CN111239682B - 一种电磁发射源定位系统及方法 - Google Patents

一种电磁发射源定位系统及方法 Download PDF

Info

Publication number
CN111239682B
CN111239682B CN202010082144.1A CN202010082144A CN111239682B CN 111239682 B CN111239682 B CN 111239682B CN 202010082144 A CN202010082144 A CN 202010082144A CN 111239682 B CN111239682 B CN 111239682B
Authority
CN
China
Prior art keywords
antenna array
signal
arrival angle
obtaining
radio
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
CN202010082144.1A
Other languages
English (en)
Other versions
CN111239682A (zh
Inventor
杜潇
吴思
李昆鹏
王家璇
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.)
Beijing Machinery Equipment Research Institute
Original Assignee
Beijing Machinery Equipment Research Institute
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 Beijing Machinery Equipment Research Institute filed Critical Beijing Machinery Equipment Research Institute
Priority to CN202010082144.1A priority Critical patent/CN111239682B/zh
Publication of CN111239682A publication Critical patent/CN111239682A/zh
Application granted granted Critical
Publication of CN111239682B publication Critical patent/CN111239682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/04—Position of source determined by a plurality of spaced direction-finders
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种电磁发射源定位系统及方法，属于通信技术领域，解决了现有定位系统信号接收角度范围小、定位精度低的问题。该系统包括：信号接收模块，接收无线电信号；信号处理模块，处理无线电信号获得信号的幅值和相移并提取信号的主特征。到达角预测模块，根据信号的幅值和相移获得第一到达角预测值；并根据信号的主特征获得第二到达角预测值；定位点预测模块，基于所述第一到达角预测值和第二到达角预测值确定信号的第一入射轨迹和第二入射轨迹；以及多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；定位点确定模块，根据预测定位点集合聚类确定电磁发射源的位置。该系统具有信号接收角度范围大、定位精度高的优点。

Description

一种电磁发射源定位系统及方法
技术领域
本发明涉及通信技术领域，尤其涉及一种电磁发射源定位系统及方法。
背景技术
无线电测向设备在军事上的需求使得无线定位技术迅速发展。传统的定位技术研究是用两个或多个固定测向站联网进行交会定位。这种定位测向技术在使用的过程中可以解决很多实际的问题，但是由于各种因素的影响这种测量方法存在一定的误差，并不能达到人们想象的那样，这种技术在一定的程度上可以测出目标的大概位置，但是这个位置就是一个区域，不能确定准确的位置。所以将无线电技术进行进一步的研究，提高无线电测向的精确度，在现代的激烈竞争的军事竞赛具有重要的价值。
目前，主要有基于移动台的定位和利用空间谱估计技术来实现对到达方向(DOA)估计。通过移动台传来的信号计算出移动台位置的定位称为基于网络的定位，也称为上行链路定位系统。这种定位方案是依据由多个基站同时检测移动台发射的信号，对这些信号进行精确的到达时间(TOA)的测量，并把这些信息送到一个定位服务中心进行处理，以得到移动台的估计位置。基于网络的定位技术包括基于到达时间(TOA)定位技术、基于到达时间差(TDOA)定位技术、基于到达角(AOA)的技术等。
现有技术至少存在以下缺陷，一是现有的定位系统，基于DOA到达角估计大多采用MUSIC等算法，这类算法只能搜索0-180度频谱；二是现有的定位系统，是基于神经网络算法或者传统测角得交点算法等，都存在较大的系统误差，神经网络算法过于依赖历史离线学习经验，误差较大。
发明内容
鉴于上述的分析，本发明旨在提供一种电磁发射源定位系统，用以解决现有定位系统信号接收频谱角度范围小、定位误差大的问题。
一方面，本发明提供了一种电磁发射源定位系统，包括：
信号接收模块，用于在不同位置接收电磁发射源发射的无线电信号；
信号处理模块，用于处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征。
到达角预测模块，用于根据无线电信号的所述幅值和相移获得第一到达角预测值；以及，用于根据所述无线电信号的主特征获得第二到达角预测值；
定位点预测模块，用于分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹；以及根据对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
定位点确定模块，用于根据所述预测定位点集合聚类确定电磁发射源的位置。
进一步的，所述信号接收模块包括位于不同位置处的多个信号接收机；
所述信号接收机包括：
第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列，用于接收无线电信号；
射频开关，用于选择传输上述任一天线阵列接收到的无线电信号；
射频信号接收机，用于处理传输的所述无线电信号获得无线电信号的实部和虚部。
进一步的，所述第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列为均匀线性阵列；
所述第一天线阵列和第二天线阵列处于第一水平面且相互垂直平分，所述第三天线阵列和第四天线阵列处于第二水平面且相互垂直平分；所述第一水平面与第二水平面高度不同；所述第一天线阵列与第三天线阵列相互平行，所述第二天线阵列与第四天线阵列相互平行。
进一步的，所述信号处理模块通过下述方式获得无线电信号的幅值和相移，并提取无线电信号的主特征：
根据获得的无线电信号的实部和虚部得到无线电信号的幅值和相移；
对无线电信号进行协方差处理获得信号特征，再利用PCA算法消除各信号特征之间的相关性进行降维，获得无线电信号的主特征。
进一步的，所述信号处理模块还用于控制所述射频开关选择接收第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列中任一天线阵列传输的无线电信号。
进一步的，所述到达角预测模块通过下述方式获得第一到达角预测值θ1i：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定第一到达角预测值θ1i：
Figure BDA0002380693690000041
其中，i∈[1,n]，n为不同位置的个数。
进一步的，还包括GPS接收机，用于对所述信号接收机进行定位，获得当前所述信号接收机的位置信息；
所述定位点预测模块，根据获得的当前所述信号接收机的位置信息及对应的第一达角预测值θ1i或第二达角预测值θ2i，确定无线电信号的第一入射轨迹或第二入射轨迹。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明采用垂直平分双天线阵列接收电磁发射源发射的无线电信号，可以打破现有技术频谱角度测量范围的限制，实现0°-360°的频谱角度测量范围，从而提高角度测量精度；
2、本发明同时使用了基于稀疏贝叶斯学习的DOA估计算法和神经网络算法获得到达角，并根据到达角得到预测定位点集合，进而使用K-Means聚类算法确定电磁发射源位置，该方法均衡了两种算法的优点，提高了定位精度。
另一方面，本发明提供了一种电磁发射源定位方法，包括以下步骤：
利用多个信号接收机在不同位置接收电磁发射源发射的无线电信号，处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征。
根据无线电信号的所述幅值和相移获得第一到达角预测值，并根据所述无线电信号的主特征获得第二到达角预测值；
分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹，并分别获得对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
根据所述预测定位点集合利用聚类方法确定电磁发射源的位置。
进一步的，所述信号接收机包括第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列；根据所述无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得无线电信号到达角的估计值，并利用期望最大算法获得到达角预测值θ1i，包括：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定到达角预测值θ1i：
Figure BDA0002380693690000051
其中，i∈[1,n]，n为不同位置的个数。
进一步的，还包括对所述多个信号接收机分别进行定位获得所述多个信号接收机的位置信息；
根据获得的所述多个信号接收机的位置信息及分别对应的第一达角预测值θ1i或第二达角预测值θ2i，确定无线电信号的多个第一入射轨迹或多个第二入射轨迹。
本发明中的电磁发射源定位方法方法与上述电磁发射源定位系统具有相同的原理，因此本方法具有与上述系统相应的技术效果。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例电磁发射源定位系统的示意图；
图2为本发明实施例电磁发射源定位方法的流程图；
图3为本发明实施例基于神经网络模型获得到达角预测值的方法的示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种电磁发射源定位系统。如图1所示，包括：
信号接收模块，用于在不同位置接收电磁发射源发射的无线电信号；
信号处理模块，用于处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征。
到达角预测模块，用于根据无线电信号的所述幅值和相移获得第一到达角预测值；以及，用于根据所述无线电信号的主特征获得第二到达角预测值；
定位点预测模块，用于分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹；以及根据对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
具体的，在每一位置接收无线电信号，根据所述无线电信号可以得到对应的一个第一到达角预测值和一个第二到达角预测值，根据一个第一到达角预测值可以确定无线电信号的一个第一入射轨迹，根据一个第二到达角预测值可以确定无线电信号的一个第二入射轨迹，因此在多个位置接收无线电信号，可以得到多个对应的第一入射轨迹和多个对应的第二入射轨迹，根据多个第一入射轨迹可以得到一组交点，根据多个第二入射轨迹可以得到一组交点，两组交点共同组成预测定位点集合。
定位点确定模块，用于根据所述预测定位点集合聚类确定电磁发射源的位置。
优选的，选用K-means聚类方法确定电磁发射源的位置，具体包括：
初步筛除坏点，将预测定位点集合中的孤立的交点删除，得到一组新的预测定位点集合；
在删除孤立的点后的预测定位点集合中，随机选取K个交点作为初始的聚类中心，计算其余交点与各聚类中心之间的距离；
重新选择K个交点作为初始的聚类中心，计算其余交点与各聚类中心的距离；
选择距离较小的聚类中心，并重复上述步骤，直至聚类中心所包括的交点不再发生变化，则确定所述聚类中心所包括的交点为电磁发射源的位置。
利用两组第一到达角和第二到达角得到预测定位点集合，并在预测定位点集合中利用K-means聚类方法确定电磁发射源的位置，可以有效降低偶然误差，提高定位准确率。
优选的，为了在多个位置处接收电磁源发射的无线电信号，所述信号接收模块包括位于不同位置处的多个信号接收机；
所述信号接收机包括：
第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列，用于接收无线电信号；优选的，上述任一天线阵列包括4个阵元。
射频开关，用于选择传输上述任一天线阵列接收到的无线电信号；具体的，射频开关一次传输上述任一天线阵列接收的4路无线电信号；
射频信号接收机，用于处理传输的所述无线电信号获得无线电信号的实部和虚部；具体的，射频信号接收机对接收到的无线电信号经解调、滤波、数字转换之后，再通过数字希尔伯特滤波器获得无线电信号的实部和虚部。
优选的，为了突破现有技术中频谱角度测量范围的限制，对上述天线阵列进行如下设置：选用的所述第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列为均匀线性阵列；
所述第一天线阵列和第二天线阵列处于第一水平面且相互垂直平分，所述第三天线阵列和第四天线阵列处于第二水平面且相互垂直平分；所述第一水平面与第二水平面高度不同；所述第一天线阵列与第三天线阵列相互平行，所述第二天线阵列与第四天线阵列相互平行。
优选的，所述第一天线阵列和第三天线整列放置在预设基准0度位置，接收到的无线电信号用于测算前述无线电信号基于预设基准0度位置的到达角度估计值；所述第二天线阵列和第四天线阵列放置于与预设基准0度位置垂直的位置，即基准90度位置，接收到的无线电信号用于测算前述无线电信号基于基准90度位置的到达角估计值。
优选的，所述信号处理模块通过下述方式获得无线电信号的幅值和相移，并提取无线电信号的主特征：
根据获得的无线电信号的实部和虚部得到无线电信号的幅值和相移；具体的，计算无线电信号的实部和虚部的平方和的根能够得到无线电信号的幅值，将无线电信号的实部和虚部进行希尔伯特变换获得无线电信号的相移；
对无线电信号进行协方差处理获得信号特征，再利用PCA算法消除各信号特征之间的相关性进行降维，获得无线电信号的主特征；
具体的，通过下述流程获得无线电信号的主特征：
示例性的，有k个电磁发射源，发射源使用的天线阵列有M个，每一天线阵列有N个阵元，任一天线阵列在t时刻接收到的无线电信号可以表示为：
Figure BDA0002380693690000091
其中，θk,(k＝1,2…,K)为每个发射源的入射角度，sk(t)为第k个电磁发射源发射的无线电信号；
Figure BDA0002380693690000092
和
Figure BDA0002380693690000093
分别表示发送转向矢量和接收转向矢量；
Figure BDA0002380693690000094
为高斯白噪声，其协方差矩阵可以表示为
Figure BDA0002380693690000095
其中
Figure BDA0002380693690000096
为第N个阵元的噪声方差且有
Figure BDA0002380693690000097
因此，信号接收机接收到的无线电信号可以表示为：
x(t)＝As(t)+n(t)； (2)
其中，
Figure BDA0002380693690000098
表示收发联合转向矩阵，
Figure BDA0002380693690000099
表示内积，s(t)＝[s1(t),s2(t),…,sN(t)]T表示t时刻每个无线电信号的快照，即每个信号的采样值；
其协方差矩阵公式如下式所示：
R＝E[x(t)xH(t)]＝AE[s(t)sH(t)]AH+E[n(t)nH(t)]；
对R进行特征分解得到：
R＝U∑UH；
其中，U为特征矢量矩阵，∑为特征值组成的对角阵，具体形式如下：
Figure BDA0002380693690000101
上式中的特征值满足如下关系：
λ1≥λ2…≥λN＞λN+1＝…＝λM＝σ2；
将协方差矩阵分解的特征值和协方差矩阵的上三角部分的值作为神经网络输入的特征，经过处理后，记为b＝[q1,q2,…,qp,R11,,R1M,R23,…,RM(M-1)]，其中{q1,q2,…,qp}为M个特征值按最大特征值归一化后的结果，{R11,,R1M,R23,…,RM(M-1)}为归一化的协方差矩阵上三角部分对应的值。考虑到无线电信号的特征数量太多，由前述特征进行数据的分类所带来的计算消耗将会非常大，因此，首先使用PCA算法对无线电信号特征进行主成分分析处理，提取无线电信号的主特征，对b进行PCA变换，消除各分量之间的相关性进行降维。矩阵b的PCA变换过程如公式：
Figure BDA0002380693690000102
Figure BDA0002380693690000103
上式中W为b的协方差矩阵V的前m个由大到小的特征值对应的特征向量一次排列构成的矩阵，其中，m为经PCA变换后输出的主特征的数量，经过PCA变换后，原有特征b＝[q1,q2,…,qp,R11,,R1M,R23,…,RM(M-1)]变换为降维后的主特征矩阵，可以表示为X＝[x1,x2,…,xm]T，其中X的维度小于原有矩阵b的维度，从而完成了无线电信号主特征的提取。
人工神经网络算法是一种模拟生物特征的算法，以生物神经细胞系统为基础，建立的能够模拟人类大脑思维方式的数学模型，是对人类大脑神经网络的抽象建模，具有灵活的自学习、自适应、自组织等特点。人工神经网络算法在实际的应用中，表现出多方面独特的优势。其具有大量并行分布结构，能够高效并行协同处理信息，实现快速实时的运算和存储功能。具有极强的非线性映射能力，可用于解决实际中诸多由非线性机制产生的各种棘手问题。具备自适应学习和归纳能力，能够在反复的学习过程中为新的数据输入产生合理的输出，对周围变化的环境具有很强的自适应性和可塑性。具有高度的容错性，其采用分布式信息存储，即便是局部信息的丢失或损害，也不会致使整个网络系统的瘫痪，通过联想记忆，并有可能再次恢复丢失损坏的局部信息。神经网络的工作过程包括训练阶段和在线判断两部分。学习过程中各神经元进行规则学习，权参数调整，进行非线性映射关系拟合以达到训练精度；判断阶段则是训练好的稳定的网络读取输入信息通过计算得到输出结果。
基于无线电信号的主特征利用预设神经网络算法得到第二到达角预测值θ2i，如图2所示。
神经网络模型的输入输出映射关系为：
Figure BDA0002380693690000111
其中，
Figure BDA0002380693690000112
是第k个输出层与隐藏层第i个神经元之间的连接权重。一般选用高斯公式，因此上式可以写成：
Figure BDA0002380693690000121
L是神经网络的隐藏层神经元个数，c(i),i＝1,2,…,L是基函数的中心，σ2为高斯函数的宽度稀疏；
在训练阶段，使用已知到达角f对应的无线电信号进行训练，将无线电信号的主特征输入神经网络模型，输出预测角度αf，计算预测误差Δ＝αf-f，根据误差值使用误差反向传播的BP(BackPropagation)学习规则进行权值修正。通过学习不断的更新模型中的
Figure BDA0002380693690000122
直到预测模型的预测值与真实值的误差小于预设阈值，则认定学习阶段结束。
根据上述训练后的网络神经模型输入输出映射关系公式，将经过PCA降维的信号主特征X＝[x1,x2,…,xm]T输入预设神经网络，能够得到第二到达角预测值θ2i。
优选的，所述信号处理模块还用于控制所述射频开关选择接收第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列中任一天线阵列传输的无线电信号。
优选的，所述到达角预测模块通过下述方式获得第一到达角预测值θ1i：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定第一到达角预测值θ1i：
Figure BDA0002380693690000131
其中，i∈[1,n]，n为不同位置的个数。
具体的，基于系数贝叶斯学习DOA估计获得到达角度估计值的原理如下：
由前述可知，信号接收机接收到的无线电信号可以表示为：
x(t)＝As(t)+n(t)； (3)
其中，
Figure BDA0002380693690000132
表示收发联合转向矩阵，
Figure BDA0002380693690000133
表示内积，s(t)＝[s1(t),s2(t),…,sN(t)]T表示t时刻每个无线电信号的快照，即每个信号的采样值；n(t)的协方差矩阵可以写成
Figure BDA0002380693690000134
IM为M维单位矩阵。
获得每个无线电信号的T个数据(T个无线电信号的采样值)，公式(3)可写成如下形式：
X＝AS+N； (4)
其中，X＝[x1,x2,…,xT]，S＝[s1,s2,…,sT]，N＝[n1,n2,…,nT]。通过观察，
Figure BDA0002380693690000135
可以写成
Figure BDA0002380693690000136
其中，
Figure BDA0002380693690000137
J为
Figure BDA0002380693690000141
因此，公式(4)可以写成
X＝JBS+N (7)
其中，B＝[b(θ1),b(θ2),…,b(θK)]，为了降低系数维度，构建如下变化矩阵
D＝(JHJ)-1JH (8)
通过乘上转换矩阵D，获得的采样数据变为Y＝DJBS+DN＝BS+E (9)
其中，Y＝[y(1),y(2),…,y(T)]；E＝DN仍然是未知噪声，其协方差矩阵为
Figure BDA0002380693690000142
其中，
Figure BDA0002380693690000143
为噪声功率。
使用稀疏信号模型描述接收到的无线电信号，以便后续分析概率密度函数。电磁发射源的位置是有限的，因此可以使用稀疏表示策略，在平面内形成一个离散的网格，电磁发射源的完整方向集可以表示为
Figure BDA0002380693690000144
显然如果完整的方向集足够密集，公式(9)的稀疏信号模型表示为
Figure BDA0002380693690000145
其中，
Figure BDA0002380693690000146
是一个(MN-1)×K的矩阵；
Figure BDA0002380693690000151
使用概率密度函数分析无线电信号，得到贝叶斯方程的输入参数，然后得到
Figure BDA0002380693690000152
的后验概率密度。基于统计稀疏贝叶斯学习(SBL)策略，稀疏矩阵的每一列服从独立的复高斯分布，即
Figure BDA0002380693690000153
其中
Figure BDA0002380693690000154
表示复高斯分布的均值为0,方差为γ＝diag(r)。
Figure BDA0002380693690000155
为超参数集，
Figure BDA0002380693690000156
表示方向为
Figure BDA0002380693690000157
信号的方差，由于
Figure BDA0002380693690000158
包含每个信号的T次数据(T次采样数据)，其概率密度分布可以表示为
Figure BDA0002380693690000159
此外，参数r假设服从独立Gamma分布，即
Figure BDA00023806936900001510
然后可以得到γ的概率密度分布
Figure BDA00023806936900001511
其中，
Figure BDA00023806936900001512
且有
Figure BDA00023806936900001513
一般来说α和β是两个接近于0的常数。
根据上述假设和贝叶斯原理，能够推断出接收到的数据Y也遵循复杂的高斯分布。因此，Y的概率密度函数是
Figure BDA00023806936900001514
然后利用贝叶斯推导，
Figure BDA00023806936900001515
的后验概率密度可以由公式(15)计算：
Figure BDA00023806936900001516
其中，
Figure BDA0002380693690000161
Figure BDA0002380693690000162
分别代表均值和协方差。为了估计μ和∑，需先估计超参数r和噪声的协方差矩阵
Figure BDA0002380693690000163
Y相对于r和
Figure BDA0002380693690000164
的后验概率密度为：
Figure BDA0002380693690000165
式中，
Figure BDA0002380693690000166
这是估计r和
Figure BDA0002380693690000167
的II型最大值似然问题。通过对公式(18)取对数，并且忽略常数项，超参数r的客观似然函数可以表示如下：
Figure BDA0002380693690000168
式中
Figure BDA0002380693690000169
为了估计超参数r，需要最小化公式(19)目标似然函数。通常采用最大期望算法(EM算法)来优化目标似然函数并实现r的估计。因此，根据
EM算法的策略，引入公式(*-18)关于r的偏导，并设为0，即
Figure BDA00023806936900001610
然后通过求解公式(*-19)可以推出r的更新公式
Figure BDA00023806936900001611
然而，在收敛过程中，由于自身的稀疏性r的大部分元素都趋于0，这可能导致奇点。因此，为了避免这种现象，r的更新公式可修改为
Figure BDA00023806936900001612
其中
Figure BDA00023806936900001613
Figure BDA00023806936900001614
和
Figure BDA00023806936900001615
分别代表向量的第
Figure BDA00023806936900001616
个分量和矩阵的第
Figure BDA00023806936900001617
个分量。
Figure BDA00023806936900001618
μ(i)和Σ(i)分别表示
Figure BDA00023806936900001619
μ和Σ在第i次迭代的估计值，其中
Figure BDA00023806936900001620
和Σ(i)可以通过公式(16)和(17)计算得到。τ是一个极小的正常数，例如
τ＝10-10。
采用最小二乘法来估计非一致的噪声协方差矩阵
Figure BDA0002380693690000171
在每一次迭代后，可以通过1D频谱搜索得到K个发射源的到达角(DOA)的粗略估计，并表示为
Figure BDA0002380693690000172
相应的方向矩阵为
Figure BDA0002380693690000173
由
Figure BDA0002380693690000174
的列构成的子空间和
Figure BDA0002380693690000175
是相同的子空间，也就是说
Figure BDA0002380693690000176
其中，R＝E[y(t)yH(t)]，H是一个满秩矩阵。
Figure BDA0002380693690000177
的第p(p＝1,2,···,P)列可以被表示为
Figure BDA0002380693690000178
其中vp代表R的第p列，ep是一个只有第p个分量为1其他分量为0的列向量。
Figure BDA0002380693690000179
的列向量和
Figure BDA00023806936900001710
的误差可以计算为
Figure BDA00023806936900001711
其中hp代表H的第p列。使用最小二乘法求解公式(23)，可以得到最小二乘法的解
Figure BDA00023806936900001712
然后通过将hp代回g(p)可以推导出估计噪声方差的目标函数如下：
Figure BDA00023806936900001713
其中，
Figure BDA00023806936900001714
然后采用部分求导的方式，噪声的协方差矩阵更新为
Figure BDA00023806936900001715
到目前为止，信号和噪声的方差可以根据公式进行估算。基于
Figure BDA00023806936900001716
的稀疏性，我们可以通过扫描一维频谱得到DOA估计角度值(通过搜索频谱最高峰对应的角度值作为DOA估计角度值)。
考虑到离网误差仍然会影响DOA的估计精度，因此，使用期望最大算法提高DOA估计精度，使用期望最大算法来细化网格，并使用如下公式来计算期望值：
Figure BDA0002380693690000181
其中，yt和μt分别表示Y和μ的第t列，然后在最大化阶段，将公式(14)最大化，使
Figure BDA0002380693690000182
公式(26)相对
Figure BDA0002380693690000183
的偏导数为0，即
Figure BDA0002380693690000184
其中，
Figure BDA0002380693690000185
且有
Figure BDA0002380693690000186
Figure BDA0002380693690000187
表示
Figure BDA0002380693690000188
的第k列，
Figure BDA0002380693690000189
且有
Figure BDA00023806936900001810
Figure BDA00023806936900001811
表示μ的第
Figure BDA00023806936900001812
项，
Figure BDA00023806936900001813
表示∑的第
Figure BDA00023806936900001814
项，定义如下式
Figure BDA00023806936900001815
Figure BDA00023806936900001816
则公式(27)可以转换为
Figure BDA00023806936900001817
其中，
Figure BDA00023806936900001818
表示
Figure BDA00023806936900001819
的第k项，由于
Figure BDA00023806936900001820
在P-1个根中选择绝对值最接近1的根用来发射源定位位置。设选定的根为
Figure BDA0002380693690000191
那么第
Figure BDA0002380693690000192
个发射源DOA预测角可以使用如下公式进行计算
Figure BDA0002380693690000193
使用双天线时，水平阵列和垂直阵列同时使用贝叶斯DOA估计算法，得到两个角度值。
具体的，根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移获得的到达角预测值为α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移获得的到达角预测值为β1i；
通过下述公式确定第一到达角预测值θ1i：
Figure BDA0002380693690000194
其中，i∈[1,n]，n为不同位置的个数。
优选的，还包括GPS接收机，用于对所述信号接收机进行定位，获得当前所述信号接收机的位置信息；
所述定位点预测模块，根据获得的当前所述信号接收机的位置信息及对应的第一达角预测值θ1i或第二达角预测值θ2i，确定无线电信号的第一入射轨迹或第二入射轨迹。
与现有技术相比，本实施例提供的电磁发射源定位系统，一方面，采用垂直平分双天线阵列接收电磁发射源发射的无线电信号，可以打破现有技术测量角度范围的限制，实现0°-360°的频谱角度测量范围，从而提高角度测量精度；另一方面，使用了基于稀疏贝叶斯学习的DOA估计算法和神经网络算法获得到达角，并根据到达角得到预测定位点集合，进而使用K-Means聚类算法确定电磁发射源位置，该方法均衡了两种算法的优点，提高了定位精度。
另一方面，本发明的另一个实施例提供了一种电磁发射源定位方法，包括以下步骤：
利用多个信号接收机在不同位置接收电磁发射源发射的无线电信号，处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征。
具体的，对接收到的无线电信号经解调、滤波、数字转换之后，再通过数字希尔伯特滤波器获得无线电信号的实部和虚部；计算无线电信号的实部和虚部的平方和的根能够得到无线电信号的幅值，将无线电信号的实部和虚部进行希尔伯特变换获得无线电信号的相移；
并对无线电信号进行协方差处理获得信号特征，再利用PCA算法消除各信号特征之间的相关性进行降维，获得无线电信号的主特征；
根据无线电信号的所述幅值和相移获得第一到达角预测值，并根据所述无线电信号的主特征获得第二到达角预测值；
优选的，根据无线电信号的主特征通过预设的神经网络模型获得第二到达角预测值；
分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹，并分别获得对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
具体的，在每一位置接收无线电信号，根据所述无线电信号可以得到对应的一个第一到达角预测值和一个第二到达角预测值，根据一个第一到达角预测值可以确定无线电信号的一个第一入射轨迹，根据一个第二到达角预测值可以确定无线电信号的一个第二入射轨迹，因此在多个位置接收无线电信号，可以得到多个对应的第一入射轨迹和多个对应的第二入射轨迹，根据多个第一入射轨迹可以得到一组交点，根据多个第二入射轨迹可以得到一组交点，两组交点共同组成预测定位点集合。
根据所述预测定位点集合利用K-means聚类方法确定电磁发射源的位置；
优选的，选用K-means聚类方法确定电磁发射源的位置，具体包括：
初步筛除坏点，将预测定位点集合中的孤立的交点删除，得到一组新的预测定位点集合；
在删除孤立的点后的预测定位点集合中，随机选取K个交点作为初始的聚类中心，计算其余交点与各聚类中心之间的距离；
重新选择K个交点作为初始的聚类中心，计算其余交点与各聚类中心的距离；
选择距离较小的聚类中心，并重复上述步骤，直至聚类中心所包括的交点不再发生变化，则确定所述聚类中心所包括的交点为电磁发射源的位置。
利用两组第一到达角和第二到达角得到预测定位点集合，并在预测定位点集合中利用K-means聚类方法确定电磁发射源的位置，可以有效降低偶然误差，提高定位准确率。
优选的，所述信号接收机包括第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列；根据所述无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得无线电信号到达角的估计值，并利用期望最大算法获得到达角预测值θ1i，包括：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定到达角预测值θ1i：
Figure BDA0002380693690000221
其中，i∈[1,n]，n为不同位置的个数。
具体的，选用的所述第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列为均匀线性阵列；
所述第一天线阵列和第二天线阵列处于第一水平面且相互垂直平分，所述第三天线阵列和第四天线阵列处于第二水平面且相互垂直平分；所述第一水平面与第二水平面高度不同；所述第一天线阵列与第三天线阵列相互平行，所述第二天线阵列与第四天线阵列相互平行。
优选的，所述第一天线阵列和第三天线整列放置在预设基准0度位置，接收到的无线电信号用于测算前述无线电信号基于预设基准0度位置的到达角度估计值；所述第二天线阵列和第四天线阵列放置于与预设基准0度位置垂直的位置，即基准90度位置，接收到的无线电信号用于测算前述无线电信号基于基准90度位置的到达角估计值。
优选的，还包括对所述多个信号接收机分别进行定位获得所述多个信号接收机的位置信息；
根据获得的所述多个信号接收机的位置信息及分别对应的第一达角预测值θ1i或第二达角预测值θ2i，确定无线电信号的多个第一入射轨迹或多个第二入射轨迹。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种电磁发射源定位系统，其特征在于，包括：
信号接收模块，用于在不同位置接收电磁发射源发射的无线电信号；
信号处理模块，用于处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征；
到达角预测模块，用于根据无线电信号的所述幅值和相移获得第一到达角预测值；以及，用于根据所述无线电信号的主特征获得第二到达角预测值；
定位点预测模块，用于分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹；以及根据对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
定位点确定模块，用于根据所述预测定位点集合聚类确定电磁发射源的位置。
2.根据权利要求1所述的一种电磁发射源定位系统，其特征在于，所述信号接收模块包括位于不同位置处的多个信号接收机；
所述信号接收机包括：
第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列，用于接收无线电信号；
射频开关，用于选择传输上述第一天线阵列、第二天线阵列、第三天线阵列或第四天线阵列接收到的无线电信号；
射频信号接收机，用于处理传输的所述无线电信号获得无线电信号的实部和虚部。
3.根据权利要求2所述的一种电磁发射源定位系统，其特征在于，所述第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列为均匀线性阵列；
所述第一天线阵列和第二天线阵列处于第一水平面且相互垂直平分，所述第三天线阵列和第四天线阵列处于第二水平面且相互垂直平分；所述第一水平面与第二水平面高度不同；所述第一天线阵列与第三天线阵列相互平行，所述第二天线阵列与第四天线阵列相互平行。
4.根据权利要求3所述的一种电磁发射源定位系统，其特征在于，所述信号处理模块通过下述方式获得无线电信号的幅值和相移，并提取无线电信号的主特征：
根据获得的无线电信号的实部和虚部得到无线电信号的幅值和相移；
对无线电信号进行协方差处理获得信号特征，再利用PCA算法消除各信号特征之间的相关性进行降维，获得无线电信号的主特征。
5.根据权利要求4所述的一种电磁发射源定位系统，其特征在于，所述信号处理模块还用于控制所述射频开关选择接收第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列中任一天线阵列传输的无线电信号。
6.根据权利要求5所述的一种电磁发射源定位系统，其特征在于，所述到达角预测模块通过下述方式获得第一到达角预测值θ1i：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定第一到达角预测值θ1i：
Figure FDA0003241725640000031
其中，i∈[1,n]，n为不同位置的个数。
7.根据权利要求2-6任一所述的一种电磁发射源定位系统，其特征在于，还包括GPS接收机，用于对所述信号接收机进行定位，获得当前所述信号接收机的位置信息；
所述定位点预测模块，根据获得的当前所述信号接收机的位置信息及对应的第一到达角预测值θ1i或第二到达角预测值θ2i，确定无线电信号的第一入射轨迹或第二入射轨迹。
8.一种电磁发射源定位方法，其特征在于，包括以下步骤：
利用多个信号接收机在不同位置接收电磁发射源发射的无线电信号，处理所述无线电信号获得无线电信号的幅值和相移，并提取无线电信号的主特征；
根据无线电信号的所述幅值和相移获得第一到达角预测值，并根据所述无线电信号的主特征获得第二到达角预测值；
分别基于所述第一到达角预测值和第二到达角预测值确定无线电信号的第一入射轨迹和第二入射轨迹，并分别获得对应不同位置的多个第一入射轨迹的交点和多个第二入射轨迹的交点，得到预测定位点集合；
根据所述预测定位点集合利用聚类方法确定电磁发射源的位置。
9.根据权利要求8所述的一种电磁发射源定位方法，其特征在于，所述信号接收机包括第一天线阵列、第二天线阵列、第三天线阵列、第四天线阵列；根据所述无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得无线电信号到达角的估计值，并利用期望最大算法获得到达角预测值θ1i，包括：
根据第一天线阵列、第三天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值α1i；
根据第二天线阵列、第四天线阵列得到的无线电信号的幅值和相移基于系数贝叶斯学习DOA估计获得到达角度估计值，并利用期望最大算法获得到达角预测值β1i；
通过下述公式确定到达角预测值θ1i：
Figure FDA0003241725640000041
其中，i∈[1,n]，n为不同位置的个数。
10.根据权利要求8、9任一所述的一种电磁发射源定位方法，其特征在于，还包括对所述多个信号接收机分别进行定位获得所述多个信号接收机的位置信息；
根据获得的所述多个信号接收机的位置信息及分别对应的第一达角预测值θ1i或第二达角预测值θ2i，确定无线电信号的多个第一入射轨迹或多个第二入射轨迹。
CN202010082144.1A 2020-02-07 2020-02-07 一种电磁发射源定位系统及方法 Active CN111239682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082144.1A CN111239682B (zh) 2020-02-07 2020-02-07 一种电磁发射源定位系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082144.1A CN111239682B (zh) 2020-02-07 2020-02-07 一种电磁发射源定位系统及方法

Publications (2)

Publication Number Publication Date
CN111239682A CN111239682A (zh) 2020-06-05
CN111239682B true CN111239682B (zh) 2021-11-30

Family

ID=70879835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082144.1A Active CN111239682B (zh) 2020-02-07 2020-02-07 一种电磁发射源定位系统及方法

Country Status (1)

Country Link
CN (1) CN111239682B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111999696B (zh) * 2020-08-02 2023-07-04 中国人民解放军海军工程大学 一种多平台测向交叉定位优化方法
CN118033530A (zh) * 2024-01-17 2024-05-14 浙江瑞通电子科技有限公司 一种基于无线电信号分析方位的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0620187D0 (en) * 2006-10-12 2006-11-22 Nokia Corp Positioning apparatus
CN107613558A (zh) * 2017-07-11 2018-01-19 同济大学 一种基于单根接收天线的基站定位系统及方法
CN108051772A (zh) * 2017-10-25 2018-05-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 幅相联合测量来波方位信息的方法
CN108337681A (zh) * 2017-12-29 2018-07-27 天津理工大学 一种基于信道状态特征的无线网络Sybil攻击的检测方法
JP2018200218A (ja) * 2017-05-26 2018-12-20 ソフトバンク株式会社 到来電波を測定する測定装置及びその測定方法
CN109597047A (zh) * 2018-11-29 2019-04-09 西安电子科技大学 基于有监督深度神经网络的米波雷达doa估计方法
CN110221241A (zh) * 2019-04-29 2019-09-10 西安电子科技大学 一种基于rbf神经网络的低仰角doa估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0620187D0 (en) * 2006-10-12 2006-11-22 Nokia Corp Positioning apparatus
JP2018200218A (ja) * 2017-05-26 2018-12-20 ソフトバンク株式会社 到来電波を測定する測定装置及びその測定方法
CN107613558A (zh) * 2017-07-11 2018-01-19 同济大学 一种基于单根接收天线的基站定位系统及方法
CN108051772A (zh) * 2017-10-25 2018-05-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 幅相联合测量来波方位信息的方法
CN108337681A (zh) * 2017-12-29 2018-07-27 天津理工大学 一种基于信道状态特征的无线网络Sybil攻击的检测方法
CN109597047A (zh) * 2018-11-29 2019-04-09 西安电子科技大学 基于有监督深度神经网络的米波雷达doa估计方法
CN110221241A (zh) * 2019-04-29 2019-09-10 西安电子科技大学 一种基于rbf神经网络的低仰角doa估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于空间谱群指纹的高精度室内定位方法研究;李葆仓;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20160315;正文第23-52页 *
基于高阶累积量的近场通信波达方向估计算法;陆兴华 等;《电声技术》;20161231;正文第65-69页 *
阵元数对组合线阵近场目标定位性能的影响;李昆鹏 等;《舰船电子工程》;20191130;正文第51-55页 *

Also Published As

Publication number Publication date
CN111239682A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN108696932B (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
Njima et al. Indoor localization using data augmentation via selective generative adversarial networks
CN107333238B (zh) 一种基于支持向量回归的室内指纹快速定位方法
CN106941718B (zh) 一种基于信号子空间指纹库的混合室内定位方法
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN109672973B (zh) 一种基于最强ap的室内定位融合方法
CN106707255B (zh) 一种相控阵雷达仿真系统及方法
CN112748397A (zh) 一种非视距条件下基于自适应bp神经网络的uwb定位方法
CN109239686B (zh) 一种针对分布式mimo雷达目标定位的发射机和接收机布局方法
CN111239682B (zh) 一种电磁发射源定位系统及方法
CN110691319B (zh) 一种使用领域自适应实现异构设备高精度室内定位的方法
CN112995892A (zh) 基于复数神经网络的大规模mimo指纹定位方法
US5537511A (en) Neural network based data fusion system for source localization
CN114449452A (zh) 一种异构设备室内定位算法
CN113747360A (zh) 一种基于混合可见光和ble的室内定位方法
Chen et al. A robust sparse Bayesian learning-based DOA estimation method with phase calibration
Liu et al. Single snapshot DOA estimation based on spatial smoothing MUSIC and CNN
CN107682822B (zh) 一种基于电磁场强度的压缩感知室外定位方法
CN113219408A (zh) 改进型rbf神经网络室内可见光定位方法及系统
CN117312923A (zh) 一种基于毫米波传播机理的传播环境中结构体分类方法
CN111505566A (zh) 一种特高频射频信号doa估计方法
Stankovic et al. Efficient DOA estimation of impinging stochastic EM signal using neural networks
CN113923589B (zh) 一种非接触式多目标定位方法
CN114679683B (zh) 一种基于派生指纹迁移的室内智能定位方法

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