA0001527480050000095
表示第l个阵列的噪声功率，
Figure BDA0001527480050000096
表示Nl阶单位矩阵，
Figure BDA0001527480050000097
xl(t)表示第l个未校正阵列在目标定位阶段的输出响应，al(pd)表示对应于第d个目标源的阵列流形向量，其维度设为Nl；sl(t)＝[s1,l(t) s2,l(t) … sD,l(t)]T表示信号复包络向量，sd,l(t)为第d个目标信号源到达第l个阵列的复包络，εl(t)表示第l个阵列上的加性噪声；Al＝[al(p1) al(p2) … al(pD)]表示第l个阵列流形矩阵，对于未校正阵列，阵列流形矩阵表示为：
Al＝GlHl，
Gl为对角矩阵，其对角元素表示每个阵元的复增益，矩阵Hl中的元素幅度均为1，其包含矩阵Al的相位信息；通过采样得到Xl其一致估计值
Figure BDA0001527480050000098
根据
Figure BDA0001527480050000099
对该估计值的矩阵进行特征分解，则得到矩阵Xl的D个大特征值对应的单位特征向量Ul、矩阵Xl的Nl-D个小特征值对应的单位特征向量Vl、由矩阵Xl的D个大特征值所构成的对角矩阵Σl的一致估计值，分别记为
Figure BDA00015274800500000910
以及
Figure BDA00015274800500000911
优选的，利用协方差矩阵的采样值
Figure BDA00015274800500000912
估计阵列流形矩阵Al的步骤如下：
B1)设置收敛门限ε，令k:＝1，并设置初始值
Figure BDA00015274800500000913
以及
Figure BDA00015274800500000914
B2)对协方差矩阵
Figure BDA0001527480050000101
进行特征分解得到矩阵
Figure BDA0001527480050000102
和
Figure BDA0001527480050000103
并构造矩阵
Figure BDA0001527480050000104
B3)对矩阵
Figure BDA0001527480050000105
进行奇异值分解，其左、右奇异矩阵分别等于
Figure BDA0001527480050000106
和
Figure BDA0001527480050000107
并且构造矩阵
Figure BDA0001527480050000108
B4)计算
Figure BDA0001527480050000109
其中，
Figure BDA00015274800500001010
表示矩阵
Figure BDA00015274800500001011
的第n行的转置，
Figure BDA00015274800500001012
表示矩阵
Figure BDA00015274800500001013
的第n行的转置；
B5)计算
Figure BDA00015274800500001014
其中，
Figure BDA00015274800500001015
表示矩阵
Figure BDA00015274800500001016
的第d列，
Figure BDA00015274800500001017
表示矩阵
Figure BDA00015274800500001018
的第d列；
B6)计算
Figure BDA00015274800500001019
B7)若
Figure BDA00015274800500001020
则停止迭代，否则令k:＝k+1，并转至步骤B3。
优选的，通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，包含如下内容：
C1)将每个阵列流形矩阵中的D个阵列流形向量标注序号，分别为1～D，其中第l个阵列流形矩阵中的列向量分别记为{al(1),al(2),…,al(D)}1≤l≤L；
C2对于d＝1,2,…,D-1依次进行如下计算：
a)将第1个阵列流形矩阵中的第d个列向量挑选出来，记为a1(d)，依次从其它阵列流形矩阵中挑选出一个列向量，分别记为a2(i2),a3(i3),…,aL(iL)，其中，1≤i2,i3,…,iL≤D表示向量序号，共有(D-d+1)L-1种组合；
b)对于每一种组合利用学习样本库进行如下计算：
Figure BDA00015274800500001021
得到最优的序号为
Figure BDA0001527480050000111
c)将最优序号对应的阵列流形向量
Figure BDA0001527480050000112
与a1(d)归为同一组数据，并且将它们从各自的阵列矩阵中剔除出去；
C3每个阵列流形矩阵中最后剩余的列向量自动形成一组数据；
C4将每一组数据合并成一个高维数据向量，得到D个高维数据向量。
