CN108414973A - 一种基于神经网络计算的多目标直接定位方法 - Google Patents

Abstract

本发明属于无线电信号定位技术领域，尤其涉及一种基于神经网络计算的多目标直接定位方法。本发明公开了一种基于神经网络计算的多目标直接定位方法。首先，将所感兴趣的目标区域分解成若干扇区，并且利用多层前馈神经网络检测出存在目标的扇区。接着，当检测到某扇区内存在多个目标时，则将该扇区进一步分解成若干子扇区，以确保每个子扇区内最多仅出现一个目标，并再次利用多层前馈神经网络检测出存在目标的子扇区。然后，当多目标分布在不同扇区或者子扇区时，利用多层前馈神经网络依次对目标出现的扇区或者子扇区进行空域滤波。最后，利用径向基神经网络独立并行地对出现在不同扇区或者子扇区内的目标进行直接定位。

Description

一种基于神经网络计算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，尤其涉及一种基于神经网络计算的多目标直接定位方法。

背景技术

众所周知，无线信号定位技术广泛应用于通信、雷达、目标监测、导航遥测、地震勘测、射电天文、紧急救助、安全管理等领域，其在工业生产和军事应用中都发挥着重要的作用。

对目标进行定位(即位置参数估计)可以使用雷达、激光、声纳等有源设备来完成，该类技术称为有源定位技术，它具有全天候、高精度等优点。然而，有源定位系统通常需要依靠发射大功率电磁信号来实现，因此极易暴露自己位置，容易被对方发现，从而遭到对方电子干扰的影响，导致定位性能急剧恶化，甚至会危及系统自身的安全性和可靠性。

目标定位还可以利用目标(主动)辐射或者(被动)散射的无线电信号来实现，该类技术称为无源定位技术，它是指在观测站(也称传感器)在不主动发射电磁信号的情况下，通过接收目标辐射或者散射的无线电信号来估计目标的位置参数。与有源定位系统相比，无源定位系统具有不主动发射电磁信号、生存能力强、侦察作用距离远等优势，从而得到国内外学者的广泛关注和深入研究。一般来说，无源定位系统根据观测站数目可以分为单站无源定位系统和多站无源定位系统两大类，这两类定位系统各有其自身优势。具体来说，单站定位系统具有灵活性高、机动性强、系统简洁以及不需要站间通信与同步等优点，而多站定位系统则能够获得更多的观测信息，通过协同处理可以提高定位精度。本专利主要涉及多站无源定位体制。

在多站无源定位系统中，一种较常见的定位体制是多站测向交汇定位，其中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、多普勒频率等参数)，然后再利用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，但是仍然存在一些不足之处，其中包括：

(1)从信息论的角度来看，两步定位模式难以获得渐近最优的估计精度，因为从原始数据到最终的估计结果之间每增加一步处理环节，就会损失一部分信息，从而影响最后的定位精度，尤其在低信噪比和小样本数条件下该现象更为明显。

(2)两步定位模式中的第一步往往是各个观测站利用其采集到的信号数据独立地进行参数估计，这容易丢失各站采集数据之间的相关性，而损失的信息在第二步定位环节中是无法得到弥补的。

(3)当多个目标同时存在时，两步定位模式存在“目标─量测”数据关联问题，即如何将信号测量参数与目标进行正确关联，从而完成后续的多目标定位，若数据关联错误，也会影响最终的定位精度。

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。在多站测向交汇定位体制中，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，该方法需要通过网格搜索获得目标位置估计，计算量相对较大，并不利于实时定位。

发明内容

针对现有直接定位方法的实时运算量相对较大的问题，本发明提供了一种基于神经网络计算的多目标直接定位方法，以快速准确地对多目标进行定位。此外，为了减少神经网络的学习数据样本，本专利提供的方法将目标检测、空域滤波以及直接定位相结合，显著降低了样本数量。

为了实现上述目的，本发明采用以下技术方案：

一种基于神经网络计算的多目标直接定位方法，包括以下步骤：

步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵

步骤2：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量步骤3：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；步骤4：将实向量输入到步骤3中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6；

步骤5：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；

步骤6：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤7：将实向量输入到步骤6中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；

步骤8：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；

步骤9：将步骤7中进行空域滤波之后的数据向量输入到步骤8中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。

进一步地，所述步骤1包括：

步骤1.1：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：

式中u_d表示第d个信号的位置向量；a_l(u_d)表示第d个信号到达第l个阵列所产生的阵列流形向量；A_l＝[a_l(u₁) a_l(u₂) … a_l(u_D)]表示第l个阵列所对应的流形矩阵；s_l(t)＝[s_l,1(t) s_l,2(t) … s_l,D(t)]^T表示信号复包络向量，其中s_l,d(t)表示第d个信号到达第l个阵列的复包络；ε_l(t)表示第l个阵列上的加性噪声；

步骤1.2：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：

其中，x_l(t_j)第l个静止观测站在第j个快拍时的输出信号；

步骤1.3：按照步骤1.1和步骤1.2的方式分别构造L个阵列输出协方差矩阵

进一步地，所述步骤2包括：

步骤2.1：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量

步骤2.2：将步骤2.1得出的向量和向量进行合并，以形成实向量

步骤2.3：将步骤2.2得出的L个实向量进行合并，以构造扩维向量

步骤2.4：对扩维向量进行归一化得到实向量

进一步地，所述步骤3包括：

步骤3.1：将感兴趣的目标区域划分成K个扇区，在第k个扇区内选取M_k个离散位置点，记为共有个离散位置点；

步骤3.2：对第k个扇区进行检测，以确定该扇区内的目标个数，其检测到的结果包括{0,1,…,D}共计D+1种可能性，因此针对每种可能性构造与之相对应的学习样本数据，利用构造的学习样本数据训练多层前馈神经网络，过程如下：

步骤3.2.1：从离散位置集合中挑选出q个位置向量

步骤3.2.2：从第k个扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-q}中的任意一个；若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤3.2.3：基于所得到的离散位置集合构造如下矩阵：

步骤3.2.4：通过步骤3.2.1至步骤3.2.3得到L个矩阵将矩阵汇聚在一起，利用步骤2中的方法构造实向量并作为多层前馈神经网络的输入数据，与之相对应的输出数据为整数q。

进一步地，所述步骤4包括：

步骤4.1：将实向量输入到步骤3针对每个扇区所训练的多层前馈神经网络中，根据每个多层前馈神经网络的输出数据确定每个扇区内的目标个数；

步骤4.2：当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6。

进一步地，所述步骤5包括：

步骤5.1：当检测到第k个扇区内出现多个目标，则将该扇区进一步划分成R_k个子扇区，并且在第r_k(1≤r_k≤R_k)个子扇区内选取个离散位置点，记为

步骤5.2：利用步骤5.1选取的离散位置点训练多层前馈神经网络，其学习数据样本的构造方式与步骤3中的基本一致，只是此处的多层前馈神经网络的输出数据仅包含0和1两种可能性。

进一步地，所述步骤6包括：

步骤6.1：当检测到第k个扇区或者子扇区内存在目标时，则在第k个扇区或者子扇区内选取N_k(N_k＞M_k)个离散位置点，记为于是一共有个离散位置点；

步骤6.2：利用步骤6.1选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，过程如下：

步骤6.2.1：从离散位置集合中依次选出1个位置向量d∈[1,N_k]；

步骤6.2.2：从第k个扇区或者子扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-1}中的任意一个，若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤6.2.3：基于所得到的离散位置集合构造如下矩阵：

步骤6.2.4：将矩阵汇聚在一起，利用步骤2中的方法构造实向量并用于多层前馈神经网络的输入数据；

步骤6.2.5：基于所得到的离散位置集合构造如下矩阵：

步骤6.2.6：将矩阵汇聚在一起，利用步骤2中的方法构造扩维向量并作为多层前馈神经网络的输出数据。

进一步地，所述步骤7还包括：对多层前馈神经网络的输出数据进行归一化处理。

进一步地，所述步骤8包括：

步骤8.1：当在第k个扇区或者子扇区内发现目标，则在第k个扇区或者子扇区内选取G_k(G_k＞max{M_k,N_k})个离散位置点，记为

步骤8.2：利用步骤8.1选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络，过程如下：

步骤8.2.1：从离散位置集合中依次选出1个离散位置向量d∈[1,G_k]；

步骤8.2.2：利用离散位置向量构造如下矩阵：

步骤8.2.3：将矩阵汇聚在一起，利用步骤2中的方法构造实向量并用于径向基神经网络的输入数据；

步骤8.2.4：将作为径向基神经网络的输出数据。

与现有技术相比，本发明具有的有益效果：

本发明公开了一种基于神经网络计算的多目标直接定位方法。通过将所感兴趣的目标区域分解成若干扇区，并且利用多层前馈神经网络检测出存在目标的扇区，大大缩小了所需关注的区域范围，并显著降低学习样本数量。当检测到某扇区内存在多个目标时，通过将该扇区进一步分解成若干子扇区，以确保每个子扇区内最多仅出现一个目标，并再次利用多层前馈神经网络检测出存在目标的子扇区。当多目标分布在不同扇区或者子扇区时，通过利用多层前馈神经网络依次对目标出现的扇区或者子扇区进行空域滤波，将该扇区或者子扇区以外的目标信号数据滤除，而仅保留该扇区或者子扇区以内的目标数据，从而可以避免在后续定位环节中跨扇区或者子扇区建立学习样本，从而进一步减少样本数量。最后，通过利用径向基神经网络独立并行地对出现在不同扇区或者子扇区内的目标进行直接定位。

相比于已有的多站测向直接定位方法，本发明提供的方法能够有效降低实时定位的运算量，并且通过将目标检测、空域滤波以及直接定位相结合，大大降低了神经网络的学习样本数量。

附图说明

图1为本发明实施例的一种基于神经网络计算的多目标直接定位方法的基本流程图。

图2为本发明另一实施例的一种基于神经网络计算的多目标直接定位方法的基本流程图。

图3为本发明实施例的一种基于神经网络计算的多目标直接定位方法的目标定位场景示意图之一。

图4为本发明实施例的一种基于神经网络计算的多目标直接定位方法的目标定位场景示意图之二。

图5为本发明实施例的一种基于神经网络计算的多目标直接定位方法的图3中扇区1的目标检测成功概率。

图6为本发明实施例的一种基于神经网络计算的多目标直接定位方法的图3中扇区3的目标检测成功概率。

图7为本发明实施例的一种基于神经网络计算的多目标直接定位方法的对图3中扇区1进行空域滤波的平均相对误差。

图8为本发明实施例的一种基于神经网络计算的多目标直接定位方法的对图3中扇区3进行空域滤波的平均相对误差。

图9(a)部分为本发明实施例的一种基于神经网络计算的多目标直接定位方法的图4中目标1的定位均方根误差；(b)部分为基于MUSIC算法的直接定位方法的图4中目标1的定位均方根误差。

图10(a)部分为本发明实施例的一种基于神经网络计算的多目标直接定位方法的图4中目标2的定位均方根误差；(b)部分为基于MUSIC算法的直接定位方法的图4中目标2的定位均方根误差。

图11为本发明实施例的一种基于神经网络计算的多目标直接定位方法的运行时间和基于MUSIC算法的直接定位方法的运行时间对比图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的解释说明：

实施例一：

如图1所示，本发明的一种基于神经网络计算的多目标直接定位方法，包括以下步骤：

步骤S101：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵

步骤S102：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量

步骤S103：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤S104：将实向量输入到步骤S103中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤S105；当检测到每个扇区内最多只出现一个目标时，则转至步骤S106；

步骤S105：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；

步骤S106：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤S107：将实向量输入到步骤S106中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；

步骤S108：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；

步骤S109：将步骤S107中进行空域滤波之后的数据向量输入到步骤S108中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。

实施例二：

如图2所示，本发明的另一种基于神经网络计算的多目标直接定位方法，包括以下步骤：

步骤S201：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵包括：

步骤S2011：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：

式中u_d表示第d个信号的位置向量；a_l(u_d)表示第d个信号到达第l个阵列所产生的阵列流形向量；A_l＝[a_l(u₁) a_l(u₂) … a_l(u_D)]表示第l个阵列所对应的流形矩阵；s_l(t)＝[s_l,1(t) s_l,2(t) … s_l,D(t)]^T表示信号复包络向量，其中s_l,d(t)表示第d个信号到达第l个阵列的复包络；ε_l(t)表示第l个阵列上的加性噪声；

步骤S2012：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：

其中，x_l(t_j)第l个静止观测站在第j个快拍时的输出信号；

步骤S2013：按照步骤S2011和步骤S2012的方式分别构造L个阵列输出协方差矩阵

步骤S202：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量包括：

步骤S2021：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量

步骤S2022：将步骤S2021得出的向量和向量进行合并，以形成实向量

步骤S2023：将步骤S2022得出的L个实向量进行合并，以构造扩维向量

步骤S2024：对扩维向量进行归一化得到实向量

步骤S203：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，用于训练多层前馈神经网络，包括：

步骤S2031：将感兴趣的目标区域划分成K个扇区，在第k个扇区内选取M_k个离散位置点，记为共有个离散位置点；

步骤S2032：对第k个扇区进行检测，以确定该扇区内的目标个数，其检测到的结果包括{0,1,…,D}共计D+1种可能性，因此针对每种可能性构造与之相对应的学习样本数据，利用构造的学习样本数据训练多层前馈神经网络，过程如下：

步骤S2032.1：从离散位置集合中挑选出q个位置向量

步骤S2032.2：从第k个扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-q}中的任意一个，共包含种可能性；若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤S2032.3：基于所得到的离散位置集合构造如下矩阵：

步骤S2032.4：通过步骤S2032.1至步骤S2032.3得到L个矩阵将矩阵汇聚在一起，利用步骤S202中的方法构造实向量并作为神经网络的输入数据，与之相对应的输出数据为整数q。

步骤S204：将实向量输入到步骤S203中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤S205；当检测到每个扇区内最多只出现一个目标时，则转至步骤S206，包括：

步骤S2041：将实向量输入到步骤S203中针对每个扇区所训练的多层前馈神经网络中，则共有K个神经网络，根据每个神经网络的输出数据确定每个扇区内的目标个数；

步骤S2042：当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤S205；当检测到每个扇区内最多只出现一个目标时，则转至步骤S206。

步骤S205：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性，包括：

步骤S2051：当检测到第k个扇区内出现多个目标，则将该扇区进一步划分成R_k个子扇区，并且在第r_k(1≤r_k≤R_k)个子扇区内选取个离散位置点，记为

步骤S2052：利用步骤S2051选取的离散位置点训练多层前馈神经网络，其学习数据样本的构造方式与步骤S203中的基本一致，只是此处的多层前馈神经网络的输出数据仅包含0和1两种可能性。

步骤S206：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，包括：

步骤S2061：当检测到第k个扇区或者子扇区内存在目标时，则在第k个扇区或者子扇区内选取N_k(N_k＞M_k)个离散位置点，记为于是一共有个离散位置点；

步骤S2062：利用步骤S2061选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，过程如下：

步骤S2062.1：从离散位置集合中依次选出1个位置向量d∈[1,N_k]；

步骤S2062.2：从第k个扇区或者子扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-1}中的任意一个，共包含种可能性，若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤S2062.3：基于所得到的离散位置集合构造如下矩阵：

