CN111079929B - 基于神经计算的短波单站多目标地理坐标快速估计方法 - Google Patents

基于神经计算的短波单站多目标地理坐标快速估计方法 Download PDF

Info

Publication number
CN111079929B
CN111079929B CN201911325189.0A CN201911325189A CN111079929B CN 111079929 B CN111079929 B CN 111079929B CN 201911325189 A CN201911325189 A CN 201911325189A CN 111079929 B CN111079929 B CN 111079929B
Authority
CN
China
Prior art keywords
target
geographical coordinate
neural network
short
wave
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
CN201911325189.0A
Other languages
English (en)
Other versions
CN111079929A (zh
Inventor
王鼎
唐涛
徐文艳
杨宾
张莉
王成
杨泽宇
魏帅
孙晨
李崇
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 CN201911325189.0A priority Critical patent/CN111079929B/zh
Publication of CN111079929A publication Critical patent/CN111079929A/zh
Application granted granted Critical
Publication of CN111079929B publication Critical patent/CN111079929B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本发明公开一种基于神经计算的短波单站多目标地理坐标快速估计方法，包括：利用多目标地理坐标位置谱矩阵训练神经网络，检测出多目标所处的扇区分布；利用多目标地理坐标位置谱矩阵对各扇区依次训练神经网络，将多谱峰谱变成各个扇区内的单谱峰谱；针对各扇区利用单目标地理坐标位置谱矩阵依次训练神经网络，在各个扇区内建立单谱峰谱与目标地理坐标之间的映射关系；在实时定位环节构造多目标地理坐标位置谱矩阵，先后输入到3种已经训练好的多层前馈神经网络中，最终输出值即为各个短波目标的地理坐标。本发明利用地理坐标位置谱矩阵对多层前馈神经网络进行离线式学习，能够在实时定位阶段减少谱峰精细搜索带来的庞大计算量。