优选的，利用D个高维数据向量分别与样本库中的数据进行相关运算，并利用最大值对应的样本坐标确定每个目标位置的大致区域，然后利用每个区域所对应的学习样本对径向基神经网络进行训练。径向基网络结构如图3所示，包括输入层、隐藏层以及输出层共计3层，图中，其输入层的神经元个数等于每个数据样本的维数(即
Figure BDA0001527480050000113
)，输出层的神经元个数则等于目标位置坐标的维数，若是在二维平面中定位则输出层个数等于2，若是在三维空间中定位则输出层个数等于3，隐藏层中的径向基函数采用高斯核函数，其表达式为
Figure BDA0001527480050000114
，
其中，u表示神经网络的输入向量；μj表示径向基函数的中心；ρj表示径向基函数的宽度参数；网络输出层的输出表达式为
Figure BDA0001527480050000115
，
径向基神经网络需要学习的参数包括{μj}、{ρj}以及{wji}。
为验证本发明的有效性，通过本发明公开的基于未校正阵列和神经网络的多目标直接定位进行试验，以获得的实验数据来验证本发明的运算量及定位精度问题，如图5所示，具体试验步骤设计如下：
步骤1：在所感兴趣的区域内选取M个离散坐标点，并将单个窄带信号源分时放置在这些离散坐标点处，现有L个未经校正的阵列采集该窄带信号源数据，每个阵列分别构造其输出协方差矩阵，于是每个离散坐标点对应L个协方差矩阵。
步骤2：针对每个离散坐标点，分别对步骤1中建立的L个协方差矩阵进行特征分解，并且选出每个矩阵最大特征值对应的特征向量，从而得到L个特征向量，然后将这L个向量合并成一个具有更高维度的列向量作为一组学习样本，由于共有M个离散坐标点，因此样本库里一共有M组学习样本。
步骤3：利用步骤1中的L个未校正阵列采集D个(待定位)目标源信号数据，每个阵列分别构造其输出协方差矩阵，一共能够得到L个协方差矩阵，然后针对每个协方差矩阵分别利用“阵列流形盲估计算法”估计出相应的阵列流形矩阵，一共能获得L个阵列流形矩阵。
步骤4：利用步骤2中建立的学习样本库，将步骤3中获得的L个阵列流形矩阵中的列向量进行自动配对，将对应于相同目标的阵列流形向量归为同一组，并将其合并成一个具有更高维度的数据向量，由于需要对D个目标进行定位，因此一共可以形成D个高维数据向量。
步骤5：将步骤4所得到的D个高维数据向量分别与样本库中的数据进行相关运算，并利用最大值对应的样本坐标确定每个目标位置的大致区域，然后利用每个区域所对应的学习样本对径向基神经网络进行训练，由于共有D个目标，因此一共需要训练D个径向基神经网络。
步骤6：将步骤4所获得的D个高维数据向量分别输入到所对应的径向基神经网络中，每个神经网络的输出值即为相应目标的位置估计值。
如图6所示，这是一个定位实例示意图。假设有两个待定位目标，其位置坐标分别为(2.3km，6.4km)和(-2.3km，6.4km)，现有3个测向站对其进行定位，其位置坐标分别为(0km，0km)、(5km，0km)以及(-5km，0km)，每个测向站均安装5元均匀线阵，阵元间距等于半倍波长，这3个阵列均未经过误差校正，其中都存在幅相误差和阵元位置误差，具体数值如下表所示：
表1阵元幅度响应数值
未校正阵列序号 阵元1幅度 阵元2幅度 阵元3幅度 阵元4幅度 阵元5幅度
1 1.00 0.88 1.12 0.93 0.85
2 1.00 1.15 1.18 0.83 0.90
3 1.00 0.76 0.84 1.19 1.22
表2阵元相位误差响应数值(度)
Figure BDA0001527480050000121
表3 X轴方向阵元位置误差(波长)
Figure BDA0001527480050000131
表4 Y轴方向阵元位置误差(波长)
Figure BDA0001527480050000132
感兴趣的目标区域为：在X轴方向从-5km至5km；在Y轴方向从1km至12km。在这个区域内，两个坐标方向上每隔0.1km设置一个离散坐标点，并在离散坐标点处放置窄带信号源，用于建立样本库。图7是阵列流形向量配对成功概率随着信噪比的变化曲线，其信号点数为500点。从图7中可以看出，当信噪比大于0dB时，阵列流形向量配对成功概率已基本达到100％。当确定两个目标大致区域时，需要利用其区域内所对应的样本对径向基神经网络进行训练，图8中(a)和(b)分别给出了径向基神经网络的学习样本和测试结果，从图8中可以看出学习效果非常好。当对径向基神经网络训练完成之后，就将其用于定位，图9中(a)和(b)分别给出了两个目标的定位均方根误差随着信噪比的变化曲线，其信号点数为500点。从图9中可以看出，相比于基于子空间融合的直接定位方法，本专利公开的直接定位方法可以显著提升目标定位精度，这是因为前者受阵列误差的影响较大，而本专利的方法则不受其影响，能够在阵列误差存在条件下提高多目标的定位精度，并且可以避免已有直接定位方法所需要的网格搜索运算，从而能够有效降低实时定位的运算量。
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)

1.一种基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，包含如下内容：
A)在待测区域内选取多个离散坐标点，在离散坐标点处分别放置位置已知的单个信号源，通过未校正阵列采集单个信号源，获取用于建立阵列流形响应的学习样本库；
B)通过未校正阵列采集目标信号源数据，并估计阵列流形矩阵；
C)通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，将对应于相同目标的阵列流形向量归为同一组，并合并成高纬度数据向量，确定每个目标所处的预估区域；
D)利用每个目标所述的预估区域所对应的学习样本库数据训练径向基神经网络，径向基神经网络包括输入层、隐藏层以及输出层，其中，输入层的神经元个数等于每个数据样本的维数，输出层的神经元个数等于目标位置坐标的维数；
E)将每个目标所对应的高纬度数据向量作为训练后的径向基神经网络输入，该径向基神经网络输出即为目标所对应的位置估计。
2.根据权利要求1所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，A)中具体包含如下步骤：
A1)在待测区域内选取M个离散坐标点，将单个窄带信号源分时放置在离散坐标点处，通过L个未校正阵列采集该窄带信号源数据，每个阵列分别构造其输出协方差矩阵，其中，每个离散坐标点对应L个协方差矩阵；
A2)针对每个离散坐标点，分别对其对应的L个协方差矩阵进行特征分解，并选出每个矩阵最大特征值对应的特征向量，得到L个特征向量，将该L个特征向量合并成用于作为学习样本的一组高纬度列向量；针对M个离散坐标点，共形成M组学习样本，存储至样本库中。
3.根据权利要求2所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，B)中，利用A1中L个未校正阵列采集D个目标源信号数据，每个阵列分别构造其输出的协方差矩阵，得到L个协方差矩阵；针对每个协方差矩阵分别估计其相应的阵列流形矩阵，得到L个阵列流形矩阵。
4.根据权利要求2所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，A1)中，将第m个离散坐标点的位置向量记为
Figure FDA0002301824570000021
第l个未校正阵列在构建学习样本库阶段的输出响应为：
Figure FDA0002301824570000022
，
其中，
Figure FDA0002301824570000023
表示阵列流形响应，其维度设为Nl；
Figure FDA0002301824570000024
表示窄带信号源到达第l个阵列的复包络；
Figure FDA0002301824570000025
表示第l个阵列上的高斯噪声，则第l个未校正阵列对应于坐标点
Figure FDA0002301824570000026
所构造的协方差矩阵
Figure FDA0002301824570000027
表示为：
Figure FDA0002301824570000028
，
K(c)表示采样点数。
5.根据权利要求4所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，B)中，将D个目标信号源的位置向量记为{pd}1≤d≤D，第l个未校正阵列的输出协方差矩阵为
Figure FDA0002301824570000029
，
Sl＝E[sl(t)(sl(t))H]表示信号源到达第l个阵列的协方差矩阵；
Figure FDA00023018245700000210
表示第l个阵列的噪声功率，
Figure FDA00023018245700000211
表示Nl阶单位矩阵，
Figure FDA00023018245700000212
xl(t)表示第l个未校正阵列在目标定位阶段的输出响应，al(pd)表示对应于第d个目标源的阵列流形向量，其维度设为Nl；sl(t)＝[s1,l(t) s2,l(t) … sD,l(t)]T表示信号复包络向量，sd,l(t)为第d个目标信号源到达第l个阵列的复包络，εl(t)表示第l个阵列上的加性噪声；Al＝[al(p1) al(p2) … al(pD)]表示第l个阵列流形矩阵，对于未校正阵列，阵列流形矩阵表示为：
Al＝GlHl，
Gl为对角矩阵，其对角元素表示每个阵元的复增益，矩阵Hl中的元素幅度均为1，其包含矩阵Al的相位信息；通过采样得到Xl其一致估计值
Figure FDA00023018245700000213
根据
Figure FDA0002301824570000031
对该估计值的矩阵进行特征分解，则得到矩阵Xl的D个大特征值对应的单位特征向量Ul、矩阵Xl的Nl-D个小特征值对应的单位特征向量Vl、由矩阵Xl的D个大特征值所构成的对角矩阵Σl的一致估计值，分别记为
Figure FDA0002301824570000032
以及
Figure FDA0002301824570000033
6.根据权利要求5所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，B)中利用协方差矩阵的采样值
Figure FDA0002301824570000034
估计阵列流形矩阵Al的步骤如下：
B1)设置收敛门限ε，令k:＝1，并设置初始值
Figure FDA0002301824570000035
以及
Figure FDA0002301824570000036
B2)对协方差矩阵
Figure FDA0002301824570000037
进行特征分解得到矩阵
Figure FDA0002301824570000038
和
Figure FDA0002301824570000039
并构造矩阵
Figure FDA00023018245700000310
B3)对矩阵
Figure FDA00023018245700000311
进行奇异值分解，其左、右奇异矩阵分别等于
Figure FDA00023018245700000312
和
Figure FDA00023018245700000313
并且构造矩阵
Figure FDA00023018245700000314
B4)计算
Figure FDA00023018245700000315
其中，
Figure FDA00023018245700000316
表示矩阵
Figure FDA00023018245700000317
的第n行的转置，
Figure FDA00023018245700000318
表示矩阵
Figure FDA00023018245700000319
的第n行的转置；
B5)计算
Figure FDA00023018245700000320
其中，
Figure FDA00023018245700000321
表示矩阵
Figure FDA00023018245700000322
的第d列，
Figure FDA00023018245700000323
表示矩阵
Figure FDA00023018245700000324
的第d列；
B6)计算
Figure FDA00023018245700000325
B7)若
Figure FDA00023018245700000326
则停止迭代，否则令k:＝k+1，并转至步骤B3。
7.根据权利要求6所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，C)中通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，包含如下内容：
C1)将每个阵列流形矩阵中的D个阵列流形向量标注序号，分别为1～D，其中第l个阵列流形矩阵中的列向量分别记为{al(1),al(2),…,al(D)}1≤l≤L；
C2)对于d＝1,2,…,D-1依次进行如下计算：
a)将第1个阵列流形矩阵中的第d个列向量挑选出来，记为a1(d)，依次从其它阵列流形矩阵中挑选出一个列向量，分别记为a2(i2),a3(i3),…,aL(iL)，其中，1≤i2,i3,…,iL≤D表示向量序号，共有(D-d+1)L-1种组合；
b)对于每一种组合利用学习样本库进行如下计算：
Figure FDA0002301824570000041
得到最优的序号为
Figure FDA0002301824570000042
Figure FDA0002301824570000043
表示最大特征值对应的特征向量；
c)将最优序号对应的阵列流形向量
Figure FDA0002301824570000044
与a1(d)归为同一组数据，并且将它们从各自的阵列矩阵中剔除出去；
C3)每个阵列流形矩阵中最后剩余的列向量自动形成一组数据；
C4)将每一组数据合并成一个高维数据向量，得到D个高维数据向量。
8.根据权利要求7所述的基于未校正阵列和神经网络的多目标直接定位方法，其特征在于，D)中，隐藏层中的径向基函数采用高斯核函数，其表达式为
Figure FDA0002301824570000045
，
其中，u表示神经网络的输入向量；μj表示径向基函数的中心；ρj表示径向基函数的宽度参数；网络输出层的输出表达式为
Figure FDA0002301824570000046
，
径向基神经网络需要学习的参数包括{μj}、{ρj}以及{wji}。
CN201711445739.3A 2017-12-27 2017-12-27 基于未校正阵列和神经网络的多目标直接定位方法 Active CN108182474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711445739.3A CN108182474B (zh) 2017-12-27 2017-12-27 基于未校正阵列和神经网络的多目标直接定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711445739.3A CN108182474B (zh) 2017-12-27 2017-12-27 基于未校正阵列和神经网络的多目标直接定位方法

