CN111505566A - 一种特高频射频信号doa估计方法 - Google Patents
一种特高频射频信号doa估计方法 Download PDFInfo
- Publication number
- CN111505566A CN111505566A CN202010384052.9A CN202010384052A CN111505566A CN 111505566 A CN111505566 A CN 111505566A CN 202010384052 A CN202010384052 A CN 202010384052A CN 111505566 A CN111505566 A CN 111505566A
- Authority
- CN
- China
- Prior art keywords
- rss
- doa
- value
- model
- signal
- 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
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
- 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
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
-
- 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)
- 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)
- Radar Systems Or Details Thereof (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种特高频射频信号DOA估计方法,包括:步骤一:构建基于DNN和RSS的特高频射频信号DOA估计模型,定义传感器的数量K和位置、DOA的范围、角度空间的分辨率;步骤二:根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量,作为神经网络的输入;步骤三:定义神经网络中的层和参数,构建深度神经网络模型;步骤四:生成训练集,采用Adam优化算法和dropout技术训练模型,更新网络参数和防止过拟合现象发生;步骤五:根据训练好的模型进行实际的DOA预测。本发明提高了DOA估计方法在低成本和低复杂度下的适应能力,最终实现了在一定误差范围内的高概率DOA估计。
Description
技术领域
本发明涉及一种深度学习方法,尤其涉及一种特高频射频信号DOA估计方法,属于DOA估计方法。
背景技术
传统的基于相位的DOA估计算法大都依赖于信号撞击到阵列元件上的相位,易受到精确的多通道同步的困扰,增加了额外的硬件成本,并且在实际的阵列信号处理系统中难以实现。因为RSS(接收信号强度)易于测量,并且不需要精确的时间同步。基于RSS的DOA估计方法已成为室内定位领域的热点。G.Verma和F.Dagefu等人("Direction of ArrivalEstimation with the Received Signal Strength Gradient at the Lower VHF Band,”IEEE Antennas and Propagation Society International Symposium,Jun.2016,pp.1695-1696.)提出了一种基于RSS梯度的贝叶斯DOA估计算法。这种方法指出,当接收信号的主要成分是直接路径时,RSS梯度指向信号源;B.N.Hood和P.Barooah(IEEE SensorsJournal第11卷第2期,2011年2月,Estimating DOA From Radio-Frequency RSSIMeasurements Using an Actuated Reflector)提出了一种概念验证装置和方法,通过使用致动抛物线反射器识别接收信号强度指示器(RSSI)测量的峰值来估计无线电信号的DOA。S.Uluskan和T.Filik(”RSS Based Direction Finding via Array of DirectionalAntennas with Normal Density Distribution in Magnitude,”10th InternationalConference on Electrical and Electronics Engineering,2017,pp.656-660.)提供了一种基于RSS的测向的理论框架,通过最大似然估计进行DOA估计。R.K.Miranda和D.A.Ando等人(”Enhanced Direction of Arrival Estimation via Received Signal Strengthof Directional Antennas,”IEEE 18th International Symposium on SignalProcessing and Information Technology,2018,pp.162-167.)建立了一个使用定向天线阵列的基于RSS的DOA估计框架,通过将这些差异与定向天线阵列的增益模式进行比较来估算DOA。L.Kulas(IEEE Antennas Wireless and Propagation Letter第17卷第1期,2018年1月,RSS-Based DOA Estimation Using ESPAR Antennas and Interpolated RadiationPatterns)提出了一种基于RSS的无线传感器网络(WSN)节点的DOA估计方案,该节点配备了电子可控寄生阵列辐射器(ESPAR)天线,根据功率模式互相关(PPCC)算法提供准确的DOA估计结果。这些方法大多数用于室内场景或近距离情况。近年来,深度学习被引入阵列信号处理领域,这为DOA估计提供新的潜力。
发明内容
本发明的目的是为了解决目前多站测向的时间同步硬件成本较高问题,改用RSS进行DOA估计,适用于实现相对简单,复杂度较低,定位精度不需要很高的环境,而提供一种特高频射频信号DOA估计方法。
本发明的目的是这样实现的:步骤如下:
步骤一:构建基于DNN和RSS的特高频射频信号DOA估计模型,定义传感器的数量K和位置、DOA的范围、角度空间的分辨率;
步骤二:根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量,作为神经网络的输入;
步骤三:定义神经网络中的层和参数,构建深度神经网络模型;
步骤四:生成训练集,采用Adam优化算法和dropout技术训练模型,更新网络参数和防止过拟合现象发生;
步骤五:根据训练好的模型进行实际的DOA预测。
本发明还包括这样一些结构特征:
1.步骤一中,第i个传感器接收的RSS为RSSi,其具体形式如下:
2.步骤二中的特征向量Rθ为:
Rθ=[RSS1 x1 y1 … RSSi xi yi … RSSn xn yn f]
其中:RSSi表示第i个传感器接收的RSS,xi表示第i个传感器在x轴上的位置坐标,yi表示第i个传感器在y轴上的位置坐标,f表示射频信号的频率。
3.步骤三中的深度神经网络模型包括输入层、三个全连接层和输出层。
4.步骤四具体为:当目标位于某一特定位置时,每个传感器的位置坐标值、测量到的RSS值和信号频率值会构成一组“样本”,每一个样本对应一个“标签”;标签是一个1×1的向量,其数值就是波达方向;Adam gradient用作训练期间的优化器,代价函数采用二次代价函数,模型的权值在初始化时采用一种截断的正太分布,偏置值初始化为常数0.1,在三层全连接层后添加系数为0.5的dropout层来防止过拟合,使用训练集训练模型,使用测试集评估模型,不断调整模型参数,获得神经网络模型。
5.步骤五具体为:将传感器实际的位置坐标值、测量到的RSS值和信号频率值构建为特征向量,然后放入练好的模型中,根据DNN的输出值来预测DOA。
与现有技术相比,本发明的有益效果是:本发明的DOA估计方法针对于室外情况下特高频射频信号,适用于实现相对简单,复杂度较低,定位精度不需要很高的环境。此外,该方法对传感器的位置扰动具有鲁棒性,对未经训练的场景具有一定的泛化能力,具有良好的应用前景。
附图说明
图1是模型化的DOA场景;
图2是本发明用到的天线辐射模型;
图3是DNN的网络结构;
图4(a)和图4(b)均是本发明方法在有阵列位置误差、无阵列位置误差情况下DOA估计结果;
图5(a)和图5(b)是本发明方法对未训练场景的DOA估计结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明提出了一种基于DNN和接收信号强度的特高频射频信号DOA估计方法,用来解决目前多站测向的时间同步硬件成本较高问题,改用RSS进行DOA估计。本发明将DOA问题转化成基于DNN的非线性拟合问题,将传感器阵列的位置坐标、测量到的RSS值和信号频率值作为输入特征,减轻了硬件的负担。提高了DOA估计方法在低成本和低复杂度下的适应能力,最终实现了在一定误差范围内的高概率DOA估计。
本次发明的技术方案为一种基于DNN和RSS的DOA估计方法,该发明包括如下步骤:
步骤一:构建基于DNN和RSS的特高频射频信号DOA估计模型,定义传感器的数量K和位置、DOA的范围、角度空间的分辨率。
图1是建立的DOA模型。DOA的范围是[45°,135°]。K=35个传感器组成多层线性阵列,每层的传感器数分别为11、9、7、5、3。相邻传感器间距100m,相邻层间距500m。定义分辨率为1°,定义第一层传感器阵列的中点为参考点,定义目标相对于参考点的角度为波达方向。则整个DOA范围被划分成M=91个类别,具体表示为Θ={θ1...θi...θM}。其中θi表示第i个类别对应的DOA。
第i个传感器接收的RSS为RSSi,其具体形式如下。
其中,Pt=56dBm是信号源的发射功率,Gt=20dB和Gr=15dB是发射天线和接收天线的增益,di是指信号源与第i个传感器间的距离,λ代表波长,是目标源的天线辐射模型,n是接收时的噪声,用白噪声代替。图2中P1和P2分别表示HPBW=7.3°和3.5°的两种天线辐射模型。
步骤二:根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量,作为神经网络的输入。
用Rθ表示特征向量,其具体形式如下。
Rθ=[RSS1 x1 y1 … RSSi xi yi … RSSn xn yn f] (2)
其中RSSi表示第i个传感器接收的RSS,xi表示第i个传感器在x轴上的位置坐标,yi表示第i个传感器在y轴上的位置坐标,f表示射频信号的频率。
步骤三:定义神经网络中的层和参数,构建深度神经网络模型。
图3是DNN网络模型的结构图。模型包括输入层、三个全连接层和输出层。输入层神经元的总数是106,三个全连接层的神经元的总数分别是2048,512,64。所有层之间的激活函数为Leaky ReLU。
步骤四:生成训练集,采用Adam优化算法和dropout技术训练模型,更新网络参数和防止过拟合现象发生;
当目标位于某一特定位置时,每个传感器的位置坐标值、测量到的RSS值和信号频率值会构成一组“样本”,每一个样本对应一个“标签”。标签是一个1×1的向量,其数值就是波达方向。
从信噪比,辐射模型以及角度类别三个角度来丰富样本。训练集的样本数为54600(91个角度类别×2个辐射模型×3种SNR×每种SNR下50次试验),测试集的样本数为500(100个角度×1个固定辐射模型×5种SNR)。
Adam gradient用作训练期间的优化器,代价函数采用二次代价函数(quadraticcost)。模型的权值在初始化时采用一种截断的正太分布,偏置值初始化为常数0.1。在三层全连接层后添加系数为0.5的dropout层来防止过拟合。使用训练集训练模型,使用测试集评估模型,不断调整模型参数,从而获得最佳的神经网络模型。
步骤五:根据训练好的模型进行实际的DOA预测。
将传感器实际的位置坐标值、测量到的RSS值和信号频率值构建为特征向量,然后放入步骤5训练好的模型中,根据DNN的输出值来预测DOA。
图4(a)-图4(b)采用P2来仿真信号源的辐射模型,共生成两组测试集,目标源与参考点之间的距离设为9km。第一组测试集中,传感器阵列没有位置扰动。第二组测试集中,传感器阵列有位置扰动。均方根误差(RMSE)和一定角度误差范围内的准确率被用作评估指标。从结果可以看出,本发明方法可以准确的进行DOA估计,且对阵列位置误差具有一定的鲁棒性。
图5(a)-图5(b)采用P2来仿真信号源的辐射模型。训练集中,目标源与参考点之间的距离设为8km,10km。测试集中目标源与参考点之间的距离设为9km。从结果可以看出,本发明方法对未经训练的场景具有一定的泛化能力。
Claims (6)
1.一种特高频射频信号DOA估计方法,其特征在于:步骤如下:
步骤一:构建基于DNN和RSS的特高频射频信号DOA估计模型,定义传感器的数量K和位置、DOA的范围、角度空间的分辨率;
步骤二:根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量,作为神经网络的输入;
步骤三:定义神经网络中的层和参数,构建深度神经网络模型;
步骤四:生成训练集,采用Adam优化算法和dropout技术训练模型,更新网络参数和防止过拟合现象发生;
步骤五:根据训练好的模型进行实际的DOA预测。
3.根据权利要求2所述的一种特高频射频信号DOA估计方法,其特征在于:步骤二中的特征向量Rθ为:
Rθ=[RSS1 x1 y1 … RSSi xi yi … RSSn xn yn f]
其中:RSSi表示第i个传感器接收的RSS,xi表示第i个传感器在x轴上的位置坐标,yi表示第i个传感器在y轴上的位置坐标,f表示射频信号的频率。
4.根据权利要求3所述的一种特高频射频信号DOA估计方法,其特征在于:步骤三中的深度神经网络模型包括输入层、三个全连接层和输出层。
5.根据权利要求4所述的一种特高频射频信号DOA估计方法,其特征在于:步骤四具体为:当目标位于某一特定位置时,每个传感器的位置坐标值、测量到的RSS值和信号频率值会构成一组“样本”,每一个样本对应一个“标签”;标签是一个1×1的向量,其数值就是波达方向;Adam gradient用作训练期间的优化器,代价函数采用二次代价函数,模型的权值在初始化时采用一种截断的正太分布,偏置值初始化为常数0.1,在三层全连接层后添加系数为0.5的dropout层来防止过拟合,使用训练集训练模型,使用测试集评估模型,不断调整模型参数,获得神经网络模型。
6.根据权利要求5所述的一种特高频射频信号DOA估计方法,其特征在于:步骤四具体为:步骤五具体为:将传感器实际的位置坐标值、测量到的RSS值和信号频率值构建为特征向量,然后放入练好的模型中,根据DNN的输出值来预测DOA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384052.9A CN111505566B (zh) | 2020-05-08 | 2020-05-08 | 一种特高频射频信号doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384052.9A CN111505566B (zh) | 2020-05-08 | 2020-05-08 | 一种特高频射频信号doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505566A true CN111505566A (zh) | 2020-08-07 |
CN111505566B CN111505566B (zh) | 2022-09-16 |
Family
ID=71864329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384052.9A Active CN111505566B (zh) | 2020-05-08 | 2020-05-08 | 一种特高频射频信号doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505566B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699735A (zh) * | 2020-12-07 | 2021-04-23 | 中国人民解放军国防科技大学 | 基于深度学习的近场源定位方法 |
CN115767772A (zh) * | 2022-12-03 | 2023-03-07 | 河南大学 | 基于人工智能的无线通信数据处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129060A (ja) * | 1994-11-01 | 1996-05-21 | Tech Res & Dev Inst Of Japan Def Agency | 信号追尾方法 |
CN104749551A (zh) * | 2013-12-26 | 2015-07-01 | 夏普株式会社 | 确定信号的到达方向的装置 |
CN106546948A (zh) * | 2016-10-26 | 2017-03-29 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中远场源测向方法 |
CN108089147A (zh) * | 2017-12-07 | 2018-05-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 改进的短波单位定位方法 |
CN109085531A (zh) * | 2018-08-27 | 2018-12-25 | 西安电子科技大学 | 基于神经网络的近场源到达角估计方法 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
CN110888105A (zh) * | 2019-10-09 | 2020-03-17 | 哈尔滨工程大学 | 一种基于卷积神经网络和接收信号强度的doa估计方法 |
-
2020
- 2020-05-08 CN CN202010384052.9A patent/CN111505566B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129060A (ja) * | 1994-11-01 | 1996-05-21 | Tech Res & Dev Inst Of Japan Def Agency | 信号追尾方法 |
CN104749551A (zh) * | 2013-12-26 | 2015-07-01 | 夏普株式会社 | 确定信号的到达方向的装置 |
CN106546948A (zh) * | 2016-10-26 | 2017-03-29 | 黑龙江大学 | 基于幅相误差阵列的远近场宽带混合源中远场源测向方法 |
CN108089147A (zh) * | 2017-12-07 | 2018-05-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 改进的短波单位定位方法 |
CN109085531A (zh) * | 2018-08-27 | 2018-12-25 | 西安电子科技大学 | 基于神经网络的近场源到达角估计方法 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
CN110888105A (zh) * | 2019-10-09 | 2020-03-17 | 哈尔滨工程大学 | 一种基于卷积神经网络和接收信号强度的doa估计方法 |
Non-Patent Citations (3)
Title |
---|
JUNHYEONG PAK,ET AL: "Sound Localization Based on Phase Difference Enhancement Using Deep Neural Networks", 《IEEE/ACM TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》 * |
MARIJA AGATONOVI´C,ET AL: "EFFICIENT NEURAL NETWORK APPROACH FOR 2D DOA ESTIMATION BASED ON ANTENNA ARRAY MEASUREMENTS", 《PROGRESS IN ELECTROMAGNETICS RESEARCH》 * |
李苏航: "基于神经网络的波达方向估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699735A (zh) * | 2020-12-07 | 2021-04-23 | 中国人民解放军国防科技大学 | 基于深度学习的近场源定位方法 |
CN112699735B (zh) * | 2020-12-07 | 2022-07-19 | 中国人民解放军国防科技大学 | 基于深度学习的近场源定位方法 |
CN115767772A (zh) * | 2022-12-03 | 2023-03-07 | 河南大学 | 基于人工智能的无线通信数据处理方法 |
CN115767772B (zh) * | 2022-12-03 | 2023-09-19 | 河南龙翼信息技术有限公司 | 基于人工智能的无线通信数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111505566B (zh) | 2022-09-16 |
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 | |
CN107181543B (zh) | 一种基于传播模型和位置指纹的三维室内无源定位方法 | |
CN106093849B (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
Guidara et al. | A new deep learning-based distance and position estimation model for range-based indoor localization systems | |
CN106941718A (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
CN111505566A (zh) | 一种特高频射频信号doa估计方法 | |
CN110888105A (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN111107626A (zh) | 一种基于时间反演的doa定位方法 | |
Cui et al. | The RFID data clustering algorithm for improving indoor network positioning based on LANDMARC technology | |
CN112533136A (zh) | 一种基于深度学习的wlan指纹定位方法 | |
CN113747360A (zh) | 一种基于混合可见光和ble的室内定位方法 | |
Zhu et al. | Two-dimensional RSSI-based indoor localization using multiple leaky coaxial cables with a probabilistic neural network | |
Al-Tahmeesschi et al. | Deep Learning-based Fingerprinting for Outdoor UE Positioning Utilising Spatially Correlated RSSs of 5G Networks | |
CN111405657B (zh) | 一种基于csi的到达角与到达时间差单接入点定位方法 | |
Guo et al. | Indoor positioning optimization based on genetic algorithm and RBF neural network | |
CN107682822A (zh) | 一种基于电磁场强度的压缩感知室外定位方法 | |
Ginanjar et al. | Real-time SLFN-based node localization using UAV | |
CN110907925B (zh) | 一种高频地波雷达双站模型下的权重定位方法 | |
Yan et al. | UAM-RDE: an uncertainty analysis method for RSSI-based distance estimation in wireless sensor networks | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN113329331B (zh) | 一种基于改进双曲线模型的rfid定位方法 | |
CN113030853B (zh) | 基于rss和aoa联合测量的多辐射源无源定位方法 | |
CN114325581A (zh) | 一种存在时钟同步误差的椭圆目标定位方法 | |
Pflaum et al. | RSSI-based localization with minimal infrastructure using multivariate statistic techniques | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |