CN110988787A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110988787A
CN110988787A CN201911324838.5A CN201911324838A CN110988787A CN 110988787 A CN110988787 A CN 110988787A CN 201911324838 A CN201911324838 A CN 201911324838A CN 110988787 A CN110988787 A CN 110988787A
Authority
CN
China
Prior art keywords
finding
angle
cluster
period
weight
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
Application number
CN201911324838.5A
Other languages
English (en)
Other versions
CN110988787B (zh
Inventor
杜中明
李辑
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.)
Shanghai TransCom Instruments Co Ltd
Original Assignee
Shanghai TransCom Instruments Co Ltd
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 Shanghai TransCom Instruments Co Ltd filed Critical Shanghai TransCom Instruments Co Ltd
Priority to CN201911324838.5A priority Critical patent/CN110988787B/zh
Publication of CN110988787A publication Critical patent/CN110988787A/zh
Application granted granted Critical
Publication of CN110988787B publication Critical patent/CN110988787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00Measuring angles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S3/00Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02Direction-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
    • G01S3/14Systems for determining direction or deviation from predetermined direction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种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,包括以下步骤:设置聚类精度;输入测向角度数据;根据聚类精度找出加权平均角度聚类簇;计算本周期的权重、本周期总权重和本周期加权测向平均角度;迭代合并聚类簇中加权平均测向角度;计算最优测向角度。采用了本发明的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,应用于测向系统中,具有较强的稳健性,较强的抗干扰能力和较强的准确性,可以很好的满足在实时测向过程中的最优测向角的实时性和准确性要求。

Description

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
技术领域
本发明涉及测量监测领域,尤其涉及测向系统领域,具体是指一种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。
背景技术
针对传统测向监测过程中频点最优角测量方法,较难平衡测向角度,测向质量,出现次数,导致最优角波动幅度大,对实时显示和后续多站交叉测向定位有较大困难,针对该问题,提出一种基于聚类分析的测向最优角测量技术。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种满足误差小、精度高、适用范围较为广泛的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。
为了实现上述目的,本发明的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如下:
该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,其主要特点是,所述的方法包括以下步骤:
(1)设置聚类精度;
(2)输入测向角度数据;
(3)根据聚类精度找出加权平均角度聚类簇;
(4)计算本周期的权重、本周期总权重和本周期加权测向平均角度;
(5)迭代合并聚类簇中加权平均测向角度;
(6)计算最优测向角度。
较佳地,所述的步骤(5)具体包括以下步骤:
(5.1)判断本周期角度和聚类簇中角度的加权平均角度之差是否小于聚类精度,如果是,则合并加权平均测向角度并计算;否则,添加到新的聚类簇中。
较佳地,所述的步骤(6)中的最优测向角度为权重最大的加权平均角度。
较佳地,所述的步骤(2)中的测向角度数据包括测向频点、测向角度、测向质量和出现次数。
较佳地,所述的步骤(4)中计算本周期的权重,具体为:
根据以下公式计算本周期的权重:
Figure BDA0002328111190000021
其中,w为本周期的权重,q为测向质量,t为本周期出现次数。
较佳地,所述的步骤(4)中计算本周期总权重,具体为:
根据以下公式计算本周期总权重:
Figure BDA0002328111190000022
其中,wk为总权重,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重。
较佳地,所述的步骤(4)中计算本周期加权测向平均角度,具体为:
根据以下公式计算本周期加权测向平均角度:
Figure BDA0002328111190000023
其中,ak为本周期加权测向平均角度,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重,ai为上次加权平均测向角。
较佳地,所述的步骤(5.1)中计算合并加权平均测向角度,具体为:
若|ai-aj|<=p,那么将j簇合并到i簇,
根据以下公式计算合并加权平均测向角度:
at=(ai×wi+aj×wj)÷(wi+wj);
根据以下公式计算合并权重:
wt=wi+wj
其中i和j为簇序号,ai为i簇的加权平均角度,wi为i簇的权重,aj为j簇的加权平均角度,wj为j簇的权重,p为聚类精度,at为合并后加权平均测向角度,wt为合并后权重。
采用了本发明的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,应用于测向系统中,具有较强的稳健性,较强的抗干扰能力和较强的准确性,可以很好的满足在实时测向过程中的最优测向角的实时性和准确性要求。
附图说明
图1为本发明的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的流程图。
图2为本发明的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的偏差值对比图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
如图1所示,本发明的该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,其中包括以下步骤:
(1)设置聚类精度;
(2)输入测向角度数据;
(3)根据聚类精度找出加权平均角度聚类簇;
(4)计算本周期的权重、本周期总权重和本周期加权测向平均角度;
(5)迭代合并聚类簇中加权平均测向角度;
(5.1)判断本周期角度和聚类簇中角度的加权平均角度之差是否小于聚类精度,如果是,则合并加权平均测向角度并计算;否则,添加到新的聚类簇中;
(6)计算最优测向角度。
作为本发明的优选实施方式,所述的步骤(6)中的最优测向角度为权重最大的加权平均角度。
作为本发明的优选实施方式,所述的步骤(2)中的测向角度数据包括测向频点、测向角度、测向质量和出现次数。
作为本发明的优选实施方式,所述的步骤(4)中计算本周期的权重,具体为:
根据以下公式计算本周期的权重:
Figure BDA0002328111190000031
其中,w为本周期的权重,q为测向质量,t为本周期出现次数。
作为本发明的优选实施方式,所述的步骤(4)中计算本周期总权重,具体为:
根据以下公式计算本周期总权重:
Figure BDA0002328111190000032
其中,wk为总权重,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重。
作为本发明的优选实施方式,所述的步骤(4)中计算本周期加权测向平均角度,具体为:
根据以下公式计算本周期加权测向平均角度:
Figure BDA0002328111190000041
其中,ak为本周期加权测向平均角度,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重,ai为上次加权平均测向角。
作为本发明的优选实施方式,所述的步骤(5.1)中计算合并加权平均测向角度,具体为:
若|ai-aj|<=p,那么将j簇合并到i簇,
根据以下公式计算合并加权平均测向角度:
at=(ai×wi+aj×wj)÷(wi+wj);
根据以下公式计算合并权重:
wt=wi+wj
其中i和j为簇序号,ai为i簇的加权平均角度,wi为i簇的权重,aj为j簇的加权平均角度,wj为j簇的权重,p为聚类精度,at为合并后加权平均测向角度,wt为合并后权重。
本发明的具体实施方式中,本发明采用改良K-means聚类算法,首先设置的测向角度精度聚类,输入周期内出现的测向角度,测向质量和出现次数,找到属于自己的加权平均测向角度簇,计算本期的权重和加权平均角度,然后根据设置的聚类精度合并加权平均测向角度,最后得到加权测向角度聚类簇中的最大权重为最优测向角。
步骤一:设置聚类精度。
步骤二:输入测向角度数据。测向角度数据包含测向频点,测向角度,测向质量和出现次数。
步骤三:根据聚类精度找到自己的加权平均角度聚类簇。
步骤四:计算本周期的权重,总权重和本周期的加权测向平均角度。计算公式为:
本周期权重=本周期出现次数*测向质量/10;
本周期总权重=上次总权重+本周期权重;
本周期的加权测向平均角度=(上次加权平均测向角*上次总权重+本周期权重*本周期测向角度)/本周期次总权重;
步骤五:迭代合并聚类簇中加权平均测向角度。本期角度和聚类集合中其它角度比较,两者之间的加权平均角度之差在设置的精度范围内,合并加权平均角度。不需要合并,添加到新的聚类簇中。合并加权平均测向角的具体合并公式为:
合并后的权重=角1的权重+角2的权重;
合并后的测向角=(角1*角1的权重+角2*角2的权重)/合并后的权重;
步骤六:计算最优测向角度。在聚类簇中,权重最大的加权平均角度为最优测向角度。
在发明的说明书中r表示聚类簇集合,p表示聚类精度:
Figure BDA0002328111190000051
其中,n表示簇的个数,an表示加权平均角度,wn为该簇集合的总权重。
在步骤四的计算本周期的权重、总权重和本周期的加权测向平均角度中,a为时测向角度,q为向质量,t为现次数,k为数据在聚类簇中的位置,n为合簇中数据。
则,本期权重:
Figure BDA0002328111190000052
总权重:
Figure BDA0002328111190000053
本周期加权平均角度:
Figure BDA0002328111190000054
在步骤五的迭代合并聚类簇中加权平均测向角度中,r为迭代集合簇,簇序号i和j的加权平均角之差小于聚类精度p,即
|ai-aj|<=p;
合并公式为,
合并权重wt:
wt=wi+wj
合并角度at:
at=(ai×wi+aj×wj)÷(wi+wj)
删除簇中j元素,将wt和at赋值给wi和ai,即
wi=wt;
ai=at;
在步骤六的计算最优测向角度中,遍历r,其中权重w最大的值为最优测向角度a。
偏值对比图:
实际角度ar,聚类精度为1°,当前监测计算最优角度a,
当前测试次数为i,则当前角度偏值Δi=a-ar,偏差值越小,值越准确。
如图2所示的偏差值对比图:使用加权聚类分析的测向最优方法,随监测次数,偏差值趋于稳定,而常规方法,偏差值较大且不稳定。
采用了本发明的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,应用于测向系统中,具有较强的稳健性,较强的抗干扰能力和较强的准确性,可以很好的满足在实时测向过程中的最优测向角的实时性和准确性要求。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。

Claims (8)

1.一种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,其特征在于,所述的方法包括以下步骤:
(1)设置聚类精度;
(2)输入测向角度数据;
(3)根据聚类精度找出加权平均角度聚类簇;
(4)计算本周期的权重、本周期总权重和本周期加权测向平均角度;
(5)迭代合并聚类簇中加权平均测向角度;
(6)计算最优测向角度。
2.根据权利要求1所述的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,其特征在于,所述的步骤(5)具体包括以下步骤:
(5.1)判断本周期角度和聚类簇中角度的加权平均角度之差是否小于聚类精度,如果是,则合并加权平均测向角度并计算;否则,添加到新的聚类簇中。
3.根据权利要求1所述的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,其特征在于,所述的步骤(6)中的最优测向角度为权重最大的加权平均角度。
4.根据权利要求1所述的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,其特征在于,所述的步骤(2)中的测向角度数据包括测向频点、测向角度、测向质量和出现次数。
5.根据权利要求1所述的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,其特征在于,所述的步骤(4)中计算本周期的权重,具体为:
根据以下公式计算本周期的权重:
Figure FDA0002328111180000011
其中,w为本周期的权重,q为测向质量,t为本周期出现次数。
6.根据权利要求1所述的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,其特征在于,所述的步骤(4)中计算本周期总权重,具体为:
根据以下公式计算本周期总权重:
Figure FDA0002328111180000012
其中,wk为总权重,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重。
7.根据权利要求1所述的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,其特征在于,所述的步骤(4)中计算本周期加权测向平均角度,具体为:
根据以下公式计算本周期加权测向平均角度:
Figure FDA0002328111180000021
其中,ak为本周期加权测向平均角度,k为该数据在聚类簇中的位置,n为集合簇中数据,wi为上次总权重,ai为上次加权平均测向角。
8.根据权利要求2所述的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,其特征在于,所述的步骤(5.1)中计算合并加权平均测向角度,具体为:
若|ai-aj|<=p,那么将j簇合并到i簇,
根据以下公式计算合并加权平均测向角度:
at=(ai×wi+aj×wj)÷(wi+wj);
根据以下公式计算合并权重:
wt=wi+wj
其中i和j为簇序号,ai为i簇的加权平均角度,wi为i簇的权重,aj为j簇的加权平均角度,wj为j簇的权重,p为聚类精度,at为合并后加权平均测向角度,wt为合并后权重。
CN201911324838.5A 2019-12-20 2019-12-20 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 Active CN110988787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911324838.5A CN110988787B (zh) 2019-12-20 2019-12-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911324838.5A CN110988787B (zh) 2019-12-20 2019-12-20 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

Publications (2)

Publication Number Publication Date
CN110988787A true CN110988787A (zh) 2020-04-10
CN110988787B CN110988787B (zh) 2023-11-17

Family

ID=70073748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911324838.5A Active CN110988787B (zh) 2019-12-20 2019-12-20 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

Country Status (1)

Country Link
CN (1) CN110988787B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881973A (zh) * 2021-01-20 2021-06-01 西北工业大学 一种基于rbf神经网络的自修正波束设计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050102301A1 (en) * 2002-03-04 2005-05-12 Adrian Flanagan Mechanism for unsupervised clustering
CN101363891A (zh) * 2008-09-10 2009-02-11 俞惟铨 宽频带五信道无线电监测和超分辨率测向移动站系统
US8175851B1 (en) * 2009-09-24 2012-05-08 L-3 Services, Inc. Using statistical learning methods to fuse parameter estimates
JP2017037269A (ja) * 2015-08-13 2017-02-16 日本電信電話株式会社 クラスタリング装置、クラスタリング方法及びクラスタリングプログラム
CN107144812A (zh) * 2017-06-30 2017-09-08 北京世纪德辰通信技术有限公司 一种单站移动自动定位方法
CN110045322A (zh) * 2019-03-21 2019-07-23 中国人民解放军战略支援部队信息工程大学 一种基于高分辨测向语图智能识别的短波自动测向方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050102301A1 (en) * 2002-03-04 2005-05-12 Adrian Flanagan Mechanism for unsupervised clustering
CN101363891A (zh) * 2008-09-10 2009-02-11 俞惟铨 宽频带五信道无线电监测和超分辨率测向移动站系统
US8175851B1 (en) * 2009-09-24 2012-05-08 L-3 Services, Inc. Using statistical learning methods to fuse parameter estimates
JP2017037269A (ja) * 2015-08-13 2017-02-16 日本電信電話株式会社 クラスタリング装置、クラスタリング方法及びクラスタリングプログラム
CN107144812A (zh) * 2017-06-30 2017-09-08 北京世纪德辰通信技术有限公司 一种单站移动自动定位方法
CN110045322A (zh) * 2019-03-21 2019-07-23 中国人民解放军战略支援部队信息工程大学 一种基于高分辨测向语图智能识别的短波自动测向方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张什永;张海黎;胡泽宾;徐龙;: "基于聚类分析的雷达信号分选研究" *
熊子源;徐振海;肖顺平;: "聚类子阵划分及子阵级单脉冲测角性能分析" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881973A (zh) * 2021-01-20 2021-06-01 西北工业大学 一种基于rbf神经网络的自修正波束设计方法

Also Published As

Publication number Publication date
CN110988787B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN109195110B (zh) 基于层次聚类技术和在线极限学习机的室内定位方法
CN111078639B (zh) 数据标准化方法、装置以及电子设备
CN110287537B (zh) 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法
WO2019134549A1 (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN109035363B (zh) 一种快速迭代的线圆最优拟合方法
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN110988787A (zh) 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
CN113642710B (zh) 一种网络模型的量化方法、装置、设备和存储介质
CN108427131B (zh) 一种基线长约束下的整周模糊度快速搜索算法
CN107613466B (zh) 超密集无线网络下基于指纹相似度的室内定位方法
CN106488554B (zh) 一种指纹数据库建立方法和系统
CN111487440A (zh) 一种五孔探针的标定方法
CN110377798B (zh) 基于角度熵的离群点检测方法
CN113033083B (zh) 一种基于密度峰值聚类径向基神经网络波达方向估计方法
CN110045714A (zh) 一种基于权重近邻规则的工业过程监控方法
CN107103356B (zh) 基于动态粒子蜜蜂算法的群机器人搜索方法
CN106814608B (zh) 基于后验概率分布的预测控制自适应滤波算法
CN109840069B (zh) 一种改进的自适应快速迭代收敛解方法及系统
CN110572875B (zh) 一种基于改进的机器学习算法的无线定位方法
CN112365363A (zh) 一种电力负荷曲线相似度的计算方法
CN112381145A (zh) 基于最近相关谱聚类的高斯过程回归多模型融合建模方法
CN110599622A (zh) 应用于飞机飞行状态的参数表征方法
CN113674411B (zh) 基于位姿图调整的建图方法及相关设备

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