步骤S2062.4：将矩阵汇聚在一起，利用步骤S202中的方法构造实向量并用于多层前馈神经网络的输入数据；

步骤S2062.5：基于所得到的离散位置集合构造如下矩阵：

步骤S2062.6：将矩阵汇聚在一起，利用步骤S202中的方法构造扩维向量并作为多层前馈神经网络的输出数据。

步骤S207：将实向量输入到步骤S206中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；

所述步骤S207还包括：对多层前馈神经网络的输出数据进行归一化处理。

步骤S208：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，用于训练径向基神经网络，包括：

步骤S2081：当在第k个扇区或者子扇区内发现目标，则在第k个扇区或者子扇区内选取G_k(G_k＞max{M_k,N_k})个离散位置点，记为

步骤S2082：利用步骤S2081选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络，过程如下：

步骤S2082.1：从离散位置集合中依次选出1个离散位置向量d∈[1,G_k]；

步骤S2082.2：利用离散位置向量构造如下矩阵：

步骤S2082.3：将矩阵汇聚在一起，利用步骤S202中的方法构造实向量并用于径向基神经网络的输入数据；

步骤S2082.4：将作为径向基神经网络的输出数据。

步骤S209：将步骤S207中进行空域滤波之后的归一化数据向量输入到步骤S208中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。

如图3所示，一个多站定位场景示意图，其中共有3个观测站对目标进行定位，这3个观测站的位置坐标分别为(-5km,0km)、(0km,0km)以及(5km,0km)，每个观测站均安装5元均匀线阵，阵元间距等于半倍波长。感兴趣的目标区域为：在X轴方向从-2km至2km；在Y轴方向从4km至8km。现将该定位区域均匀划分成4个扇区，目标出现在扇区1和扇区3。如图4所示，在下面的数值实验中将产生50组随机位置，目标1的位置均匀分布在扇区1以内，目标2的位置均匀分布在扇区3以内。图5和图6分别给出了对扇区1和扇区3进行目标检测的成功概率随着信噪比的变化曲线，其中的信号点数为1000点。从图5和图6中可以看出，在上述实验条件下，当信噪比为-5dB时，目标检测成功概率大于95％。图7和图8分别给出了对扇区1和扇区3进行空域滤波之后的平均相对误差随着信噪比的变化曲线，其中的信号点数为1000点。从图7和图8中可以看出，在上述实验条件下，当信噪比为-5dB时，空域滤波之后的平均相对误差低于10％。图9和图10分别给出了目标1和目标2的定位均方根误差随着信噪比的变化曲线，其中的信号点数为1000点。从图9和图10中可以看出，在上述实验条件下，当信噪比较低时，本专利公开的直接定位方法的精度要高于基于MUSCI算法的直接定位方法(Schmidt R O.Multiple Emitter Location and Signal Parameter Estimation[J].IEEE Transactions on Antennas&Propagation,1986,34(3):276-280)的精度；当信噪比较高时，本专利公开的直接定位方法的精度近似逼近于基于MUSCI算法的直接定位方法的精度。

最后将信噪比固定为5dB，图11给出了两种直接定位方法在MATLAB R2012b仿真环境下进行100次蒙特卡罗实验的运行时间，这两种方法的仿真硬件平台是完全相同的。从图11中可以看出，本专利公开的直接定位方法的运行时间要明显少于基于MUSCI算法的直接定位方法的运行时间，因此本专利公开的直接定位方法更有利于对多目标进行实时定位。

以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于神经网络计算的多目标直接定位方法，其特征在于，包括以下步骤：

步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵

步骤2：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量

步骤3：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤4：将实向量输入到步骤3中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6；

步骤5：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；

步骤6：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤7：将实向量输入到步骤6中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；

步骤8：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；

步骤9：将步骤7中进行空域滤波之后的数据向量输入到步骤8中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。

2.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤1包括：

步骤1.1：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：

式中u_d表示第d个信号的位置向量；a_l(u_d)表示第d个信号到达第l个阵列所产生的阵列流形向量；A_l＝[a_l(u₁) a_l(u₂) … a_l(u_D)]表示第l个阵列所对应的流形矩阵；s_l(t)＝[s_l,1(t) s_l,2(t) … s_l,D(t)]^T表示信号复包络向量，其中s_l,d(t)表示第d个信号到达第l个阵列的复包络；ε_l(t)表示第l个阵列上的加性噪声；

