CN108680911B - 一种基于神经网络的雷达目标测向方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的雷达目标测向方法，属于雷达技术领域，涉及目标测向方法，可用于对单目标进行精确测向。主要解决单目标源在空间中的二维高精度的角位置估计问题。该方法包括以下步骤：根据雷达阵元排列的几何模型以及单目标源的角位置信息，计算相应阵元之间散射回波信号的相位差，构成相位差向量；对相位差向量进行预处理；结合相位差向量对应的期望值，产生一定量的训练样本；在此基础上，建立RBF神经网络模型，并进行训练；应用训练完成的RBF神经网络，输入信号进行验证，得到输出结果。本发明采用神经网络的方法对单目标源进行测向，与传统方法相比，有效的提高了测量精度，提升了测向系统的容错性和稳健性，能够更好的满足在实际应用中高精度测向的需求。

Description

一种基于神经网络的雷达目标测向方法

技术领域

本发明属于雷达技术领域，涉及目标测向方法，可用于对单目标进行精确测向。

背景技术

精确测量目标在导引头天线阵坐标系中的角位置信息，既是弹载雷达信号处理系统的主要功能之一，也是后续控制指令的形成和操作导弹跟踪并飞向目标所必不可少的前提。在设计导引头时，有两种基本的测向体制可供选择：第一种是搜索式测向，第二种是实时测向。显然，在导弹-目标相对超高速机动的平台下，需要采用实时测向的体制。

在传统实时测向方法的基础上，为了进一步的提升精度，从而引入了神经网络。

随着科技的迅猛发展以及人工智能技术的不断成熟，武器的智能化已经成为了未来的发展趋势，在这样的背景下，将神经网络用于测向系统的研究是很有意义的。而神经网络本身又有着诸多优点，例如：非线性的特性，非线性是神经网络非常重要的特性，特别是当问题本身就是天生非线性的时候；自适应性，神经网络可以在特定的运行环境下接受训练，从而调整自身权值；容错性，神经网络的信息存储是呈分布特性的，某一两处节点出现问题原则上是不会造成灾难性失败的；并行性，神经网络是并行分布式结构，这很适合用超大规模集成技术来实现。所以，可以将人工神经网络看作是由简单处理单元组合而成的并行分布式信息处理器，通过从外界学习并获取知识以后，神经网络自然而然地就具有了存储经验知识并将其用于预测的能力。

发明内容

针对进一步提升精度的问题，本发明提出了一种基于神经网络的雷达目标测向方法，有效的降低了测量误差，提升了测向系统的容错性和稳健性，能够更好的满足高精度测向需求。

本发明包括以下步骤：根据雷达阵元的排布位置及单目标源的角位置信息，计算相应阵元之间散射回波信号的相位差，构成相位差向量；对相位差向量进行预处理；结合相位差向量对应的期望值，产生一定量的训练样本；在此基础上，建立RBF神经网络模型，并进行训练；应用训练完成的RBF神经网络，输入信号进行验证，得到输出结果。因而本发明技术方案为：一种基于神经网络的雷达目标测向方法，该方法包括：

步骤1：获得各雷达阵元的排布位置，根据雷达阵元的地理位置对各雷达阵元进行排序；

步骤2：根据给定的单目标源位置信息，计算排序后相邻两雷达阵元之间散射回波信号的相位差，构成相位差向量；

步骤3：对步骤2得到的相位差向量进行预处理，包括添加首尾阵元的相位差、归一化处理；

步骤4：生成与步骤3中相对应的目标位置向量(期望信号向量)，并与步骤3中的数据构成一组训练样本；

步骤5：重复步骤2至步骤4，得到目标在全方位的训练样本；

步骤6：建立径向基函数(RBF)神经网络模型，并进行训练；

步骤7：根据实际情况计算出待检测目标的相位差向量，利用步骤6训练结束的神经网络进行目标检测，得到目标的位置信息。

进一步的，所述步骤1中的雷达阵元排序方法为均匀的圆周排布。

进一步的，所述步骤3所述的预处理包括：对于已经得到的相位差向量，多添加一个首尾阵元的相位差；对新的相位差向量进行归一化处理，使其中的每个元素都在-1≤u≤1之间。

进一步的，所述步骤6中RBF神经网络径向基函数采用如下所示的多二次函数：

式中x为神经网络输入样本，u_k为隐含层中心点，k为中心点的个数；中心点参数通过无监督学习的K-均值聚类算法计算得到次优中心点来确定。

本发明采用神经网络的方法对单目标源进行测向，与传统方法相比，有效的提高了测量精度，提升了测向系统的容错性和稳健性，能够更好的满足在实际应用中高精度测向的需求。

附图说明

图1本发明的一种阵元排布方法示意图；

图2本发明隐含层大小为K的RBF网络结构示意图；

图3本发明基于RBF网络的测向模型学习曲线示意图；

图4本发明RBF测向网络在全方位侧向的均方根误差示意图；(a)方位角均方根误差；(b)

俯仰角均方根误差；(c)将图a旋转后得到的曲线；(d)将图b旋转后得到的曲线；

具体实施方式

以下结合说明书附图对本发明的一种基于神经网络的测向方法做出详细描述。

本发明的一种基于神经网络的测向方法，包括如下步骤：

1)如图1所示，根据雷达的几何模型，确定阵元的排布。这里采用了均匀圆阵(UCA)作为模型来分析。图中的均匀圆形阵列由M个相同且均匀分布在圆周上的天线阵元组成，阵元编号为m＝0,1,2,…,M-1(为了便于分析这里将0号阵元设置在了x轴上)；圆阵半径为R，目标距离UCA圆心的直线距离为r，目标距离阵元m的距离为r_m；目标所在的方位角θ沿着x轴逆时针方向测量，范围为θ∈[-π,π)，俯仰角沿着z轴自上向下进行测量，范围为

2)设阵元接收到的回波信号为窄带信号，那么在该模型下，阵元m接收到的回波信号为下式所示：

式中n＝1,2,…,N为采样得到的离散样本序号，s(n)为单源窄带复信号且信号功率为

ω_m(n)为复高斯白噪声且噪声功率为

λ为回波信号的载频波长，此外信号s(n)和噪声ω(n)在时间和空间上均相对独立，

表示虚部。

目标与m阵元间的直线距离r_m则可以通过下面各式计算得到：

其中ψ_m所示为阵元m沿x轴逆时针测量得到的圆周角度，

所示为阵元m和目标相对于圆心的夹角。

因为R＜＜r，所以对ψ_m进行二阶泰勒级数展开并得到下式：

再将r_m带入x_m得到下式：

定义阵元p和阵元q的相关函数为下式所示：

其中E[·]表示期望，x_p(n)表示阵元p接收到的回波信号；

表示阵元q接收到的回波信号；

在不考虑噪声的情况下，阵元p和阵元q的相位差为下式所示：

其中：

表示阵元p和目标相对于圆心的夹角，

表示阵元q和目标相对于圆心的夹角；

因为R＜＜r，可以将上式进一步简化，阵元p和阵元q的相位差可进一步表示为下式所示：

将ζ_m带入上式可将其表示为如下矩阵相乘的形式：

ψ_p为阵元p沿x轴逆时针测量得到的圆周角度,ψ_q为阵元q沿x轴逆时针测量得到的圆周角度；以上即是阵元p和阵元q的相位差。

设q-p＝l∈Z&1≤l＜M2，就可以得到下式所示的相位差向量：

U＝[u_0,l u_1,l+1 … u_M-l-1,M-1]^T

设均匀阵元总数为M＝9，每个阵元信号通路的采样点数为N＝2048点，令l＝1，不考虑解相位模糊的情况，取R＝0.6579λ，目标所在方位角为θ、俯仰角为

于是得到相位差向量U：

U＝[u_0,1 u_1,2 u_2,3 … u_7,8]^T

3)通常情况下，步骤1)得到的相位差向量U不是0均值的，为了使基于神经网络的测向网络具有0均值的输入信号，可在U中多添加一个相位差信息u_8,0，于是就得到了新的相位差向量U′，如下式所示：

U′＝[u_0,1 u_1,2 u_2,3 … u_7,8 u_8,0]^T

再对U′进行归一化处理使其中的每个元素都在-1≤u≤1之间，这样就得到了经过预处理的神经网络的输入信号向量X，如下式所示：

4)与输入信号向量X相对应的预处理后的期望信号向量D如下式所示：

将其与输入信号向量进行合并，即可得到如下式所示的一组训练样本：

ξ＝{X,D}

5)在信噪比SNR＝0dB时，对方位角θ∈[-180°,180°]和俯仰角

在全方位范围内以1°为步长取目标位置，一共可以得到P＝32851个不同的目标信息，将其重复步骤1)～步骤3)的计算过程，即可得到神经网络所需训练样本，将该训练样本表示为下式所示：

6)根据图2隐含层大小为K的RBF网络结构示意图的基础上，设置中心点的个数为K＝12，输入信号向量X为9×1维，输出的信号向量Y为2×1维，隐含层到输出层的权矩阵w为12×2维，使用的径向基函数为多二次函数，如下式所示：

式中选取的正常数c＝25。

为了寻找隐含层中心点

参数，可以通过无监督学习的K-均值聚类算法计算得到次优中心点

也可以结合测向的几何模型，通过简单地搜索得到中心点参数。

利用RLS算法的步骤对RBF网络的输出层使用有监督学习的方式进行训练，基于RBF网络的测向模型的学习曲线如图3所示。从图中可以看出，在找到最优中心点以后，RBF网络输出层的训练是很快的，大约10次就可以完成训练，此时基于RBF网络的测向模型也已设计完成。

7)选择信噪比SNR＝0dB，方位角θ∈[-180°,180°]和俯仰角

在全方位范围内以1°为步长生成新的测试样本，进行100次蒙特卡洛仿真测试。于是就得到图4所示的在信噪比SNR＝0dB时RBF测向网络在全方位测向的均方根误差。从图4中可以看出，经过训练设计的RBF测向网络同样具有在低信噪比环境下高精度测向的能力。

Claims (1)

1.一种基于神经网络的雷达目标测向方法，该方法包括：

步骤1：获得各雷达阵元的排布位置，根据雷达阵元的地理位置对各雷达阵元进行排序；

步骤2：根据给定的单目标源位置信息，计算排序后相邻两雷达阵元之间散射回波信号的相位差，构成相位差向量；

计算相位差的方法为：

设阵元接收到的回波信号为窄带信号，阵元m接收到的回波信号为下式所示：

式中n＝1,2,…,N为采样得到的离散样本序号，s(n)为单源窄带复信号且信号功率为

ω_m(n)为复高斯白噪声且功率为

λ为回波信号的载频波长，此外信号s(n)和复高斯白噪声ω_m(n)在时间和空间上均相对独立，

表示虚部；

目标与m阵元间的直线距离r_m则可以通过下面各式计算得到：

其中ψ_m所示为阵元m沿x轴逆时针测量得到的圆周角度，

所示为阵元m和目标相对于圆心的夹角；

因为R＜＜r，所以对ψ_m进行二阶泰勒级数展开并得到下式：

再将r_m带入x_m得到下式：

定义阵元p和阵元q的相关函数为下式所示：

其中E[·]表示期望，x_p(n)表示阵元p接收到的回波信号；

表示阵元q接收到的回波信号；

在不考虑噪声的情况下，阵元p和阵元q的相位差为下式所示：

其中：

表示阵元p和目标相对于圆心的夹角，

表示阵元q和目标相对于圆心的夹角；

因为R＜＜r，可以将上式进一步简化，阵元p和阵元q的相位差可进一步表示为下式所示：

将ζ_m带入上式可将其表示为如下矩阵相乘的形式：

ψ_p为阵元p沿x轴逆时针测量得到的圆周角度,ψ_q为阵元q沿x轴逆时针测量得到的圆周角度；以上即是阵元p和阵元q的相位差；

步骤3：对步骤2得到的相位差向量进行预处理，包括添加首尾阵元的相位差、归一化处理；

步骤4：生成与步骤3中相对应的目标位置向量，并与步骤3中的数据构成一组训练样本；

步骤5：重复步骤2至步骤4，得到目标在全方位的训练样本；

步骤6：建立径向基函数RBF神经网络模型，并进行训练；

所述步骤6中RBF神经网络模型的径向基函数采用如下所示的多二次函数：

式中x为神经网络输入样本，u_k为隐含层中心点，k为中心点的个数；中心点参数通过无监督学习的K-均值聚类算法计算得到次优中心点来确定；

步骤7：根据实际情况计算出待检测目标的相位差向量，利用步骤6训练结束的神经网络进行目标检测，得到目标的位置信息；

所述步骤1中的雷达阵元排序方法为均匀的圆周排布；

所述步骤3所述的预处理包括：对于已经得到的相位差向量，多添加一个首尾阵元的相位差；对新的相位差向量进行归一化处理，使其中的每个元素都在-1≤u≤1之间。

Images