Description

基于神经计算的短波单站多目标地理坐标快速估计方法
技术领域
本发明属于单站无源定位技术领域，尤其涉及一种基于神经计算的短波单站多目标地理坐标快速估计方法。
背景技术
众所周知，目标辐射源定位技术已广泛应用于通信、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，其在工业生产与军事应用中都发挥着重要作用。目标辐射源定位技术是指在观测站(也称传感器)不主动发射电磁信号的情况下，通过接收目标辐射的无线信号来确定目标位置参数(有时也包括速度参数)。该类技术属于无源定位范畴，由于其系统并不主动发射电磁信号，因此具有生存能力强、侦察作用距离远等优势。依据观测站的个数进行划分可以将辐射源定位系统分成单站定位系统和多站定位系统两大类，其中单站定位系统具有灵活度高、机动性强、系统简洁以及无需站间通信与同步等优点，本专利主要涉及单站无源定位体制。
在现有的单站无源定位体制中，短波单站定位是应用较为广泛的一类定位方法，该方法主要是针对超视距短波目标源进行定位。其基本原理是利用单个观测站获得的信号方位角和仰角以及电离层虚高参数对短波辐射源进行定位，这要求单站安装天线阵列，在短波频段一般需要安装均匀圆阵。
另一方面，传统的无源定位技术大多采用两步估计方式，即首先从接收信号中提取出用于定位的相关参数(主要包括空域、时域、频域以及能量域等参量)，然后利用这些中间参数确定目标位置参数或者速度参数。虽然这种两步定位模式在现代无源定位系统中被广泛使用，但以色列学者A.J.Weiss和A.Amar却指出了其中所存在的诸多缺点，并提出了直接定位的思想(Amar A,Weiss A J.Localization of narrowband radio emitters basedon Doppler frequency shifts[J].IEEE Transactions on Signal Processing,2008,56(11):5500-5508.)(Weiss A J.Direct geolocation of wideband emitters based ondelay and Doppler[J].IEEE Transactions on Signal Processing,2011,59(6):2513-5520.)，其基本理念是从信号采集的数据域中直接估计目标的位置参数，而无需估计其它中间定位参数。显然，这种直接定位体制同样可以应用于短波单站定位场景。但需要指出的是，短波频段的目标辐射源分布区域比较广，通常需要估计其地理坐标(即经纬度)，这将导致在直接定位中的谱峰搜索范围很广，当实现高精度定位时，其搜索步长需要非常精细，从而使得运算量十分庞大，尤其是对多目标同时进行定位时。针对此问题，本专利提供了一种基于神经计算的短波单站多目标地理坐标快速估计方法，能够在定位精度基本保持不变的情形下大幅度降低实时定位的计算复杂度。
发明内容
本发明针对现有的短波单站直接定位方法存在的对多目标同时进行高精度定位时，其搜索步长需要非常精细，从而使得运算量十分庞大的问题，提出一种基于神经计算的短波单站多目标地理坐标快速估计方法。
为了实现上述目的，需要包含离线学习和实时定位两个阶段。在离线学习环节需要先后训练3种多层前馈神经网络，首先利用多目标地理坐标位置谱矩阵训练神经网络，使其可以检测出多目标所处的扇区分布；然后利用多目标地理坐标位置谱矩阵对各个扇区依次训练神经网络，使其具有空域滤波功能，可以将多谱峰谱变成各个扇区内的单谱峰谱；最后针对各个扇区利用单目标地理坐标位置谱矩阵依次训练神经网络，从而在各个扇区内建立单谱峰谱与目标地理坐标之间的映射关系。在实时定位环节构造多目标地理坐标位置谱矩阵(谱图采样区域和网格步长与神经网络训练数据保持一致)，并将其先后输入到3种已经训练好的多层前馈神经网络中，其最终输出值即为各个短波目标的地理坐标。本发明具体采用以下技术方案：
一种基于神经计算的短波单站多目标地理坐标快速估计方法，包括：
步骤1：初步判定短波目标源所处的地理坐标范围，并将其划分成N个扇区{S(n)}1≤n≤N，每个扇区最多仅同时包含1个短波目标源；
步骤2：在每个扇区内选择若干个离散位置点，利用所述离散位置点的地理坐标获得其相对于单站的阵列流形向量样本；
步骤3：基于所述阵列流形向量样本，构造多目标地理坐标位置谱矩阵学习样本；
步骤4：利用所述多目标地理坐标位置谱矩阵学习样本训练第1种多层前馈神经网络，所述第1种多层前馈神经网络用于检测多目标所处的扇区分布；
步骤5：针对每个扇区，利用多目标地理坐标位置谱矩阵学习样本训练第2种多层前馈神经网络，所述第2种多层前馈神经网络用于进行空域滤波从而将多谱峰谱变成各个扇区内的单谱峰谱；
步骤6：针对每个扇区，基于阵列流形向量样本，构造单目标地理坐标位置谱矩阵学习样本；
步骤7：针对每个扇区，利用所述单目标地理坐标位置谱矩阵学习样本训练第3种多层前馈神经网络，所述第3种多层前馈神经网络用于建立各个扇区内单谱峰谱与目标地理坐标之间的映射关系；
步骤8：在实时定位环节，针对实际场景中的多个短波目标源，利用均匀圆阵对其辐射信号进行接收和采集，并且利用子空间方法获得实际场景中的多目标地理坐标位置谱；
步骤9：基于所述多目标地理坐标位置谱生成位置谱矩阵，并输入到第1种多层前馈神经网络，将第1种多层前馈神经网络的输出依次通过第2种多层前馈神经网络及第3种多层前馈神经网络，第3种多层前馈神经网络的输出值即为每个短波目标源地理坐标的最终估计值。
进一步地，所述步骤2包括：
在第n个扇区S(n)中选择M个离散位置点，对应的地理坐标分别为
Figure BDA0002328199200000031
其中
Figure BDA0002328199200000032
为第n个扇区第m个离散位置点对应的经度，
Figure BDA0002328199200000033
为第n个扇区第m个离散位置点对应的纬度，针对每个离散经纬度通过下式依次确定各离散位置点相对于单站的方位角和仰角：
Figure BDA0002328199200000034
Figure BDA0002328199200000035
式中{θs,βs}表示单站的地理坐标，θs为单站的经度，βs为单站的纬度；R表示地球半径；H表示电离层虚高；其余参量的表达式如下：
Figure BDA0002328199200000041
Figure BDA0002328199200000042
Figure BDA0002328199200000043
其中z1、z2为坐标转换向量，
Figure BDA0002328199200000044
为短波单站与短波目标源之间的地心角的1/2；
将单站安装L元均匀圆阵，利用方位角
Figure BDA0002328199200000045
仰角
Figure BDA0002328199200000046
以及均匀圆阵列流形向量的计算公式依次获得
Figure BDA0002328199200000047
对应的阵列流形向量样本
Figure BDA0002328199200000048
进一步地，所述步骤3包括：
在N个扇区中选取与短波目标源数目相等的D个不同的扇区
Figure BDA0002328199200000049
在每个选中的扇区中选择1个阵列流形向量样本
Figure BDA00023281992000000410
并基于选择的阵列流形向量样本构造阵列流形矩阵：
Figure BDA00023281992000000411
通过下式计算正交投影矩阵：
Figure BDA00023281992000000412
基于正交投影矩阵构造多目标地理坐标位置谱函数
Figure BDA00023281992000000413
从而得出单目标地理坐标位置谱：
Figure BDA00023281992000000414
在步骤1中初步判定的短波目标源所处的地理坐标范围内，按照一定的步长将多目标地理坐标位置谱网格化，利用每个网格的谱值构造多目标地理坐标位置谱矩阵{Pk}1≤k≤K作为学习样本，其中
Figure BDA0002328199200000051
为多目标地理坐标位置谱矩阵学习样本个数。
进一步地，所述步骤4包括：
利用向量化算子vec(·)将第k个多目标地理坐标位置谱矩阵Pk转化成向量pk，并将pk作为神经网络的输入值，有限个离散整数作为神经网络的输出值，训练第1种多层前馈神经网络。
进一步地，所述步骤5包括：
针对第n个扇区S(n)，从{Pk}1≤k≤K中选取由第n个扇区内的阵列流形向量样本所生成的位置谱矩阵
Figure BDA0002328199200000052
利用向量化算子vec(·)将第k(n)个多目标地理坐标位置谱矩阵
Figure BDA0002328199200000053
转化成向量
Figure BDA0002328199200000054
并将其作为神经网络的输入值，以单目标地理坐标位置谱矩阵作为神经网络的输出值，训练第2种多层前馈神经网络：
步骤5a、将构造矩阵
Figure BDA0002328199200000055
时所选用的第n个扇区S(n)内的阵列流形向量记为
Figure BDA0002328199200000056
作为输入，并计算正交投影矩阵
Figure BDA0002328199200000057
步骤5b、通过
Figure BDA0002328199200000058
构造单目标地理坐标位置谱函数
Figure BDA0002328199200000059
从而得出单目标地理坐标位置谱：
Figure BDA00023281992000000510
在步骤1中初步判定的短波目标源所处的地理坐标范围内，按照与步骤3相同的步长将单目标地理坐标位置谱网格化，并且利用每个网格的谱值构造单目标地理坐标位置谱矩阵
Figure BDA00023281992000000511
步骤5c、利用向量化算子vec(·)将第k(n)个单目标地理坐标位置谱矩阵
Figure BDA00023281992000000512
转化成向量
Figure BDA00023281992000000513
并将
Figure BDA00023281992000000514
作为神经网络的输出值。
进一步地，所述步骤6包括：
针对第n个扇区S(n)，将
Figure BDA0002328199200000061
作为第2种多层前馈神经网络的输入，得出单目标地理坐标位置谱矩阵学习样本
Figure BDA0002328199200000062
进一步地，所述步骤7包括：
针对第n个扇区S(n)，利用向量化算子vec(·)将步骤6获得的第m个单目标地理坐标位置谱矩阵
Figure BDA0002328199200000063
转化成向量
Figure BDA0002328199200000064
并将
Figure BDA0002328199200000065
作为神经网络的输入值，将矩阵
Figure BDA0002328199200000066
对应的地理坐标
Figure BDA0002328199200000067
作为神经网络的输出值，训练第3种多层前馈神经网络。
进一步地，所述步骤8包括：
步骤8a、针对D个短波目标源，利用L元均匀圆阵对其辐射信号进行接收和采集，其阵列接收信号模型为：
Figure BDA0002328199200000068
式中x(t)表示均匀圆阵针对短波目标源的接收信号；sd(t)表示第d个短波目标源辐射信号的复包络；ξ(t)表示加性噪声；b(θd,βd)表示第d个短波目标源的阵列流形向量；{θd,βd}表示第d个短波目标源的地理坐标；
步骤8b、利用子空间方法获得关于多目标地理坐标位置谱：
步骤8b.1、采集J个信号样本点{x(tj)}1≤j≤J，并构造协方差矩阵
Figure BDA0002328199200000069
步骤8b.2、对协方差矩阵
Figure BDA00023281992000000610
进行奇异值分解，将奇异值由大到小进行排列，利用其后面L-D个小奇异值对应的左奇异向量构造矩阵
Figure BDA00023281992000000611
步骤8b.3、构造关于D个短波目标源地理坐标位置谱函数
Figure BDA00023281992000000612
从而得出关于D个短波目标源地理坐标位置谱、即多目标地理坐标位置谱。
进一步地，所述步骤9包括：
基于步骤8获得的多目标地理坐标位置谱按照步骤3中方式构造位置谱矩阵Pt，利用向量化算子vec(·)将矩阵Pt转化成向量pt，并将pt输入第1种多层前馈神经网络中，确定D个短波目标源所出现的D个扇区，针对该D个扇区，将向量pt输入到该D个扇区所对应的第2种多层前馈神经网络中，进行空域滤波，并将该D个扇区对应的第2种神经网络的输出值输入到该D个扇区所对应的第3种多层前馈神经网络中，该D个扇区的第3种神经网络的输出值即为D个短波目标的地理坐标。
与现有技术相比，本发明具有的有益效果：
本发明针对短波单站多目标直接定位问题，提供了一种基于神经计算的短波单站多目标地理坐标快速估计方法，利用地理坐标位置谱矩阵对多层前馈神经网络进行离线式学习，在实时定位阶段能够在定位精度基本保持不变的情况下大幅度降低多目标谱峰搜索所带来的庞大运算量。
附图说明
图1为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的基本流程图；
图2为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的多目标地理坐标位置谱；
图3为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的单目标地理坐标位置谱；
图4为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的第1种多层前馈神经网络的学习结果图；
图5为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的第1种多层前馈神经网络的目标扇区检测成功概率随着信噪比的变化规律图；
图6为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的针对扇区1训练的第2种多层前馈神经网络的空域滤波结果图之一；
图7为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的针对扇区1训练的第2种多层前馈神经网络的空域滤波结果图之二；
图8为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的针对扇区1训练的第2种多层前馈神经网络的空域滤波结果图之三；
图9为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的第3种多层前馈神经网络的学习结果图；
图10为本发明实施例一种基于神经计算的短波单站多目标地理坐标快速估计方法的实际场景中的多短波目标源定位结果散布图。
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：
如图1所示，一种基于神经计算的短波单站多目标地理坐标快速估计方法，包括：
步骤S101：根据先验知识初步判定短波目标源所处的地理坐标范围，并将其划分成若干个扇区，每个扇区最多仅同时出现1个短波目标源；
步骤S102：在每个扇区内选择若干个离散位置点，然后利用这些离散位置点的地理坐标获得其相对于单站的阵列流形向量样本；
步骤S103：基于步骤S102中获得的阵列流形向量样本，构造多目标地理坐标位置谱矩阵学习样本；
步骤S104：利用步骤S103获得的多目标地理坐标位置谱矩阵学习样本训练第1种多层前馈神经网络，使其可以检测出多目标所处的扇区分布；
步骤S105：针对每个扇区，利用步骤S103得到的多目标地理坐标位置谱矩阵学习样本训练第2种多层前馈神经网络，使其具有空域滤波功能，可以将多谱峰谱变成各个扇区内的单谱峰谱；
步骤S106：针对每个扇区，基于步骤S102中获得的阵列流形向量样本，构造单目标地理坐标位置谱矩阵学习样本；
步骤S107：针对每个扇区，利用步骤S106获得的单目标地理坐标位置谱矩阵学习样本训练第3种多层前馈神经网络，使其建立各个扇区内单谱峰谱与目标地理坐标之间的映射关系；
步骤S108：在实时定位环节，针对实际场景中的多个短波目标源，利用均匀圆阵对其辐射信号进行接收和采集，并且利用子空间方法获得实际场景中的多目标地理坐标位置谱；
步骤S109：基于步骤S108获得的多目标地理坐标位置谱生成位置谱矩阵，并输入到第1种多层前馈神经网络，将第1种多层前馈神经网络的输出依次通过第2种多层前馈神经网络及第3种多层前馈神经网络，第3种多层前馈神经网络的输出值即为每个短波目标源地理坐标的最终估计值。
具体地，所述步骤1中，根据先验知识初步判定短波目标源所处的地理坐标范围，并将该空域划分成N个扇区(记为{S(n)}1≤n≤N)，每个扇区最多仅同时包含1个短波目标源。
具体地，所述步骤S102中，在第n个扇区S(n)中选择M个离散位置点，该M个离散位置点对应的地理坐标(即经纬度)分别为
Figure BDA0002328199200000091
针对每个离散经纬度依次确定其相对于单站的方位角和仰角，相应的计算公式如下：
Figure BDA0002328199200000092
Figure BDA0002328199200000093
式中{θs,βs}表示单站的地理坐标；R表示地球半径；H表示电离层虚高；其余参量的表达式如下
Figure BDA0002328199200000094
Figure BDA0002328199200000095
Figure BDA0002328199200000096
其中z1、z2为坐标转换向量，
Figure BDA0002328199200000101
为短波单站与短波目标源之间的地心角的1/2，w()为中间参量；
将单站安装L元均匀圆阵，利用方位角
Figure BDA0002328199200000102
和仰角
Figure BDA0002328199200000103
以及均匀圆阵列流形向量的计算公式(参见张小飞，汪飞，徐大专.阵列信号处理的理论和应用[M]，北京：国防工业出版社，2010.)依次获得每个离散经纬度
Figure BDA0002328199200000104
对应的阵列流形向量样本，并将其记为
Figure BDA0002328199200000105
由于每个扇区可以建立M个阵列流形向量样本，因此N个扇区一共可以构建NM个阵列流形向量样本。
具体地，所述步骤S103中，以D个短波目标源为例，首先在N个扇区中选取D个不同的扇区(记为
Figure BDA0002328199200000106
)，然后在每个选中的扇区中再选择1个阵列流形向量样本(记为
Figure BDA0002328199200000107
)，并基于此构造阵列流形矩阵
Figure BDA0002328199200000108
接着计算正交投影矩阵
Figure BDA0002328199200000109
基于该矩阵生成多目标地理坐标位置谱，谱是关于地理坐标的函数曲面，如图2所示，其函数表达式为
Figure BDA00023281992000001010
最后在步骤1指定的空域范围内(初步判定的短波目标源所处的地理坐标范围内)，按照一定的步长将多目标地理坐标位置谱网格化(如图2所示)，并且利用每个网格的谱值构造多目标地理坐标位置谱矩阵。为了减少运算复杂度，步长可以适当放宽，无需非常精细。
由于从N个扇区中选取D个不同的扇区共有
Figure BDA00023281992000001011
种组合，而在每个选中的扇区中再选择1个阵列流形向量样本共有MD种组合，因此一共有
Figure BDA00023281992000001012
个多目标地理坐标位置谱矩阵学习样本(记为{Pk}1≤k≤K)。
具体地，所述步骤S104中，首先利用向量化算子vec(·)将第k(1≤k≤K)个多目标地理坐标位置谱矩阵Pk转化成向量pk(即有pk＝vec(Pk))，并将其作为神经网络的输入值，而神经网络的输出值则为有限个离散整数。不妨以4个扇区、2个目标为例(此时的输出值仅有6种可能性)，分别如下
(a)若矩阵Pk是由扇区1和扇区2中的阵列流形向量样本所构成，输出值为1；
(b)若矩阵Pk是由扇区1和扇区3中的阵列流形向量样本所构成，输出值为2；
(c)若矩阵Pk是由扇区1和扇区4中的阵列流形向量样本所构成，输出值为3；
(d)若矩阵Pk是由扇区2和扇区3中的阵列流形向量样本所构成，输出值为4；
(e)若矩阵Pk是由扇区2和扇区4中的阵列流形向量样本所构成，输出值为5；
(d)若矩阵Pk是由扇区3和扇区4中的阵列流形向量样本所构成，输出值为6。
具体地，所述步骤S105中，针对第n个扇区S(n)(1≤n≤N)，首先从步骤S103中获得的K个位置谱矩阵样本{Pk}1≤k≤K中选取由第n个扇区内的阵列流形向量样本所生成的位置谱矩阵(假设共有K(n)个矩阵，并记为
Figure BDA0002328199200000111
)，然后利用向量化算子vec(·)将第k(n)(1≤k(n)≤K(n))个多目标地理坐标位置谱矩阵
Figure BDA0002328199200000112
转化成向量
Figure BDA0002328199200000113
(即有
Figure BDA0002328199200000114
)，并将其作为神经网络的输入值，而神经网络的输出值则是由单目标地理坐标位置谱矩阵所构成，其构造步骤如下：
步骤S105a：将构造矩阵
Figure BDA0002328199200000121
时所选用的第n个扇区S(n)内的阵列流形向量记为
Figure BDA0002328199200000122
作为输入，并计算正交投影矩阵
Figure BDA0002328199200000123
步骤S105b：通过
Figure BDA0002328199200000124
构造单目标地理坐标位置谱，谱是关于地理坐标的函数曲面，如图3所示，其函数表达式为
Figure BDA0002328199200000125
然后在步骤S101指定的空域范围内，按照与步骤S103相同的步长将单目标地理坐标位置谱网格化(如图3所示)，并且利用每个网格的谱值构造单目标地理坐标位置谱矩阵(记为
Figure BDA0002328199200000126
)。
步骤S105c：利用向量化算子vec(·)将第k(n)(1≤k(n)≤K(n))个单目标地理坐标位置谱矩阵
Figure BDA0002328199200000127
转化成向量
Figure BDA0002328199200000128
(即有
Figure BDA0002328199200000129
)，并将其作为神经网络的输出值(与输入值
Figure BDA00023281992000001210
相对应)。
由于一共有N个扇区，因此总共需要训练N个第2种多层前馈神经网络。
具体地，所述步骤S106中，针对第n个扇区S(n)(1≤n≤N)，将步骤S102中获得的阵列流形向量样本(即
Figure BDA00023281992000001211
)输入第2种多层前馈神经网络，输出单目标地理坐标位置谱矩阵学习样本(记为
Figure BDA00023281992000001212
)。每个扇区都可以建立M个单目标地理坐标位置谱矩阵学习样本。
具体地，所述步骤S107中，针对第n个扇区S(n)(1≤n≤N)，首先利用向量化算子vec(·)将步骤S106获得的第m(1≤m≤M)个单目标地理坐标位置谱矩阵
Figure BDA00023281992000001213
转化成向量
Figure BDA00023281992000001214
(即有
Figure BDA00023281992000001215
)，并将其作为神经网络的输入值，而神经网络的输出值为矩阵
Figure BDA00023281992000001216
对应的地理坐标
Figure BDA00023281992000001217
由于一共有N个扇区，因此总共需要训练N个第3种多层前馈神经网络。
具体地，所述步骤S108包括：
步骤S108a：针对D个短波目标源，利用L元均匀圆阵对其辐射信号进行接收和采集，其阵列接收信号模型为
Figure BDA0002328199200000131
式中x(t)表示均匀圆阵针对短波目标源的接收信号；sd(t)表示第d个短波目标源辐射信号的复包络；ξ(t)表示加性噪声；b(θd,βd)表示第d个短波目标源的阵列流形向量；{θd,βd}表示第d个短波目标源的地理坐标。
步骤S108b：接着利用子空间方法获得关于多目标地理坐标位置谱，其计算过程如下：
步骤S108b.1：采集J个信号样本点{x(tj)}1≤j≤J，并且构造协方差矩阵
Figure BDA0002328199200000132
步骤S108b.2：对协方差矩阵
Figure BDA0002328199200000133
进行奇异值分解，将奇异值由大到小进行排列，利用其后面L-D个小奇异值对应的左奇异向量构造矩阵
Figure BDA0002328199200000134
步骤S108b.3：构造关于D个短波目标源地理坐标位置谱，其函数为
Figure BDA0002328199200000135
具体地，所述步骤S109中，基于步骤S108获得的多目标地理坐标位置谱构造位置谱矩阵(记为Pt)，其计算方法同步骤S103，并且此处谱图采样区域和网格步长同步骤S103。然后利用向量化算子vec(·)将矩阵Pt转化成向量pt(即有pt＝vec(Pt))，并将其输入到步骤S104中的第1种多层前馈神经网络中，用以确定D个短波目标源所出现的D个扇区。针对此D个扇区，将向量pt输入到它们所对应的第2种多层前馈神经网络中，用于空域滤波，将此D个扇区的第2种神经网络的输出值再输入到它们所对应的第3种多层前馈神经网络中，此D个扇区的第3种神经网络的输出值即为D个短波目标的地理坐标。
由于此处生成的多目标地理坐标位置谱矩阵的网格步长无需非常精细，因此能够大幅降低实时定位环节中的计算量。
举例对本发明效果进行说明：
假设短波目标源出现的区域位于东经130°～140°、北纬20°～30°的空域范围。将该空域范围划分成4个扇区，扇区1的区域位于东经130°～135°，北纬20°～25°(电离层虚高为280km)，扇区2的区域位于东经135°～140°，北纬20°～25°(电离层虚高为340km)，扇区3的区域位于东经135°～140°，北纬25°～30°(电离层虚高为380km)，扇区4的区域位于东经130°～135°，北纬25°～30°(电离层虚高为320km)，观测站安装6元均匀圆阵，其半径与波长比为1.5，观测站的经度为117.58°、纬度为26.56°。
(1)经度和纬度均以0.1°为步长建立神经网络学习样本，图4给出了第1种多层前馈神经网络的学习结果，其输出值共有6种可能性，从图4中可以看出神经网络的学习效果极佳。图5给出了第1种多层前馈神经网络的目标扇区检测成功概率随着信噪比的变化规律，其中信号样本点数为2000，从图5中可以看出检测成功概率是很高的，当信噪比0dB时，其成功概率可达95％。
(2)图6给出了针对扇区1训练的第2种多层前馈神经网络的空域滤波结果(目标源在扇区1和扇区2)，6(a)为神经网络输入结果，6(b)为神经网络输出结果，其中短波目标源在扇区1和扇区2；图7是针对扇区1训练的第2种多层前馈神经网络的空域滤波结果(目标源在扇区1和扇区3)，7(a)为神经网络输入结果，7(b)为神经网络输出结果，其中短波目标源在扇区1和扇区3；图8是针对扇区1训练的第2种多层前馈神经网络的空域滤波结果(目标源在扇区1和扇区4)，8(a)为神经网络输入结果，8(b)为神经网络输出结果，其中短波目标源在扇区1和扇区4。从图8中可以看出，神经网络的空域滤波效果是非常好的，均可以将扇区1以外的短波目标源谱峰滤除，仅保留了扇区1以内的短波目标源谱峰。
(3)图9给出了第3种多层前馈神经网络的学习结果，其中包括针对扇区1的学习结果(如9(a)所示)和扇区3的学习结果(如9(b)所示)，从图9中可以看出神经网络的学习效果是非常好的。
(4)图10给出了实际场景中的多短波目标源定位结果散布图，10(a)为短波目标源1的定位结果散状图(位于扇区1),10(b)为短波目标源2的定位结果散状图(位于扇区3)，其中短波目标源1的经度为132°、纬度为23°，短波目标源2的经度为137°、纬度为28°，信噪比均为15dB，信号样本点数为2000。短波目标源1的定位均方误差为11.65km，短波目标源2的定位均方误差为18.53km。若采用传统的谱峰精细搜索方法可以得到短波目标源1的定位均方误差为11.62km，短波目标源2的定位均方误差为18.52km。显然，这两种方法的定位精度是相当的，但是谱峰精细搜索方法需要步长至少为0.01°方可达到较高的定位精度，而本专利提供的基于神经计算的估计方法仅需要0.1°的步长就可以达到较高的定位精度，因此，本专利提供的方法大大削减了实时定位环节所需的计算复杂度。
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)

1.一种基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，包括：
步骤1：初步判定短波目标源所处的地理坐标范围，并将其划分成N个扇区{S(n)}1≤n≤N，每个扇区最多仅同时包含1个短波目标源；
步骤2：在每个扇区内选择若干个离散位置点，利用所述离散位置点的地理坐标获得其相对于单站的阵列流形向量样本；
步骤3：基于所述阵列流形向量样本，构造多目标地理坐标位置谱矩阵学习样本；
步骤4：利用所述多目标地理坐标位置谱矩阵学习样本训练第1种多层前馈神经网络，所述第1种多层前馈神经网络用于检测多目标所处的扇区分布；
步骤5：针对每个扇区，利用多目标地理坐标位置谱矩阵学习样本训练第2种多层前馈神经网络，所述第2种多层前馈神经网络用于进行空域滤波从而将多谱峰谱变成各个扇区内的单谱峰谱；
步骤6：针对每个扇区，基于阵列流形向量样本，构造单目标地理坐标位置谱矩阵学习样本；
步骤7：针对每个扇区，利用所述单目标地理坐标位置谱矩阵学习样本训练第3种多层前馈神经网络，所述第3种多层前馈神经网络用于建立各个扇区内单谱峰谱与目标地理坐标之间的映射关系；
步骤8：在实时定位环节，针对实际场景中的多个短波目标源，利用均匀圆阵对其辐射信号进行接收和采集，并且利用子空间方法获得实际场景中的多目标地理坐标位置谱；
步骤9：基于所述多目标地理坐标位置谱生成位置谱矩阵，并输入到第1种多层前馈神经网络，将第1种多层前馈神经网络的输出依次通过第2种多层前馈神经网络及第3种多层前馈神经网络，第3种多层前馈神经网络的输出值即为每个短波目标源地理坐标的最终估计值。
2.根据权利要求1所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤2包括：
在第n个扇区S(n)中选择M个离散位置点，对应的地理坐标分别为
Figure FDA0002328199190000021
其中
Figure FDA0002328199190000022
为第n个扇区第m个离散位置点对应的经度，
Figure FDA0002328199190000023
为第n个扇区第m个离散位置点对应的纬度，针对每个离散经纬度通过下式依次确定各离散位置点相对于单站的方位角和仰角：
Figure FDA0002328199190000024
Figure FDA0002328199190000025
式中{θs,βs}表示单站的地理坐标，θs为单站的经度，βs为单站的纬度；R表示地球半径；H表示电离层虚高；其余参量的表达式如下：
Figure FDA0002328199190000026
Figure FDA0002328199190000027
Figure FDA0002328199190000028
其中z1、z2为坐标转换向量，
Figure FDA0002328199190000029
为短波单站与短波目标源之间的地心角的1/2；
将单站安装L元均匀圆阵，利用方位角
Figure FDA00023281991900000210
仰角
Figure FDA00023281991900000211
以及均匀圆阵列流形向量的计算公式依次获得
Figure FDA00023281991900000212
对应的阵列流形向量样本
Figure FDA00023281991900000213
3.根据权利要求2所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤3包括：
在N个扇区中选取与短波目标源数目相等的D个不同的扇区
Figure FDA00023281991900000214
在每个选中的扇区中选择1个阵列流形向量样本
Figure FDA00023281991900000215
并基于选择的阵列流形向量样本构造阵列流形矩阵：
Figure FDA0002328199190000031
通过下式计算正交投影矩阵：
Figure FDA0002328199190000032
基于正交投影矩阵构造多目标地理坐标位置谱函数fB(θ,β)，从而得到多目标地理坐标位置谱：
Figure FDA0002328199190000033
在步骤1中初步判定的短波目标源所处的地理坐标范围内，按照一定的步长将多目标地理坐标位置谱网格化，利用每个网格的谱值构造多目标地理坐标位置谱矩阵{Pk}1≤k≤K作为学习样本，其中
Figure FDA0002328199190000034
为多目标地理坐标位置谱矩阵学习样本个数。
4.根据权利要求3所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤4包括：
利用向量化算子vec(·)将第k个多目标地理坐标位置谱矩阵Pk转化成向量pk，并将pk作为神经网络的输入值，有限个离散整数作为神经网络的输出值，训练第1种多层前馈神经网络。
5.根据权利要求3所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤5包括：
针对第n个扇区S(n)，从{Pk}1≤k≤K中选取由第n个扇区内的阵列流形向量样本所生成的位置谱矩阵
Figure FDA0002328199190000035
利用向量化算子vec(·)将第k(n)个多目标地理坐标位置谱矩阵
Figure FDA0002328199190000036
转化成向量
Figure FDA0002328199190000037
并将其作为神经网络的输入值，以单目标地理坐标位置谱矩阵作为神经网络的输出值，训练第2种多层前馈神经网络：
步骤5a、将构造矩阵
Figure FDA0002328199190000038
时所选用的第n个扇区S(n)内的阵列流形向量记为
Figure FDA0002328199190000041
作为输入，并计算正交投影矩阵
Figure FDA0002328199190000042
步骤5b、通过
Figure FDA0002328199190000043
构造单目标地理坐标位置谱函数
Figure FDA0002328199190000044
从而得出单目标地理坐标位置谱：
Figure FDA0002328199190000045
在步骤1中初步判定的短波目标源所处的地理坐标范围内，按照与步骤3相同的步长将单目标地理坐标位置谱网格化，并且利用每个网格的谱值构造单目标地理坐标位置谱矩阵
Figure FDA0002328199190000046
步骤5c、利用向量化算子vec(·)将第k(n)个单目标地理坐标位置谱矩阵
Figure FDA0002328199190000047
转化成向量
Figure FDA0002328199190000048
并将
Figure FDA0002328199190000049
作为神经网络的输出值。
6.根据权利要求5所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤6包括：
针对第n个扇区S(n)，将
Figure FDA00023281991900000410
作为第2种多层前馈神经网络的输入，得出单目标地理坐标位置谱矩阵学习样本
Figure FDA00023281991900000411
7.根据权利要求6所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤7包括：
针对第n个扇区S(n)，利用向量化算子vec(·)将步骤6获得的第m个单目标地理坐标位置谱矩阵
Figure FDA00023281991900000412
转化成向量
Figure FDA00023281991900000413
并将
Figure FDA00023281991900000414
作为神经网络的输入值，将矩阵
Figure FDA00023281991900000415
对应的地理坐标
Figure FDA00023281991900000416
作为神经网络的输出值，训练第3种多层前馈神经网络。
8.根据权利要求3所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤8包括：
步骤8a、针对D个短波目标源，利用L元均匀圆阵对其辐射信号进行接收和采集，其阵列接收信号模型为：
Figure FDA0002328199190000051
式中x(t)表示均匀圆阵针对短波目标源的接收信号；sd(t)表示第d个短波目标源辐射信号的复包络；ξ(t)表示加性噪声；b(θd,βd)表示第d个短波目标源的阵列流形向量；{θd,βd}表示第d个短波目标源的地理坐标；
步骤8b、利用子空间方法获得关于多目标地理坐标位置谱：
步骤8b.1、采集J个信号样本点{x(tj)}1≤j≤J，并构造协方差矩阵
Figure FDA0002328199190000052
步骤8b.2、对协方差矩阵
Figure FDA0002328199190000053
进行奇异值分解，将奇异值由大到小进行排列，利用其后面L-D个小奇异值对应的左奇异向量构造矩阵
Figure FDA0002328199190000054
步骤8b.3、构造关于D个短波目标源地理坐标位置谱函数
Figure FDA0002328199190000055
从而得出关于D个短波目标源地理坐标位置谱、即多目标地理坐标位置谱。
9.根据权利要求8所述的基于神经计算的短波单站多目标地理坐标快速估计方法，其特征在于，所述步骤9包括：
基于步骤8获得的多目标地理坐标位置谱按照步骤3中方式构造位置谱矩阵Pt，利用向量化算子vec(·)将矩阵Pt转化成向量pt，并将pt输入第1种多层前馈神经网络中，确定D个短波目标源所出现的D个扇区，针对该D个扇区，将向量pt输入到该D个扇区所对应的第2种多层前馈神经网络中，进行空域滤波，并将该D个扇区对应的第2种神经网络的输出值输入到该D个扇区所对应的第3种多层前馈神经网络中，该D个扇区的第3种神经网络的输出值即为D个短波目标的地理坐标。
CN201911325189.0A 2019-12-20 2019-12-20 基于神经计算的短波单站多目标地理坐标快速估计方法 Active CN111079929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911325189.0A CN111079929B (zh) 2019-12-20 2019-12-20 基于神经计算的短波单站多目标地理坐标快速估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911325189.0A CN111079929B (zh) 2019-12-20 2019-12-20 基于神经计算的短波单站多目标地理坐标快速估计方法