Publications (2)

Publication Number Publication Date
CN108182474A CN108182474A (zh) 2018-06-19
CN108182474B true CN108182474B (zh) 2020-03-13

Family

ID=62547771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711445739.3A Active CN108182474B (zh) 2017-12-27 2017-12-27 基于未校正阵列和神经网络的多目标直接定位方法

Country Status (1)

Country Link
CN (1) CN108182474B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446971A (zh) * 2018-10-24 2019-03-08 艾凯克斯（嘉兴）信息科技有限公司 基于三维网格及神经网络解决三维物体旋转不变性的方法
CN109738858B (zh) * 2019-01-25 2023-02-21 重庆会凌电子新技术有限公司 无线电测向样本库自动采集系统及其方法
CN109991564B (zh) * 2019-02-26 2022-12-13 中国人民解放军战略支援部队信息工程大学 基于神经网络的短波单站定位结果纠偏方法
CN109922427B (zh) * 2019-03-06 2020-09-11 东南大学 利用大规模阵列天线的智能无线定位系统和方法
CN111079929B (zh) * 2019-12-20 2022-10-14 中国人民解放军战略支援部队信息工程大学 基于神经计算的短波单站多目标地理坐标快速估计方法
CN111199280B (zh) * 2019-12-20 2022-10-14 中国人民解放军战略支援部队信息工程大学 短波信道模型误差存在下联合信号复包络和载波相位信息的多站目标源地理坐标估计方法
CN111199281B (zh) * 2019-12-20 2022-10-14 中国人民解放军战略支援部队信息工程大学 基于地理坐标空域位置谱的短波单站直接定位偏差补偿方法
CN111487478B (zh) * 2020-03-27 2022-04-01 杭州电子科技大学 基于深度神经网络的角度依赖型复杂阵列误差校准方法
CN115267662B (zh) * 2022-06-25 2023-08-15 中国人民解放军战略支援部队信息工程大学 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760547B (zh) * 2014-01-24 2016-03-02 西安电子科技大学 基于互相关矩阵的双基mimo雷达角度估计方法
US9349193B2 (en) * 2014-03-31 2016-05-24 National Taipei University Of Technology Method and apparatus for moving object detection using principal component analysis based radial basis function network
CN105510948A (zh) * 2015-12-05 2016-04-20 中国人民解放军信息工程大学 联合无线电信号复包络和载波相位信息的多目标直接定位方法
CN107071898B (zh) * 2017-04-14 2019-07-19 中国人民解放军信息工程大学 移动通信信号源数据域直接位置估计方法及其装置
CN107290717B (zh) * 2017-05-19 2019-07-26 中国人民解放军信息工程大学 针对非圆信号的多目标直接定位方法

Also Published As

Publication number Publication date
CN108182474A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN108182474B (zh) 基于未校正阵列和神经网络的多目标直接定位方法
CN108037520B (zh) 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
CN108169708B (zh) 模块化神经网络的直接定位方法
CN110531313B (zh) 一种基于深度神经网络回归模型的近场信号源定位方法
CN105954712B (zh) 联合无线电信号复包络和载波相位信息的多目标直接定位方法
CN108387864B (zh) 一种到达角计算方法及装置
CN110515038B (zh) 一种基于无人机-阵列的自适应无源定位装置及实现方法
CN111479231A (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
Shutin et al. Incremental sparse Bayesian learning for parameter estimation of superimposed signals
CN111337893A (zh) 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN114386321A (zh) 用于室内定位的aoa和tof联合估计方法、装置及存储介质
CN108872926A (zh) 一种基于凸优化的幅相误差校正及doa估计方法
CN108872932A (zh) 基于神经网络的超视距目标直接定位结果纠偏方法
CN109725290B (zh) 一种误差提取方法、装置、电子设备及可读存储介质
CN112995892A (zh) 基于复数神经网络的大规模mimo指纹定位方法
CN114189809A (zh) 基于卷积神经网络与高维5g观测特征的室内定位方法
CN108398659B (zh) 一种矩阵束与求根music结合的波达方向估计方法
CN111313943A (zh) 深度学习辅助的大规模天线阵列下的三维定位方法及装置
CN112147589A (zh) 基于卷积神经网络的频率分集阵列的雷达目标定位方法
CN109696651B (zh) 一种基于m估计的低快拍数下波达方向估计方法
CN113759303B (zh) 一种基于粒子群算法的无网格波达角估计方法
Bosse et al. Passive geolocalization of radio transmitters: Algorithm and performance in narrowband context
Suleiman et al. Search-free decentralized direction-of-arrival estimation using common roots for non-coherent partly calibrated arrays
CN110596668B (zh) 基于互逆深度神经网络的目标外辐射源被动定位方法
CN108414973B (zh) 一种基于神经网络计算的多目标直接定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant