CN111382830A - 一种基于混合粒子群算法的信号到达角度估计方法和装置 - Google Patents
一种基于混合粒子群算法的信号到达角度估计方法和装置 Download PDFInfo
- Publication number
- CN111382830A CN111382830A CN202010141727.7A CN202010141727A CN111382830A CN 111382830 A CN111382830 A CN 111382830A CN 202010141727 A CN202010141727 A CN 202010141727A CN 111382830 A CN111382830 A CN 111382830A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimal
- objective function
- value
- individual
- 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.)
- Pending
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
- G01S3/48—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the antennas being continuous or intermittent and the phase difference of signals derived therefrom being measured
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于混合粒子群算法的信号到达角度估计方法和装置,对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。目标函数根据五元阵的位置选择基线组合和到达角度的相关关系构建。本发明结合了粒子群算法计算简单的优点,同时采用混合策略,将模拟退火算法应用到粒子群算法中,应用模拟退火算法在搜索过程中的突跳能力,提高粒子的多样性,增强粒子的全局搜索能力,增加收敛速度与计算精度,快速准确的求解得到无源定位问题中目标信号到达角度的估计值。
Description
技术领域
本发明涉及雷达数据处理技术领域,具体涉及一种基于混合粒子群算法的信号到达角度估计方法和装置。
背景技术
随着电子信息技术的发展和移动通信技术在各个领域的广泛应用,人们越来越关注基于先进通信技术的各种信息服务。而在移动和无线通信的军用和民事应用中,也通常需要测向技术和无线电定位,如移动通信中的智能天线技术需要得到连接到基站的终端的方位、地震探测中的震源定位、军事通信中的干扰源定位等,所涉及的技术需求往往要求系统简单实用、实时性、测量准确度高、抗干扰能力强。传统的GPS定位系统和雷达测向无法适应此类应用场合。在这种情况下,无源测向技术得到了迅速发展。
在民用方面,如在移动通信中,无源测向技术就是利用无线电信号来判定某一半径范围内无线电信号发射终端物理位置的一种方法。采用无源测向方法可以为移动通信网中的用户提供位置信息,给人们带来了极大的方便。移动通信网所提供的定位业务具有巨大的应用前景,第一,它可以为社区公共事业服务:如城市交通引导、急救业务、移动终端盗窃防范、车辆跟踪调度等。第二,它可以给汽车和移动通信等行业带来巨大的经济效益。同GPS定位相比,无线电定位对数量庞大的移动终端不需要做任何改变,只是在基站增加一定数量的设备就可为用户提供良好的服务。信号达到角度(DOA)估计技术在无线通信系统中起着相当重要的作用,因为它是移动通信技术的关键技术之一。
在军事上,无源测向技术是一种相当重要的侦察手段,它的目的是了解敌方指挥中心、部队的调动和配置等。交战双方改进测向设备,特别是机载设备,很大地加速了无线电测向技术的发展。正是由于军事上的需求,使测向技术和测向设备等得到了很好的发展。在和平建设时期,无源测向技术应用也相当广泛,它被用于天文、交通、气象、救灾、环保中;用于监测陆上和海上动物的行踪,以便对珍稀动物进行保护;用于检查高压配电系统中瓷瓶漏电。在我国发射的“神州7号”载人航天飞船返回舱坠地后,它不断的发射着无线电信号,航天科研人员也需要利用测向定位技术将它找到。
现代信息技术的迅猛发展要求智能天线算法在更短的时间里完成更有效的计算,而上述传统的信号到达角度(DOA)估计算法由于计算量大,不易实时实现,而且对实际的应用环境适应差,因而这些在理论上很好的算法大多滞留实验仿真上,在实际工程中得到应用受到极大的限制。
干涉仪测向技术自出现以来,因其测向灵敏度高、准确度高、速度快的特点在电磁环境监测、电子对抗、雷达、声纳、导航等领域得到了广泛应用。随着数字信号处理器的出现,通过数字信号处理器来实现高精度实时测向成为可能。目前,对于五元阵,常用的定位参数估计方法主要有三类:常规方法、FFT干涉仪法、相关干涉法。常规方法需要根据阵元基线的排布,计算出最大不模糊相位差,然后对各条基线的相位差进行逐一验证,筛选不模糊方位,该方法计算过程繁琐,时间较长,且精度也不高,且只能计算方位角度,对于俯仰角的计算则无能为力;FFT干涉仪法采用空间FFT的算法、计算出信号的空间谱,该方法通过搜索空间谱的对应角度最大值,得到目标信号源到达角度,该方法计算量也较大,同时该方法也只能计算一维角度,不能同时计算方位与俯仰角;相关干涉法通过系统标定,建立方位角与各基线相位差的关系数据库,通过比较实测数据与数据库数据的相关性来确定角度的真实值。这种方法速度最快,同时能给出测向效果的评估,但前期测试工作时间较长,误差也较大,而且存在相位模糊的问题。
综上所述,尽管信号到达角度(DOA)估计的方法日趋成熟,但是如何在复杂的环境下快速和有效地进行信号到达角度的估计,仍是该领域的一大热点和难题,传统的估计算法因为某些缺点而未能应用到实际定位系统中信号到达角度估计。
发明内容
为解决现有技术中的不足,本发明提供一种基于混合粒子群算法的信号到达角度估计方法,解决了在复杂的环境下信号到达角度估计不准确、不及时的问题。
为了实现上述目标,本发明采用如下技术方案:一种基于混合粒子群算法的信号到达角度估计方法,包括步骤:
对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述目标函数根据五元阵的位置选择基线组合构建。
进一步的,所述目标函数为:
其中,J(α,β)表示待求解的目标函数,α,β为待估计的目标信号源到达五元阵侦查测向系统的方位角与俯仰角,为五元阵中第p个阵元接收通道与第q个阵元接收通道信号中提取的相位差信息,p,q的范围均为1~5,λ表示五元阵侦查测向系统工作波长;rpq表示目标信号源到第p个和第q个阵元接收天线的假定距离之差。
进一步的,所述对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,过程包括:
(1)设置混合粒子群算法的求解参数;
(2)初始化种群个体;
(3)计算初始种群适应度,将目标函数的倒数作为适应度计算函数,目标函数值越小,适应度越大;
(4)寻找全局最优值,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中;
(5)计算退火算法的初始温度;
(6)通过初始温度计算当前温度下各粒子pi的适应值TF(pi):
(7)通过当前温度下各粒子的适应值计算当前温度下各粒子位置和速度的更新因子:
(8)通过更新因子更新各粒子的位置和速度;
(9)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最优适应度值,如果最优适应度值优于全局最优值gbest,则将最优适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中;
(10)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,对输出的最优解pg作进行变换,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述,参数包括:初始化粒子群的群体个体数目N、学习因子1,c1、学习因子2,c2、退火常数惯性权重lamda、最大迭代次数M、求解参数个数D。
进一步的,计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
当前温度下各粒子位置和速度的更新因子按照如下计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(8)中求得的更新因子。
一种基于混合粒子群算法的信号到达角度估计装置,包括:
目标函数构建模块,用于构建求解信号到达角度的目标函数;
求解模块,用于对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述目标函数为:
其中,J(α,β)表示待求解的目标函数,α,β为待估计的目标信号源到达五元阵侦查测向系统的方位角与俯仰角,为五元阵中第p个阵元接收通道与第q个阵元接收通道信号中提取的相位差信息,p,q的范围均为1~5,λ表示五元阵侦查测向系统工作波长;rpq表示目标信号源到第p个和第q个阵元接收天线的假定距离之差。
进一步的,所述对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,过程包括:
(1)设置混合粒子群算法的求解参数;
(2)初始化种群个体;
(3)计算初始种群适应度,将目标函数作为适应度计算函数;
(4)寻找全局最优值,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中;
(5)计算退火算法的初始温度;
(6)通过初始温度计算当前温度下各粒子pi的适应值TF(pi):
(7)通过当前温度下各粒子的适应值计算当前温度下各粒子位置和速度的更新因子:
(8)通过更新因子更新各粒子的位置和速度;
(9)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最小适应度值,如果最小适应度值小于全局最优值gbest,则将最小适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中;
(10)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,对输出的最优解pg作进行变换,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述参数包括:初始化粒子群的群体个体数目N、学习因子1,c1、学习因子2,c2、退火常数惯性权重lamda、最大迭代次数M、求解参数个数D。
计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
当前温度下各粒子位置和速度的更新因子按照如下计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(8)中求得的更新因子。
本发明所达到的有益效果:
本发明基于信号达到角度估计的实时性及高精度的要求,提出了一种基于混合粒子群算法的高精度信号到达角度估计算法,结合了粒子群算法计算简单的优点,同时采用混合策略,将模拟退火算法应用到粒子群算法中,应用模拟退火算法在搜索过程中的突跳能力,提高粒子的多样性,增强粒子的全局搜索能力,增加收敛速度与计算精度,快速准确的求解得到无源定位问题中目标信号到达角度(方位俯仰角度)的估计值。
附图说明
图1是本发明的流程图;
图2是本发明中五元阵接收天线位置示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1:
如图1所示,一种基于混合粒子群算法的信号到达角度估计方法,包括步骤:
(1)构建求解信号到达角度(方位俯仰角)的目标函数;
本发明中,采用五元天线阵侦查测向系统为例,来说明求解信号到达角度目标函数的构建过程。根据五元阵定位的基线选择和信号到达角度的计算原理构建目标函数。基线为计算相位差的两个接收天线之间的连线,参见图2,如图2中天线1和天线2的连线就是下文中的基线12;假定五元阵的位置如图2所示,图中12345表示对应位置的天线编号,各天线对应的坐标值为天线在测量坐标系中的安装位置;
根据五元阵的位置选择基线组合,构建目标函数。在本发明中,选择的五元阵求解基线为基线12、基线23、基线34、基线45和基线51,在使用过程中,用户也可以根据问题求解需要设置其他求解基线。
根据上述求解选择的基线,构建求解信号到达角度(方位俯仰角)的目标模型如下:
其中,J(α,β)表示待求解的目标函数,α,β为待估计的目标信号源到达五元阵侦查测向系统的方位角与俯仰角,为五元阵中第一个阵元接收通道与第二个阵元接收通道信号中提取的相位差信息,也均为从对应阵元通道信号中提取的相位差信息,下标1~5代表对应的阵元通道序号,也是阵元天线的序号,λ表示五元阵侦查测向系统工作波长。r12表示目标信号源到第一个和第二个阵元接收天线的假定距离之差,r51为目标信号源到第五个和第一个阵元接收天线的假定距离之差,其余含义类似;
目标信号源到五元阵各接收天线的假定距离如下:
r12=r1-r2
r51=r5-r1
式中,r1,…,r5分别表示目标信号源到第一个至第五个阵元接收天线的包含带估计参数的距离表达式,(xp,yp)为第p个阵元接收天线的安装位置,p=1,2,…,5,r0为一个满足电磁波等效于平面波的远场条件(电磁波远场条件的定义可参照电磁波相关文献)的假定距离,不要求制导目标信号源到达五元阵的精确距离,在本发明中,r0=5000米,目标函数中r12=r1-r2,其余参数定义与此相同。
本发明中根据信号到达角度估计问题的原理建立目标函数,考虑到相位存在以2π为周期的模糊,因此将相位差转换成余弦函数构造目标函数,避免了相位模糊的影响。
(2)设置混合粒子群算法的求解参数,通过混合粒子群算法求解预先构造的目标函数的值;具体步骤包括:
设置求解所需要的参数,主要包括如下参数:初始化粒子群的群体个体数目(N)、学习因子1(c1)、学习因子2(c2)、退火常数惯性权重(lamda)、最大迭代次数(M)、求解参数个数(搜索空间维度D),在本发明中,待求解的参数为目标信号源方位角与俯仰角两个参数,因此搜索空间维度为2。
(3)初始化种群个体
粒子群算法在一个给定的初始化种群个体中进行迭代搜索。本发明中,采用正态分布随机数初始化每个粒子的初始位置和初始速度,即将各粒子的位置和速度依次初始化为N×D(N行D列)的正态分布随机数矩阵。
(4)初始种群适应度计算
编写适应度计算函数,适应度计算函数根据问题的优化目标来确定。在本发明中,由于求解的问题最优值是目标函数最小值对应的参数,因此将目标函数的倒数作为适应度计算函数,其值越小则适应度越好。将各初始种群依次带入目标函数,计算输出的目标函数值,即适应度。
(5)寻找全局最优值;
根据步骤(4)中计算得到的适应度,通过排序对各种群的适应度大小进行排序。选择适应度最大的种群,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中。
(6)计算退火算法的初始温度;
初始温度t0采用如下公式计算:
t0=-f(pg)/loge(0.2)
其中,f( )为步骤(1)中确定的目标函数,在此一常见函数表示法f( )表示,loge( )为自然对数计算公式。
(7)计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
(8)计算当前温度下各粒子位置和速度的更新因子:
当前温度下各粒子位置和速度的更新因子按照如下流程计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算。
(9)通过更新因子更新各粒子的位置和速度;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(8)中求得的更新因子,φ见式中定义。
(10)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入步骤(1)中定义的求解信号到达角度(方位俯仰角)的目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最优适应度值,如果最优适应度值优于全局最优值gbest,则将最优适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中。
进行降温操作:t←lamda×t;
(11)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,pg就是所求目标函数的解。对输出的最优解pg作进行变换,由于输出的角度以弧度为单位,通过下列公式转化为度为单位输出,得到待求解的信号源的方位角和俯仰角信息。
azi=α×180/π
pit=β×180/π
实施例2:
一种基于混合粒子群算法的信号到达角度估计装置,包括:
目标函数构建模块,用于构建求解信号到达角度的目标函数;
求解模块,用于对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述目标函数为:
其中,J(α,β)表示待求解的目标函数,α,β为待估计的目标信号源到达五元阵侦查测向系统的方位角与俯仰角,为五元阵中第p个阵元接收通道与第q个阵元接收通道信号中提取的相位差信息,p,q的范围均为1~5,λ表示五元阵侦查测向系统工作波长;rpq表示目标信号源到第p个和第q个阵元接收天线的假定距离之差。
进一步的,所述对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,过程包括:
(1)设置混合粒子群算法的求解参数;
(2)初始化种群个体;
(3)计算初始种群适应度,将目标函数作为适应度计算函数;
(4)寻找全局最优值,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中;
(5)计算退火算法的初始温度;
(6)通过初始温度计算当前温度下各粒子pi的适应值TF(pi):
(7)通过当前温度下各粒子的适应值计算当前温度下各粒子位置和速度的更新因子:
(8)通过更新因子更新各粒子的位置和速度;
(9)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最小适应度值,如果最小适应度值小于全局最优值gbest,则将最小适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中;
(10)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,对输出的最优解pg作进行变换,得到待求解的信号源的方位角和俯仰角信息。
进一步的,所述参数包括:初始化粒子群的群体个体数目N、学习因子1,c1、学习因子2,c2、退火常数惯性权重lamda、最大迭代次数M、求解参数个数D。。
计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
当前温度下各粒子位置和速度的更新因子按照如下计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(8)中求得的更新因子。
实施例3:
以下相关实验数据进行说明该发明的使用流程及有益效果。
在本次实验中,计算了多组不同到达角度的信号源的方位角与俯仰角信息,相关设定角度在误差分析表格中给出,混合粒子群算法的计算参数如下:
群体个体数目N=100;
学习因子c1=2;
学习因子c2=2.5;
退火常数惯性权重lamda=0.5;
最大迭代次数M=100;
搜索空间维数D=2(方位、俯仰);
到达信号频率f0=1000e6;
五元阵的半径:r=0.5;
求解角度设定范围bound=[-π~π,0~π/2];其中对应方位角度范围-180°~180°,俯仰角度范围0~90°。
具体设定的角度与实验解算的角度如下表所示:
表1目标信号侦查测向系统试验设定参数及求解参数对比分析表
实验参数计算采用的电脑配置为:
处理器:Intel(R)Xeon(R)CPU E3-1270V2@3.50GHz 3.50GHz
安装内存(RAM):16.0GB
系统类型:64位操作系统
仿真结果和实验结果都表明,采用本发明提供的基于混合粒子群算法的信道到达角度估计算法,计算精度较高,而且计算时间较短,能零点几秒内得到准确的结果,有效的解决无源定位问题中到达角度求解的计算精度要求和实时性的要求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于混合粒子群算法的信号到达角度估计方法,其特征在于:包括步骤:
对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。
2.根据权利要求1所述的一种基于混合粒子群算法的信号到达角度估计方法,其特征是:所述目标函数根据五元阵的位置选择基线组合构建。
4.根据权利要求1所述的一种基于混合粒子群算法的信号到达角度估计方法,其特征是:所述对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,过程包括:
(1)设置混合粒子群算法的求解参数;
(2)初始化种群个体;
(3)计算初始种群适应度,将目标函数的倒数作为适应度计算函数,目标函数值越小,适应度越大;
(4)寻找全局最优值,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中;
(5)计算退火算法的初始温度;
(6)通过初始温度计算当前温度下各粒子pi的适应值TF(pi),函数的定义见后面详细材料:
(7)通过当前温度下各粒子的适应值计算当前温度下各粒子位置和速度的更新因子:
(8)通过更新因子更新各粒子的位置和速度;
(9)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最优适应度值,如果最优适应度值优于全局最优值gbest,则将最优适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中;
(10)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,对输出的最优解pg作进行变换,得到待求解的信号源的方位角和俯仰角信息。
5.根据权利要求4所述的一种基于混合粒子群算法的信号到达角度估计方法,其特征是:所述,参数包括:初始化粒子群的群体个体数目N、学习因子1,c1、学习因子2,c2、退火常数惯性权重lamda、最大迭代次数M、求解参数个数D。
6.根据权利要求4所述的一种基于混合粒子群算法的信号到达角度估计方法,其特征是:计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
当前温度下各粒子位置和速度的更新因子按照如下计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(c)中求得的更新因子。
7.一种基于混合粒子群算法的信号到达角度估计装置,其特征是:包括:
目标函数构建模块,用于构建求解信号到达角度的目标函数;
求解模块,用于对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,得到待求解的信号源的方位角和俯仰角信息。
9.根据权利要求7所述的一种基于混合粒子群算法的信号到达角度估计装置,其特征是:所述对构建的求解信号到达角度的目标函数通过改进的混合粒子群算法进行求解,过程包括:
(1)设置混合粒子群算法的求解参数;
(2)初始化种群个体;
(3)将目标函数的倒数作为适应度计算函数,目标函数值越小,适应度越大;
(4)寻找全局最优值,将最优适应值对应的个体存入全局最优个体变量pg中,最优适应值保存在全局最优值gbest中;
(5)计算退火算法的初始温度;
(6)通过初始温度计算当前温度下各粒子pi的适应值TF(pi):
(7)通过当前温度下各粒子的适应值计算当前温度下各粒子位置和速度的更新因子:
(8)通过更新因子更新各粒子的位置和速度;
(9)计算更新后各粒子的适应度,更新全局极值,并进行降温操作;
将更新后的粒子xi,j,,j=1,2.....D带入目标函数中,求得各粒子的适应度,通过排序找到更新后所有粒子的最优适应度值,如果最优适应度值优于全局最优值gbest,则将最优适应度值更新到gbest中,同时将求得最优值对应的粒子更新到全局最优个体变量pg中;
(10)判断迭代次数是否大于初始设定的最大迭代次数,如果大于则输出最优解pg以及对应的最优目标函数值gbest,对输出的最优解pg作进行变换,得到待求解的信号源的方位角和俯仰角信息。
10.根据权利要求9所述的一种基于混合粒子群算法的信号到达角度估计装置,其特征是:所述参数包括:初始化粒子群的群体个体数目N、学习因子1,c1、学习因子2,c2、退火常数惯性权重lamda、最大迭代次数M、求解参数个数D;
计算当前温度下各粒子pi的适应值TF(pi):
t表示退火算法中的当前温度,初始时等于步骤(6)中的t0,在后续计算中,由步骤(10)中退火降温操作计算得到,pi为当前种群中的个体粒子,i表示群体个体序号;
当前温度下各粒子位置和速度的更新因子按照如下计算:
a)生成一个[0,1]均匀分布随机数pBet;
c)比较pBet与ComFit的大小,如果pBet<=ComFit,则令更新因子pg_pluse=pi,跳出b)中的循环,完成计算;
各粒子的位置和速度按照如下公式更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2.....D
vi,j(t+1)=φ×{vi,j(t)+c1×r1×[yi,j(t)-xi,j(t)]+c2×r2×[pg_pluse-xi,j(t)]}
其中,xi,j(t)为当前温度下第i个个体的第j维的位置,vi,j(t)为前温度下第i个个体的第j维的位置的速度,c1为学习因子1,c2为学习因子2,r1和r2为两个[0,1]均匀分布的随机数,pg_pluse为步骤(8)中求得的更新因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141727.7A CN111382830A (zh) | 2020-03-04 | 2020-03-04 | 一种基于混合粒子群算法的信号到达角度估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141727.7A CN111382830A (zh) | 2020-03-04 | 2020-03-04 | 一种基于混合粒子群算法的信号到达角度估计方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382830A true CN111382830A (zh) | 2020-07-07 |
Family
ID=71215212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010141727.7A Pending CN111382830A (zh) | 2020-03-04 | 2020-03-04 | 一种基于混合粒子群算法的信号到达角度估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382830A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887899A (zh) * | 2021-01-06 | 2021-06-01 | 清华大学 | 一种基于单基站软位置信息的定位系统及定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513225A (zh) * | 2013-09-22 | 2014-01-15 | 西安电子科技大学 | 一种基于空间增益的稀疏平面阵形优化方法 |
CN106156451A (zh) * | 2015-03-16 | 2016-11-23 | 江南大学 | 一种基于改进量子粒子群的波达方向估计技术 |
CN106443571A (zh) * | 2016-09-05 | 2017-02-22 | 东南大学 | 一种保角变换旋转不变子空间波达方向估计方法 |
CN106443663A (zh) * | 2016-09-30 | 2017-02-22 | 西安电子科技大学 | 一种用于相控阵雷达降维四通道和差波束测角的方法 |
CN107884743A (zh) * | 2017-11-03 | 2018-04-06 | 中国人民解放军陆军炮兵防空兵学院 | 适用于任意结构声音阵列的波达方向智能估计方法 |
-
2020
- 2020-03-04 CN CN202010141727.7A patent/CN111382830A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513225A (zh) * | 2013-09-22 | 2014-01-15 | 西安电子科技大学 | 一种基于空间增益的稀疏平面阵形优化方法 |
CN106156451A (zh) * | 2015-03-16 | 2016-11-23 | 江南大学 | 一种基于改进量子粒子群的波达方向估计技术 |
CN106443571A (zh) * | 2016-09-05 | 2017-02-22 | 东南大学 | 一种保角变换旋转不变子空间波达方向估计方法 |
CN106443663A (zh) * | 2016-09-30 | 2017-02-22 | 西安电子科技大学 | 一种用于相控阵雷达降维四通道和差波束测角的方法 |
CN107884743A (zh) * | 2017-11-03 | 2018-04-06 | 中国人民解放军陆军炮兵防空兵学院 | 适用于任意结构声音阵列的波达方向智能估计方法 |
Non-Patent Citations (1)
Title |
---|
贾亚军等: "粒子群与模拟退火的混合算法求解旅行商问题" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887899A (zh) * | 2021-01-06 | 2021-06-01 | 清华大学 | 一种基于单基站软位置信息的定位系统及定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210204241A1 (en) | 5g-signal-based doa fingerprint-based positioning method | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN109379711B (zh) | 一种定位方法 | |
CN110333480B (zh) | 一种基于聚类的单无人机多目标aoa定位方法 | |
CN108680911B (zh) | 一种基于神经网络的雷达目标测向方法 | |
CN110018439A (zh) | 一种和差波束与波束music相结合的测向方法 | |
CN113702719A (zh) | 一种基于神经网络的宽带近场电磁定位方法及装置 | |
RU2608583C1 (ru) | Способ определения местоположения и параметров движения объекта по измерениям угловых координат | |
CN112269160A (zh) | 一种基于无人机装载嵌套阵的多信源直接定位方法 | |
Zhang et al. | Tips: Transformer based indoor positioning system using both csi and doa of wifi signal | |
Yao et al. | Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis | |
CN111382830A (zh) | 一种基于混合粒子群算法的信号到达角度估计方法和装置 | |
Wei et al. | IoT-aided fingerprint indoor positioning using support vector classification | |
CN113642252A (zh) | 基于单颗卫星的目标定位方法、装置、电子设备及介质 | |
CN109212466A (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
Liang et al. | Application of improved particle swarm optimization algorithm in TDOA | |
CN113344212B (zh) | 模型训练方法、装置、计算机设备及可读存储介质 | |
CN114325581A (zh) | 一种存在时钟同步误差的椭圆目标定位方法 | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN113255171A (zh) | 一种基于迁移学习的测向误差校正方法与装置 | |
Zhang et al. | RFID localization system based on k-nearest neighbor algorithm and extreme learning machine algorithm with virtual reference tags | |
Hu et al. | A TDOA/AOA hybrid positioning based on improved sparrow search algorithm for mobile position estimation | |
CN113194401A (zh) | 一种基于生成式对抗网络的毫米波室内定位方法及系统 | |
CN111060871A (zh) | 一种基于改进遗传算法的五元阵定位方法和装置 | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network |
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 |