Publications (2)

Publication Number Publication Date
CN111079929A CN111079929A (zh) 2020-04-28
CN111079929B true CN111079929B (zh) 2022-10-14

Family

ID=70316251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911325189.0A Active CN111079929B (zh) 2019-12-20 2019-12-20 基于神经计算的短波单站多目标地理坐标快速估计方法

Country Status (1)

Country Link
CN (1) CN111079929B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053350B (zh) * 2020-09-04 2024-03-26 国家卫星气象中心(国家空间天气监测预警中心) 一种感兴趣区域遥感数据拼接裁剪处理方法、装置及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037520B (zh) * 2017-12-27 2021-01-22 中国人民解放军战略支援部队信息工程大学 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
CN108182474B (zh) * 2017-12-27 2020-03-13 中国人民解放军战略支援部队信息工程大学 基于未校正阵列和神经网络的多目标直接定位方法

Also Published As

Publication number Publication date
CN111079929A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN110412559B (zh) 分布式无人机mimo雷达的非相参融合目标检测方法
CN106054123B (zh) 一种稀疏l阵及其二维doa估计方法
CN111199280B (zh) 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
CN108872932B (zh) 基于神经网络的超视距目标直接定位结果纠偏方法
CN109975749B (zh) 一种校正源存在条件下的短波单站直接定位方法
CN106909779B (zh) 基于分布式处理的mimo雷达克拉美罗界计算方法
CN111308530B (zh) 一种基于二维波达方向的短波多站和单星协同直接定位方法
CN109212527B (zh) 用于高频地波雷达的大孔径分布式多站目标定位方法
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
CN109375178A (zh) 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法
CN110346794B (zh) 一种资源优化配置的分布式雷达成像方法
CN103235294A (zh) 一种基于外辐射源定位的微弱信号分离估计方法
CN111199281B (zh) 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
CN104142496A (zh) 基于连通域划分的统计mimo雷达多目标定位方法
CN111948618B (zh) 一种基于卫星外辐射源的前向散射目标探测方法及系统
CN110531311A (zh) 一种基于矩阵重组的lte外辐射源雷达doa估计方法
CN113281701A (zh) 协同短波多站角度与三星时差的超视距目标直接定位方法
CN111079929B (zh) 基于神经计算的短波单站多目标地理坐标快速估计方法
CN109991564B (zh) 基于神经网络的短波单站定位结果纠偏方法
CN108414973B (zh) 一种基于神经网络计算的多目标直接定位方法
CN105044716B (zh) 一种补偿背景电离层对geosar成像影响的参数化自聚焦方法
CN113203985B (zh) 一种短波同频信号直接定位方法
CN115052246A (zh) 一种未知衰减系数下基于多频率代价函数融合的宽带信号直接定位方法
CN104459680B (zh) Mimo雷达估计目标方向的快速方法
CN113281702B (zh) 协同短波多站角度与卫星时频的超视距目标直接定位方法

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
GR01 Patent grant