步骤1.2：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：

其中，x_l(t_j)第l个静止观测站在第j个快拍时的输出信号；

步骤1.3：按照步骤1.1和步骤1.2的方式分别构造L个阵列输出协方差矩阵

3.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤2包括：

步骤2.1：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量

步骤2.2：将步骤2.1得出的向量和向量进行合并，以形成实向量

步骤2.3：将步骤2.2得出的L个实向量进行合并，以构造扩维向量

步骤2.4：对扩维向量进行归一化得到实向量

4.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤3包括：

步骤3.1：将感兴趣的目标区域划分成K个扇区，在第k个扇区内选取M_k个离散位置点，记为共有个离散位置点；

步骤3.2：对第k个扇区进行检测，以确定该扇区内的目标个数，其检测到的结果包括{0,1,…,D}共计D+1种可能性，因此针对每种可能性构造与之相对应的学习样本数据，利用构造的学习样本数据训练多层前馈神经网络，过程如下：

步骤3.2.1：从离散位置集合中挑选出q个位置向量

步骤3.2.2：从第k个扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-q}中的任意一个；若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤3.2.3：基于所得到的离散位置集合构造如下矩阵：

步骤3.2.4：通过步骤3.2.1至步骤3.2.3得到L个矩阵将矩阵汇聚在一起，利用步骤2中的方法构造实向量并作为多层前馈神经网络的输入数据，与之相对应的输出数据为整数q。

5.根据权利要求4所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤4包括：

步骤4.1：将实向量输入到步骤3针对每个扇区所训练的多层前馈神经网络中，根据每个多层前馈神经网络的输出数据确定每个扇区内的目标个数；

步骤4.2：当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6。

6.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤5包括：

步骤5.1：当检测到第k个扇区内出现多个目标，则将该扇区进一步划分成R_k个子扇区，并且在第r_k(1≤r_k≤R_k)个子扇区内选取个离散位置点，记为

步骤5.2：利用步骤5.1选取的离散位置点训练多层前馈神经网络，其学习数据样本的构造方式与步骤3中的基本一致，只是此处的多层前馈神经网络的输出数据仅包含0和1两种可能性。

7.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤6包括：

步骤6.1：当检测到第k个扇区或者子扇区内存在目标时，则在第k个扇区或者子扇区内选取N_k(N_k＞M_k)个离散位置点，记为于是一共有个离散位置点；

步骤6.2：利用步骤6.1选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，过程如下：

步骤6.2.1：从离散位置集合中依次选出1个位置向量d∈[1,N_k]；

步骤6.2.2：从第k个扇区或者子扇区以外的离散位置集合中挑选出若干位置向量，挑选的离散位置的个数可以是集合{0,1,…,D-1}中的任意一个，若挑选的离散位置的个数为p，则所得到的离散位置集合为：

其中

步骤6.2.3：基于所得到的离散位置集合构造如下矩阵：

步骤6.2.4：将矩阵汇聚在一起，利用步骤2中的方法构造实向量并用于多层前馈神经网络的输入数据；

步骤6.2.5：基于所得到的离散位置集合构造如下矩阵：

步骤6.2.6：将矩阵汇聚在一起，利用步骤2中的方法构造扩维向量并作为多层前馈神经网络的输出数据。

8.根据权利要求7所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤7还包括：对多层前馈神经网络的输出数据进行归一化处理。

9.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤8包括：

步骤8.1：当在第k个扇区或者子扇区内发现目标，则在第k个扇区或者子扇区内选取G_k(G_k＞max{M_k,N_k})个离散位置点，记为

步骤8.2：利用步骤8.1选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络，过程如下：

步骤8.2.1：从离散位置集合中依次选出1个离散位置向量d∈[1,G_k]；

步骤8.2.2：利用离散位置向量构造如下矩阵：

步骤8.2.3：将矩阵汇聚在一起，利用步骤2中的方法构造实向量并用于径向基神经网络的输入数据；

步骤8.2.4：将作为径向基神经网络的输出数据。