CN110045322A - 一种基于高分辨测向语图智能识别的短波自动测向方法 - Google Patents
一种基于高分辨测向语图智能识别的短波自动测向方法 Download PDFInfo
- Publication number
- CN110045322A CN110045322A CN201910218861.XA CN201910218861A CN110045322A CN 110045322 A CN110045322 A CN 110045322A CN 201910218861 A CN201910218861 A CN 201910218861A CN 110045322 A CN110045322 A CN 110045322A
- Authority
- CN
- China
- Prior art keywords
- direction finding
- time
- frequency
- signal
- sonagram
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/10—Radiation diagrams of antennas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/023—Monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/04—Details
- G01S3/12—Means for determining sense of direction, e.g. by combining signals from directional antenna or goniometer search coil with those from non-directional antenna
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/58—Rotating or oscillating beam systems using continuous analysis of received signal for determining direction in the plane of rotation or oscillation or for determining deviation from a predetermined direction in such a plane
- G01S3/66—Narrow-beam systems producing in the receiver a pulse-type envelope signal of the carrier wave of the beam, the timing of which is dependent upon the angle between the direction of the transmitter from the receiver and a reference direction from the receiver; Overlapping broad-beam systems defining in the receiver a narrow zone and producing a pulse-type envelope signal of the carrier wave of the beam, the timing of which is dependent upon the angle between the direction of the transmitter from the receiver and a reference direction from the receiver
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于高分辨测向语图智能识别的短波自动测向方法。该方法包括:接收测向参数;根据测向参数对接收机进行自动置频,得到时域阵列数据;对时域阵列数据进行空间谱估计测向;根据测向累积时长进行多个时间片重复处理,得到时频谱图和混合时频向图;对每个时间片数据进行高分辨测向处理,记录每个时频点的多个测向结果,形成关于每个时间片数据的空间谱测向结果;根据空间谱测向结果进行聚类得到多个角度聚类点;以角度聚类点作为基准角度,将测向结果与每个基准角度进行比较,将判定存在测向结果的时频点的时频向图作为测向语图;利用语图识别网络对测向语图进行信号分类。本发明可提高短波复杂背景条件下自动获取示向度结果的准确性。
Description
技术领域
本发明涉及短波测向技术领域,尤其涉及一种基于高分辨测向语图智能识别的短波自动测向方法。
背景技术
众所周知,无线电测向与定位是电磁频谱监测领域中地重要技术之一,是加强电磁频谱管理、维护空中点播秩序、保障各类无线台站正常工作地一种有效手段,在公安、广电、交通、救灾等领域有着广泛应用,例如非法电台地确定等。无线电整个频谱资源中短波频段具有通信距离远、抗干扰和抗毁能力强等特点,在军事和应急通信中广泛使用。短波频道通信主要基于电离层反射的天波传播,短波电离层具有高度复杂性和时变性特点,短波频道0~30MHz,其信号特点为信号种类多,多载波信号多,分布不均匀;信号个数多,信道拥挤,电磁干扰严重;信号特征快速变化,宽带底噪起伏较大。短波传播距离可达几千公里,短波测向站通常分布比较广,且由于电磁环境要求较高,短波测向站都建在比较偏远地农村地区。
当前测向主要工作流程是由测向机接收测向参数,测向员操作测向机根据配测信息和历史经验,统计多次测向结果上报示向度。随着现代短波通信技术的飞速发展,出现了大量突发、自适应、多址等信号,且短波监测业务需求不断扩大,短波共享体系、协同创新机制的逐步落实,测向站宽窄带装备和任务迅猛增加,测向员任务繁重已难以完成协同测向任务,测向人员少与测向任务爆发式增长之间矛盾也越来越突出,现有测向网在测向能力、测向资源、测向时效等方面难以适应短波升级发展,急需示向度自动估计技术,即根据测向参数进行示向度自动估计,提高短波复杂背景条件下自动获取示向度结果的准确性。
目前国内相关科研单位已展开需求调研、技术研究、实验等工作,主要方法都是基于窄带测向装备实时给出的测向结果(4kHz测向带宽),通过时间累计进行统计平均处理上报测向结果,如果只有一个信号且信噪比较好时对于测向结果的统计平均可以达到自动测向工作。然而实际电磁环境复杂,低信噪比、衰落畸变等情况下把所有数据简单统计平均会使得大量噪声测向结果被统计进去,导致测向误差大甚至失败。如果有同频干扰存在的情况下机器无法分辩期望信号和干扰信号,导致出现在同频干扰情况下存在误判现象及其示向度自动获取精度不高,因此需要加紧研究示向度自动获取技术。
发明内容
针对现有自动测向处理方法中自动获取进度差且在同频干扰情况下存在误判现象,本发明提供一种基于高分辨测向语图智能识别的短波自动测向方法,提高短波复杂背景条件下自动获取示向度结果的准确性。
本发明提供的一种基于高分辨测向语图智能识别的短波自动测向方法,包括以下步骤:
步骤1、接收测向参数;
步骤2、根据测向参数对接收机进行自动置频,利用置频后的接收机解调得到入射信号的时域阵列数据;
步骤3、以设定的测向累积时长时间片对所述时域阵列数据进行空间谱估计测向;
步骤4、根据所述测向累积时长对入射信号进行多个时间片重复处理,得到入射信号的时频谱图和混合时频向图;
步骤5、对每个时间片数据按频域模型进行高分辨测向处理,记录每个时频点对应的多个测向结果,形成关于每个时间片数据的空间谱测向结果;
步骤6、根据所述测向累积时长内多个时间片数据的空间谱测向结果对入射信号进行聚类处理得到多个角度聚类点;
步骤7、以所述角度聚类点作为基准角度,将每个时频点对应的多个测向结果与每个基准角度进行比较,将判定存在测向结果的时频点的时频向图作为测向语图;
步骤8、利用训练好的语图识别网络对所述测向语图进行信号分类。
进一步地,所述步骤1中,通过网络协议接收测向参数,所述测向参数包括:待测入射信号的频率、解调方式、信号时长和信号带宽中的至少一个。
进一步地,所述步骤2中,所述时域阵列数据的信号模型为式(3):
X(t)=A(Θ)S(t)+N(t) (3)
其中,X(t)=[x1(t),x2(t),…,xM(t)]T为阵列输出矢量;A(Θ)=[a(Θ1),a(Θ2),…,a(ΘD)]为阵列流形矩阵;为阵列方向矢量;S(t)=[s1(t),s2(t),…,sD(t)]T为信源矢量;N(t)=[n1(t),n2(t),…,nM(t)]T为阵列加性噪声矢量;M为天线阵元个数;D为入射信号的信号个数;τki为Θi方向的入射信号投射到第k个天线阵元的时延;θi和φi分别是第i个入射信号的方位角和仰角,0°≤θi<360°,0°≤φi<90°,i=1,2,…,D。
进一步地,所述步骤3具体包括:
步骤3.1、采用AIC准则估计入射信号的信号个数;
步骤3.2、根据信号个数估计值划分信号子空间和噪声子空间,采用MUSIC算法计算入射信号的空间谱;
步骤3.3、根据所述空间谱的分布特征采用预设的谱峰搜索方式对入射信号的方位角和仰角进行搜索估计。
进一步地,所述步骤3.1具体为:
将使式(7)中的AIC(E)取值最小的E值作为入射信号的信号个数估计值
其中,N表示观察采样次数;E∈{0,1…,M-1}。
进一步地,所述步骤3.2中,按照式(9)计算入射信号的空间谱PMUSIC(Θ):
其中,UN为噪声子空间,a(Θ)为阵列方向矢量。
进一步地,所述步骤3.3中,所述预设的谱峰搜索方式分为粗搜索阶段和细搜索阶段,所述粗搜索阶段具体为:
步骤3.3.1、对于仰角,在0~30度之间以5度为间隔进行切片采样,在30~70度之间以3度为间隔进行切片采样;对于方位角,以1度为间隔进行切片采样;
步骤3.3.2、将方位角相同的多个样点切片进行比较,选出仰角值最大的切片作为当前方位角切片,得到360个样点切片;
步骤3.3.3、对360个样点切片进行方位角搜索,得到所有极大值点并存储;
所述细搜索阶段具体为:
步骤3.3.4、在所有极大值点中确定个最大的极大值点,并对方位角和仰角均以0.1度为步进在所述个最大的极大值点附近2.0度内进行搜索。
进一步地,所述步骤4具体为:
步骤4.1、将所述时域阵列数据分为L段{X{1},X{2},…,X{L}};
步骤4.2、对每段时域阵列数据做离散傅立叶变换:
步骤4.3、以时间为横坐标,以频率为纵坐标,以颜色为功率大小,形成时频谱图;
步骤4.4、以时间为横坐标、以方位角0~360度为纵坐标、以颜色为测向结果,形成混合时频向图。
进一步地,所述步骤5具体为:
步骤5.1、按照设定的采样频率、采样点数、选取频点数J和频域快拍数K,对每个时间片数据进行离散傅立叶变换得到宽带模型(11):
Xk(fj)=A(fj)Sk(fj)+Nk(fj) (11)
A(fj)=[a1(ωj) a2(ωj)…aN(ωj)] (12)
其中,Xk(fj)、Sk(fj)及Nk(fj)分别为频率点fj的接收数据、信号及噪声的DFT变换,k=1,2,…,K,j=1,2,…,J;
步骤5.2、基于频域模型在每个频率点上独立进行测向空间谱估计测向,将512点划分成L段,计算关于每个时频点的协方差矩阵;
步骤5.3、对每个时频点的协方差矩阵进行特征值分析,形成空间谱图再进行搜索极大值估计入射信号的方位角和仰角。
进一步地,所述步骤6具体为:
步骤6.1、任选I个初始聚类中心:其中,上角标表示聚类过程中的迭代次数;
步骤6.2、在第r次迭代过程中,若对样本Θ有则直至将全部样本分配到I个聚类中;其中,是以为聚类中心的样本子集;
步骤6.3、计算重新分类后的各聚类中心:其中,为中所包含的样本数;
步骤6.4、若则结束迭代过程;否则转步骤6.2。
本发明的有益效果:
本发明提供的一种基于高分辨测向语图智能识别的短波自动测向方法,通过利用人工智能技术来完成语图识别工作,可以巧妙地将信号处理领域里的信号识别问题转化为人工智能技术擅长的图像识别问题。考虑到数字波束形成方法处理过后的语图若直接作为待判断的基础数据,会存在干扰抑制不干净,导致识别判断困难的问题,本发明创造性地提出把语图的时频信息和每个时频像素点测向信息结合起来,形成一种新的测向语图概念,再基于该新的测向语图识别信号与配测信息匹配完成自动测向。
本发明的创造性工作主要包括:(1)把窄带信号测向转化为宽带信号测向可实现高分辨测向语图;(2)把信号识别问题转化为图像识别问题可实现测向结果分辩;(3)人工智能与短波测向的有机结合提升短波测向机器智能化水平。
在形成本发明的技术方案中,主要克服了以下技术难点:(1)在短波复杂背景条件下自动检测时确定频域碰撞点;(2)基于CPU+GPU异构并行计算平台实现高分辨并行空间谱估计测向算法;(3)在短波复杂背景条件下基于深度学习技术实现短波测向语图的自动识别。
附图说明
图1为本发明实施例提供的一种基于高分辨测向语图智能识别的短波自动测向方法的流程示意图;
图2为本发明实施例提供的接收机的天线阵列与入射信号的几何关系示意图;
图3为本发明实施例提供的用于训练语图识别网络的标准AlexNet-styled结构图;
图4为本发明实施例提供的仿真条件1下的混合信号原始语图;
图5中:(a)为本发明实施例提供的仿真条件1下140度方向FSK信号的波束合成语图;(b)为本发明实施例提供的仿真条件1下160度方向morse信号的波束合成语图;
图6中:(a)为本发明实施例提供的仿真条件1下140度方向FSK信号的自动测向语图;(b)为本发明实施例提供的仿真条件1下160度方向morse信号自动测向语图;
图7为本发明实施例提供的仿真条件2下的混合信号原始语图
图8中:(a)为本发明实施例提供的仿真条件2下140度方向FSK信号的波束合成语图;(b)为本发明实施例提供的仿真条件2下160度方向PSK信号的波束合成语图;
图9中:(a)为本发明实施例提供的仿真条件2下140度方向FSK信号的自动测向语图;(b)为本发明实施例提供的仿真条件2下160度方向FSK信号的自动测向语图;
图10为本发明实施例提供的仿真条件3下的混合信号原始语图;
图11中:(a)为本发明实施例提供的仿真条件3下140度方向定频FSK信号的波束合成语图;(b)为本发明实施例提供的仿真条件3下160度方向突发PSK信号的波束合成语图;
图12中:(a)为本发明实施例提供的仿真条件3下140度方向定频FSK信号的自动测向语图;(b)为本发明实施例提供的仿真条件3下160度方向突发PSK信号的自动测向语图;
图13为本发明实施例提供的卷积神经网络训练示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
通过仔细分析人工测向过程可知,人工测向过程除了实时测向结果显示在圆盘上,主要还配有数字波束合成语图,通过不同测向结果的选取,利用数字波束形成方法在期望方向形成主波束,在干扰方向具有一定抑制能力,对比合成前后语图变化来判断选取方位所对应的信号语图时频分布,再结合配测信息(信号具有不同时频分布特征)实现多个测向结果的选取,这个过程综合利用了视觉、听觉和自动测向结果来给出最后准确测向结果,需要人工深度参与。本发明为了实现机器代替人工完成测向工作,引入人工智能技术。作为人工智能技术的核心,机器学习方法在处理大容量、高维度数据方面展现出独特的学习能力和优势。研究将机器学习方法及技术应用于短波自动测向领域无疑具有十分重要的价值和意义。本发明通过利用人工智能技术来完成语图识别工作,可以巧妙地将信号处理领域里的信号识别问题转化为人工智能技术擅长的图像识别问题。考虑到数字波束形成方法处理过后的语图若直接作为待判断的基础数据,会存在干扰抑制不干净,导致识别判断困难的问题,本发明创造性地提出把语图的时频信息和每个时频像素点测向信息结合起来,形成一种新的测向语图概念,再基于该新的测向语图识别信号与配测信息匹配完成自动测向。
本发明的创造性工作主要包括:(1)把窄带信号测向转化为宽带信号测向可实现高分辨测向语图;(2)把信号识别问题转化为图像识别问题可实现测向结果分辩;(3)人工智能与短波测向的有机结合提升短波测向机器智能化水平。
在形成本发明的技术方案中,主要克服了以下技术难点:(1)在短波复杂背景条件下自动检测时确定频域碰撞点;(2)基于CPU+GPU异构并行计算平台实现高分辨并行空间谱估计测向算法;(3)在短波复杂背景条件下基于深度学习技术实现短波测向语图的自动识别。
图1为本发明实施例提供的一种基于高分辨测向语图智能识别的短波自动测向方法的流程示意图。如图1所示,该方法包括以下步骤:
S101、测向机接收测向参数;
本实施例中的测向机也称无线电测向机。测向机包括多通道同步接收机、校正模块和测向处理模块等,完成对于无线电信号测向工作。其中,接收机是对一定频率范围的无线电信号进行采样的采样设备,完成获取原始IQ数据的工作。IQ数据指基带的同向分量和正交分量。测向机需要通过网络协议接收测向参数,为保证可靠连接不丢任务,本实施例采用TCP协议,基于命令号加上可变数据长度实现。接收到的测向参数包括待测入射信号的频率、解调方式、信号时长和/或信号带宽,以及其它已知信号属性等参数。其中,频率用于接收机置频,其它参数用于选取期望信号。
S102、测向机根据测向参数对接收机进行自动置频,利用置频后的接收机解调得到入射信号的时域阵列数据;
具体地,接收机的天线阵列可以按照任意几何位置进行排列。如图2所示的一个按照任意几何位置排列的包括M个阵元的天线阵列。设同时有D个具有相同中心频率ω0,波长为λ的空间窄带平面波(M>D)分别以来向角Θ1,Θ2,…,ΘD入射到该天线阵列,其中i=1,2,…,D,θi和φi分别是第i个入射信号的方位角和仰角,并且满足0°≤θi<360°,0°≤φi<90°。此时,可用式(1)所示的信号模型来表示第k个阵元的输出:
式(1)中si(t)为入射到阵列的第i个源信号,gki为第k个阵元对第i个信号的复增益,nk(t)表示第k个阵元上的加性噪声,τki为Θi方向的入射信号投射到第k个天线阵元的时延。
对于窄带信号远场模型下,将M个阵元的接收信号排列成一个列矢量,且gki≈1,可得:
因此,接收机解调得到入射信号的时域阵列数据的信号模型为式(3):
X(t)=A(Θ)S(t)+N(t) (3)
式(3)中:X(t)=[x1(t),x2(t),…,xM(t)]T为阵列输出矢量;
A(Θ)=[a(Θ1),a(Θ2),…,a(ΘD)]为阵列流形矩阵;
为阵列方向矢量;
S(t)=[s1(t),s2(t),…,sD(t)]T为信源矢量;
N(t)=[n1(t),n2(t),…,nM(t)]T为阵列加性噪声矢量。
S103、测向机以设定的测向累积时长时间片对所述时域阵列数据进行空间谱估计测向;考虑到人眼反应速度和短时信号处理等因素,同时也为了平衡计算精度和计算速度,目前的主流测向机一般都采用40ms时间片,即测向累积时长设置为40ms。
具体地,本步骤包括以下子步骤:
S1031、采用AIC准则估计入射信号的信号个数;
基于阵列接收矩阵可求解阵列输出协方差矩阵:
可以证明RX是正定Hermitain矩阵,若利用酉变换实现对角化,其相似对角阵是由M个不同的正实数组成,与之对应的M个特征矢量是线性独立的。因此RX的特征分解可以写为式(5):
式(5)中Σ=diag[λ1,λ2,…,λM],由于矩阵RX是正定Hermitain方阵,所以它的特征值均为正实数,如果将RX的特征值按大小顺序排列,则可得:
即前D个特征值与信号有关,其数值大于这D个较大特征值λ1,λ2,…λD所对应的特征向量构成信号子空间US=[e1,e2,…,eD],记ΣS是由D个较大特征值构成的对角阵。而后M-D个特征值完全决定于噪声,其数值均等于λD+1,λD+2,…λM所对应的特征向量构成噪声子空间UN=[eD+1,eD+2,…,eM],记ΣN是由M-D个较小特征值构成的对角阵。
上面介绍了信号子空间和噪声子空间,可知:在在空间谱测向估计过程中估计信号源个数D是一个重要问题,其估计准确与否将直接影响到信号子空间和噪声子空间之间的划分,最终影响空间谱估计的性能,本实施例利用AIC准则:具体为:
将使式(7)中的AIC(E)取值最小的E值作为入射信号的信号个数估计值
其中,N表示观察采样次数;E∈{0,1…,M-1}。
S1032、根据信号个数估计值划分信号子空间和噪声子空间,采用MUSIC算法计算入射信号的空间谱;
在估计得到信号个数后,就可以基于估计值划分信号子空间US和噪声子空间UN。由于A(Θ)RS是列满秩的,因此有
AH(Θ)ei=0,i=D+1,…,M (8)
由式(8)可知,矩阵A(Θ)张成的子空间与噪声子空间UN正交,又因为A(Θ)中的每一列是线性独立的,因此它与信号子空间US张成同一子空间。此时本实施例将采用MUSIC算法进行DOA估计的问题转化为在所有的Θ取值中,寻找在US中最大投影的D个a(Θ),或者寻找在UN中投影最小的D个a(Θ),一般习惯求最大值,即按照式(9)计算入射信号Θ的空间谱PMUSIC(Θ):
S1033、根据所述空间谱的分布特征采用预设的谱峰搜索方式对入射信号的方位角和仰角进行搜索估计。
具体地,形成空间谱图后,分别对方位角和仰角联合进行搜索估计,为了降低谱峰搜索的计算量达到实时处理目的,本实施例设计根据空间谱图的分布特征把谱峰搜索分为粗搜索阶段和细搜索阶段。首先进行粗搜索,找到信号方向区间,然后进行细搜索,确定信号方向。
粗搜索的目的是在不丢失有效谱峰的前提下降低计算量,提高搜索速度,所述粗搜索阶段是将二维搜索变成一维搜索,具体为:
步骤a、对于仰角,在0~30度之间以5度为间隔进行切片采样,在30~70度之间以3度为间隔进行切片采样;对于方位角,以1度为间隔进行切片采样。
具体地,若仰角位于0~30度:7个采样点分别为0、5、10、15、20、25、30;若仰角位于30~70度:13个采样点分别为33、36、39、42、45、48、51、54、57、60、63、66、69。采用这种采样方式,主要是考虑到空间谱在低仰角时较平坦,高仰角时陡峭。需要说明的是,考虑到天线阵对于仰角位于70~90度的入射信号接收不好且幅相差很小,无法有效测向,因此在采样时忽略对仰角位于70~90度信号的采样。根据该角度采样方式,可知本步骤共需计算20×360个样点。
步骤b、将方位角相同的多个样点切片进行比较,选出仰角值最大的切片作为当前方位角切片,得到360个样点切片;
步骤c、对360个样点切片进行方位角搜索,得到所有极大值点并存储。
需要说明的是,如果只搜索单个信号,粗搜索阶段将简化为从20×360个样点中搜索极大值的过程。
为提高测向精度,需要在粗搜索之后进行细搜索。所述细搜索阶段具体为:
步骤d、在所有极大值点中确定个最大的极大值点,并对方位角和仰角均以0.1度为步进在所述个最大的极大值点附近2.0度内进行搜索。
具体地,如果信号个数为2,则找出2个最大的极大值点,在其周围进行细搜索。此时搜索过程为二维搜索。
S104、测向机根据所述测向累积时长对入射信号进行多个时间片重复处理,得到入射信号的时频谱图和混合时频向图;
具体地,本步骤包括以下子步骤:
S1041、将所述时域阵列数据分为L段{X{1},X{2},…,X{L}};
S1042、对每段时域阵列数据做离散傅立叶变换:例如,若在步骤S103中,测向机采用40ms时间片,而测向机在进行信号采样时,采样时长为1000ms,则可知L=1000/40=25。
S1043、以时间为横坐标,以频率为纵坐标,以颜色为功率大小,形成时频谱图;
如式(10)所示的时频谱数据,行数据表示某一个频率点的L段时间片,列数据表示某一段时间片的256个频率点。
S1044、以时间为横坐标、以方位角0~360度为纵坐标、以颜色为测向结果,形成混合时频向图。即:θ{1}θ{2}...θ{L}。
S105、测向机对每个时间片数据按频域模型进行高分辨测向处理,记录每个时频点对应的多个测向结果,形成关于每个时间片数据的空间谱测向结果;
具体地,本步骤包括以下子步骤:
S1051、按照设定的采样频率、采样点数、选取频点数J和频域快拍数K,对每个时间片数据进行离散傅立叶变换得到宽带模型(11):
Xk(fj)=A(fj)Sk(fj)+Nk(fj) (11)
A(fj)=[a1(ωj) a2(ωj)…aN(ωj)] (12)
其中,Xk(fj)、Sk(fj)及Nk(fj)分别为频率点fj的接收数据、信号及噪声的DFT变换,k=1,2,…,K,j=1,2,…,J;作为一种可实施方式,采样频率可设置为12.5KHz,采样点数为512点,J=256,K≤L。
S1052、基于频域模型在每个频率点上独立进行测向空间谱估计测向,将所述采样点数划分成L段,计算关于每个时频点的协方差矩阵(14):
S1053、对每个时频点的协方差矩阵进行特征值分析,形成空间谱图再进行搜索极大值估计入射信号的方位角和仰角。
S106、测向机根据所述测向累积时长内多个时间片数据的空间谱测向结果对入射信号进行聚类处理得到多个角度聚类点;
具体地,本步骤包括以下子步骤:
S1061、任选I个初始聚类中心:其中,上角标表示聚类过程中的迭代次数;一般情况下,I=3。
S1062、在第r次迭代过程中,若对样本Θ有则直至将全部样本分配到I个聚类中;其中,是以为聚类中心的样本子集;
S1063、计算重新分类后的各聚类中心:其中,为 中所包含的样本数;
S1064、若则结束迭代过程;否则转步骤S1062。
具体地,即当第r步和第r+1步计算到的聚类中心基本一致,则迭代停止。
S107、测向机以所述角度聚类点作为基准角度,将每个时频点对应的多个测向结果与每个基准角度进行比较,将判定存在测向结果的时频点的时频向图作为测向语图;
具体地,由于每个时频点上进行高分辨测向会有多个测向结果,基于步骤S106得到的角度聚类点进行处理,把每个角度聚类点作为基准,每个时频点上的多个测向结果与基准比较,作为一种可实施方式,若差值在3度以内且空间谱峰值在门限之上的,认为该时频点有相应测向结果;若差值在3度以外或空间谱峰值在门限之下的,认为该时频点没有相应测向结果。
S108、测向机利用训练好的语图识别网络对所述测向语图进行信号分类。
具体地,在测向机进入信号分类的工作阶段之前,需要训练一个语图识别网络。作为一种可实施方式,采用迁移学习技术,修改经典的用于图像识别的卷积神经网络(如AlexNet、Vgg16等)输出层,包括设置输出层为软判决分类器,设置所需处理信号的类别数为分类器输出类数;再利用上述处理得到的信号自动测向语图样本集合,利用反向传播算法训练该卷积神经网络直至收敛。比较常见的CW、AM、SSB、Morse、FSK、PSK等常规信号皆可从时频谱图判读,特殊信号时频谱图更是有其特定帧结构、特殊字段、导频等,这些都可以视作一类具有特殊纹理和形态的图像形式,所以本实施例设计将自动测向语图看成一副图片,借助在图像识别中获得巨大成功的深度学习,巧妙地解决信号测向信号识别分类问题。然后,在工作阶段,将待识别图像分辨率转换为卷积神经网络要求的大小(如AlexNet要求227×227,Vgg16要求224×224),输入该卷积神经网络,得到信号类别。
作为一种可实施方式,如图3所示,采用AlexNet卷积神经网络训练语图识别网络的标准AlexNet-styled网络结构示意图。
如图4至图12所示,本发明提供了三种仿真条件下,两个信号发生频谱碰撞时,利用数字波束形成方法得到的语图和本发明设计的新的测向语图之间的示意图。通过对比可知:数字波束形成方法处理过后的语图若直接作为待判断的基础数据,会存在干扰抑制不干净,导致识别判断困难的问题,而本发明提出的把语图的时频信息和每个时频像素点测向信息结合起来,形成的新的测向语图则更容易识别。其中:
仿真条件1:10元圆阵,半径50米,两个信号发生频谱碰撞,信号1为FSK信号(方位角140度),其为定频信号;信号2为morse信号(方位角160度),其为短时信号。
仿真条件2:10元圆阵,半径50米,两个信号发生频谱碰撞,信号1为FSK信号(方位角140度),其为定频信号,信号2为PSK信号(方位角160度),其为定频信号。
仿真条件3:10元圆阵,半径50米,两个信号发生频谱碰撞,信号1为FSK信号(方位角140度),其为定频信号,信号2为PSK信号(方位角160度),其为短时信号。
获取自动测向语图以后利用深度学习技术利用实现测向语图的智能识别,最后选择最匹配示向度上报完成自动测向任务。图13是利用matlab矩阵实验室所含机器视觉工具箱训练图片集合示意图,当准确度曲线接近100%并收敛,即可停止迭代,生成语图识别网络。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于高分辨测向语图智能识别的短波自动测向方法,其特征在于,包括:
步骤1、接收测向参数;
步骤2、根据测向参数对接收机进行自动置频,利用置频后的接收机解调得到入射信号的时域阵列数据;
步骤3、以设定的测向累积时长时间片对所述时域阵列数据进行空间谱估计测向;
步骤4、根据所述测向累积时长对入射信号进行多个时间片重复处理,得到入射信号的时频谱图和混合时频向图;
步骤5、对每个时间片数据按频域模型进行高分辨测向处理,记录每个时频点对应的多个测向结果,形成关于每个时间片数据的空间谱测向结果;
步骤6、根据所述测向累积时长内多个时间片数据的空间谱测向结果对入射信号进行聚类处理得到多个角度聚类点;
步骤7、以所述角度聚类点作为基准角度,将每个时频点对应的多个测向结果与每个基准角度进行比较,将判定存在测向结果的时频点的时频向图作为测向语图;
步骤8、利用训练好的语图识别网络对所述测向语图进行信号分类。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,通过网络协议接收测向参数,所述测向参数包括:待测入射信号的频率、解调方式、信号时长和信号带宽中的至少一个。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中,所述时域阵列数据的信号模型为式(3):
X(t)=A(Θ)S(t)+N(t) (3)
其中,X(t)=[x1(t),x2(t),…,xM(t)]T为阵列输出矢量;A(Θ)=[a(Θ1),a(Θ2),…,a(ΘD)]为阵列流形矩阵;为阵列方向矢量;S(t)=[s1(t),s2(t),…,sD(t)]T为信源矢量;N(t)=[n1(t),n2(t),…,nM(t)]T为阵列加性噪声矢量;M为天线阵元个数;D为入射信号的信号个数;τki为Θi方向的入射信号投射到第k个天线阵元的时延;θi和φi分别是第i个入射信号的方位角和仰角,0°≤θi<360°,0°≤φi<90°,i=1,2,…,D。
4.根据权利要求3所述的方法,其特征在于,所述步骤3具体包括:
步骤3.1、采用AIC准则估计入射信号的信号个数;
步骤3.2、根据信号个数估计值划分信号子空间和噪声子空间,采用MUSIC算法计算入射信号的空间谱;
步骤3.3、根据所述空间谱的分布特征采用预设的谱峰搜索方式对入射信号的方位角和仰角进行搜索估计。
5.根据权利要求4所述的方法,其特征在于,所述步骤3.1具体为:
将使式(7)中的AIC(E)取值最小的E值作为入射信号的信号个数估计值
其中,N表示观察采样次数;E∈{0,1…,M-1}。
6.根据权利要求4所述的方法,其特征在于,所述步骤3.2中,按照式(9)计算入射信号的空间谱PMUSIC(Θ):
其中,UN为噪声子空间,a(Θ)为阵列方向矢量。
7.根据权利要求4所述的方法,其特征在于,所述步骤3.3中,所述预设的谱峰搜索方式分为粗搜索阶段和细搜索阶段,所述粗搜索阶段具体为:
步骤3.3.1、对于仰角,在0~30度之间以5度为间隔进行切片采样,在30~70度之间以3度为间隔进行切片采样;对于方位角,以1度为间隔进行切片采样;
步骤3.3.2、将方位角相同的多个样点切片进行比较,选出仰角值最大的切片作为当前方位角切片,得到360个样点切片;
步骤3.3.3、对360个样点切片进行方位角搜索,得到所有极大值点并存储;
所述细搜索阶段具体为:
步骤3.3.4、在所有极大值点中确定个最大的极大值点,并对方位角和仰角均以0.1度为步进在所述个最大的极大值点附近2.0度内进行搜索。
8.根据权利要求3所述的方法,其特征在于,所述步骤4具体为:
步骤4.1、将所述时域阵列数据分为L段{X{1},X{2},…,X{L}};
步骤4.2、对每段时域阵列数据做离散傅立叶变换:
步骤4.3、以时间为横坐标,以频率为纵坐标,以颜色为功率大小,形成时频谱图;
步骤4.4、以时间为横坐标、以方位角0~360度为纵坐标、以颜色为测向结果,形成混合时频向图。
9.根据权利要求8所述的方法,其特征在于,所述步骤5具体为:
步骤5.1、按照设定的采样频率、采样点数、选取频点数J和频域快拍数K,对每个时间片数据进行离散傅立叶变换得到宽带模型(11):
Xk(fj)=A(fj)Sk(fj)+Nk(fj) (11)
其中,Xk(fj)、Sk(fj)及Nk(fj)分别为频率点fj的接收数据、信号及噪声的DFT变换,k=1,2,…,K,j=1,2,…,J;
步骤5.2、基于频域模型在每个频率点上独立进行测向空间谱估计测向,将512点划分成L段,计算关于每个时频点的协方差矩阵;
步骤5.3、对每个时频点的协方差矩阵进行特征值分析,形成空间谱图再进行搜索极大值估计入射信号的方位角和仰角。
10.根据权利要求9所述的方法,其特征在于,所述步骤6具体为:
步骤6.1、任选I个初始聚类中心:其中,上角标表示聚类过程中的迭代次数;
步骤6.2、在第r次迭代过程中,若对样本Θ有则直至将全部样本分配到I个聚类中;其中,是以为聚类中心的样本子集;
步骤6.3、计算重新分类后的各聚类中心:其中,为中所包含的样本数;
步骤6.4、若则结束迭代过程;否则转步骤6.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218861.XA CN110045322B (zh) | 2019-03-21 | 2019-03-21 | 一种基于高分辨测向语图智能识别的短波自动测向方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218861.XA CN110045322B (zh) | 2019-03-21 | 2019-03-21 | 一种基于高分辨测向语图智能识别的短波自动测向方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045322A true CN110045322A (zh) | 2019-07-23 |
CN110045322B CN110045322B (zh) | 2021-01-22 |
Family
ID=67274991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218861.XA Active CN110045322B (zh) | 2019-03-21 | 2019-03-21 | 一种基于高分辨测向语图智能识别的短波自动测向方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045322B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110534126A (zh) * | 2019-09-07 | 2019-12-03 | 广州智伴人工智能科技有限公司 | 一种基于固定波束形成的声源定位和语音增强方法及系统 |
CN110554352A (zh) * | 2019-09-11 | 2019-12-10 | 哈尔滨工业大学 | 基于vgg16神经网络的航天测控系统干扰源波达方向估计方法 |
CN110988787A (zh) * | 2019-12-20 | 2020-04-10 | 上海创远仪器技术股份有限公司 | 无线信号测向监测中基于聚类分析实现最优测向角测量的方法 |
CN111610488A (zh) * | 2020-04-08 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826900A (zh) * | 2010-03-25 | 2010-09-08 | 电子科技大学 | 一种搜索最小幅度向量夹角的天线阵列测向方法 |
CN102749612A (zh) * | 2012-07-25 | 2012-10-24 | 中国人民解放军信息工程大学 | 一种相关干涉仪的快速测向方法 |
CN104298850A (zh) * | 2014-07-18 | 2015-01-21 | 哈尔滨工业大学深圳研究生院 | 信源数未知的相干信号测向方法及系统 |
JP2015087133A (ja) * | 2013-10-28 | 2015-05-07 | 株式会社東芝 | 信号検出装置および信号検出方法 |
CN106405484A (zh) * | 2016-08-31 | 2017-02-15 | 成都九华圆通科技发展有限公司 | 基于载人飞行器的多功能无线电监测测向系统 |
CN106772224A (zh) * | 2016-12-28 | 2017-05-31 | 武汉大学 | 一种采用时频分析的l型阵列二维波达方向估计算法 |
US20180172794A1 (en) * | 2016-12-15 | 2018-06-21 | Bae Systems Information And Electronic Systems Integration Inc. | System and method for rank estimation of electromagnetic emitters |
CN108414966A (zh) * | 2018-01-09 | 2018-08-17 | 上海交通大学 | 一种基于时间调制的宽带线性调频信号测向系统及方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
-
2019
- 2019-03-21 CN CN201910218861.XA patent/CN110045322B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826900A (zh) * | 2010-03-25 | 2010-09-08 | 电子科技大学 | 一种搜索最小幅度向量夹角的天线阵列测向方法 |
CN102749612A (zh) * | 2012-07-25 | 2012-10-24 | 中国人民解放军信息工程大学 | 一种相关干涉仪的快速测向方法 |
JP2015087133A (ja) * | 2013-10-28 | 2015-05-07 | 株式会社東芝 | 信号検出装置および信号検出方法 |
CN104298850A (zh) * | 2014-07-18 | 2015-01-21 | 哈尔滨工业大学深圳研究生院 | 信源数未知的相干信号测向方法及系统 |
CN106405484A (zh) * | 2016-08-31 | 2017-02-15 | 成都九华圆通科技发展有限公司 | 基于载人飞行器的多功能无线电监测测向系统 |
US20180172794A1 (en) * | 2016-12-15 | 2018-06-21 | Bae Systems Information And Electronic Systems Integration Inc. | System and method for rank estimation of electromagnetic emitters |
CN106772224A (zh) * | 2016-12-28 | 2017-05-31 | 武汉大学 | 一种采用时频分析的l型阵列二维波达方向估计算法 |
CN108414966A (zh) * | 2018-01-09 | 2018-08-17 | 上海交通大学 | 一种基于时间调制的宽带线性调频信号测向系统及方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
Non-Patent Citations (3)
Title |
---|
DEWEN QI 等: ""Design of a Broadband-Intermediate-Frequency Multi-Frequency Shortwave Signal Observation System Based on FPGA"", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION NINGBO》 * |
HAIYAN SONG 等: ""Vector-sensor array DOA estimation based on spatio-temporal correlation matrices joint diagonalization using Jacobi rotation"", 《2018 EIGTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION AND MEASUREMENT,COMPUTER,COMMUNICATION AND CONTROL》 * |
郭跃 等: ""阵列测向中的精确高速并行谱峰搜索算法"", 《微电子学与计算机》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110534126A (zh) * | 2019-09-07 | 2019-12-03 | 广州智伴人工智能科技有限公司 | 一种基于固定波束形成的声源定位和语音增强方法及系统 |
CN110534126B (zh) * | 2019-09-07 | 2022-03-22 | 广州智伴人工智能科技有限公司 | 一种基于固定波束形成的声源定位和语音增强方法及系统 |
CN110554352A (zh) * | 2019-09-11 | 2019-12-10 | 哈尔滨工业大学 | 基于vgg16神经网络的航天测控系统干扰源波达方向估计方法 |
CN110988787A (zh) * | 2019-12-20 | 2020-04-10 | 上海创远仪器技术股份有限公司 | 无线信号测向监测中基于聚类分析实现最优测向角测量的方法 |
CN110988787B (zh) * | 2019-12-20 | 2023-11-17 | 上海创远仪器技术股份有限公司 | 无线信号测向监测中基于聚类分析实现最优测向角测量的方法 |
CN111610488A (zh) * | 2020-04-08 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
CN111610488B (zh) * | 2020-04-08 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110045322B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045322A (zh) | 一种基于高分辨测向语图智能识别的短波自动测向方法 | |
Sheng et al. | Maximum likelihood multiple-source localization using acoustic energy measurements with wireless sensor networks | |
CN106788815B (zh) | 一种基于多体制探测数据的短波通信可靠性评估方法 | |
CN102624468B (zh) | 基于双fft的宽带自动检测方法 | |
CN107820255B (zh) | 一种改进的协方差绝对值协作频谱感知方法 | |
CN108809450B (zh) | 一种分布式频谱监测方法 | |
CN110045337A (zh) | 基于张量子空间投影的高频地波雷达射频干扰抑制方法 | |
CN111130630A (zh) | 一种通信卫星频谱监测设备及其频谱获取与特征识别方法 | |
CN108122310A (zh) | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 | |
CN106970349A (zh) | 一种基于改进的music算法的ads‑b信号波达方向估计方法 | |
Moayyed et al. | Clustering algorithms and validation indices for mmWave radio multipath propagation | |
CN108649977B (zh) | 一种阵型可配置的自适应天线阵抗干扰方法及装置 | |
CN115508799A (zh) | 一种基于矩空间的分布式被动雷达目标检测方法 | |
Hsiao et al. | Super-resolution time-of-arrival estimation using neural networks | |
CN112924924B (zh) | 一种基于l1范数稀疏表示的宽带信号DOA估计方法 | |
CN113805139A (zh) | 基于聚焦变换的宽带信号稀疏表示波达方向估计方法 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
CN113630720B (zh) | 基于WiFi信号强度和生成对抗网络的室内定位方法 | |
Chen et al. | CSI of each subcarrier is a fingerprint: Multi-carrier cumulative learning based positioning in massive MIMO systems | |
Hou et al. | Stochastic cluster models for 5G channels based on passive sounding in in-service networks | |
Moayyed et al. | Clustering validation for mmWave multipath components in outdoor transmissions | |
CN114339776B (zh) | 天线权值调优方法、装置、设备和计算机可读存储介质 | |
Giesbrecht et al. | Improved techniques for monitoring the HF spectrum | |
CN113514808B (zh) | 一种用于判定小型无人机目标个数的智能辨识方法 | |
Xue et al. | A novel clustering method based on density peaks and its validation by channel measurement |
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 | ||
GR01 | Patent grant |