CN111610488B - 基于深度学习的任意阵列波达角估计方法 - Google Patents

Abstract

本发明公开了基于深度学习的任意阵列波达角估计方法，具体步骤如下：对各阵元接收到的辐射源信号下变频和数字采样处理，获得采样数据；对采样数据进行信号处理，提取各阵元采样数据的特征信息，并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据；基于已知的辐射源信号来建立训练样本集，并将其作为深度学习的训练数据；深度学习模型初始化，即卷积神经网络参数初始化；利用优化算法进行深度学习训练，得到优化分类器；利用深度学习模型和优化分类器，基于采样数据和提取的特征信息，来估计辐射源信号的波达角；本发明能够适应任意的多元阵列，无需进行通道校正，于深度学习的基础上，实现对辐射源信号的快速高精度测向。

Description

基于深度学习的任意阵列波达角估计方法

技术领域

本发明涉及电子侦察技术领域，具体为基于深度学习的任意阵列波达角估计方法。

背景技术

辐射源信号的波达角估计就是利用电子侦察所接收到的辐射源信号，通过信号处理，来估计辐射源信号的到达方向；现有的辐射源信号的波达角估计方法主要为振幅法测向、相位法测向和空间谱估计测向等方式。

振幅法测向是利用接收到的信号幅度信息进行波达角估计，该方法的测向精度较低，单振元振幅法测向采用搜索法测向，瞬时覆盖范围小，多振元振幅法测向对天线的布阵有一定的要求，即各阵元相对位置和相对角度都有要求，且对多阵元天线方向图和多通道的幅度一致性要求较高。

相位法测向是利用多阵元接收到的相位差信息进行波达角估计，典型的有多基线相位干扰仪测向，该方法对天线的布阵有一定的要求，即对各阵元间距有一定的要求，对多通道的相位一致性要求较高，其布阵不同，测向解算模型也不同，且存在测向模糊，需要进行解模糊处理。

空间谱估计测向是利用现代谱估计技术，以MUSIC为代表所进行的波达角估计，该方法理论上具有很高的估计精度，但对阵元的布阵和通道一致性要求很高，且运算量较大，很难满足实时性处理要求，工程应用较少。

即现有的波达角估计方法主要存在以下缺陷：1、对天线阵列的布阵有一定的要求，且其阵列不同，测向模型也不同；2、对通道一致性要求都较高，通常要求进行通道校正；3、振幅法测向精度较低；4、相位法测向存在测向模糊，需要解模糊处理；5、空间谱估计很难满足实时性要求；

为了解决上述缺陷，现提供一种技术方案。

发明内容

本发明的目的在于提供基于深度学习的任意阵列波达角估计方法，该方法与阵列布阵无关，能够适应任意的多元阵列，对通道一致性要求不高，无需进行通道校正，于深度学习的基础上，实现对辐射源信号的快速高精度测向。

本发明所要解决的技术问题如下：

如何依据一种有效的方式，来解决现有的波达角估计方法所存在的对天线阵列的布阵有一定的要求，且其阵列不同，测向模型也不同；对通道一致性要求都较高，通常要求进行通道校正；振幅法测向精度较低；相位法测向存在测向模糊，需要解模糊处理和空间谱估计很难满足实时性要求的问题。

本发明的目的可以通过以下技术方案实现：

基于深度学习的任意阵列波达角估计方法，具体步骤如下：

步骤一：对各阵元接收到的辐射源信号下变频和数字采样处理，获得采样数据，即依据各阵元接收到的辐射源信号，经滤波放大和下变频，再对中频的辐射源信号进行A/D转换，变成数字信号；

步骤二：对采样数据进行信号处理，提取各阵元采样数据的特征信息，而特征信息包括信号频率、阵元间相位差(无需解模糊)等，并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据；

步骤三：基于已知的辐射源信号来建立训练样本集，并将其作为深度学习的训练数据，即将已知的辐射源分别放置于不同角度，获得采样数据并提取相关联的特征信息来建立训练样本集，并将其作为深度学习的训练数据；

步骤四：深度学习模型初始化，即卷积神经网络参数初始化；

步骤五：利用优化算法进行深度学习训练，得到优化分类器，即将训练样本集P输入至卷积神经网络来进行网络训练，并根据预先设定的epoch数目进行训练，而在训练过程中，采用Adam优化算法训练该卷积神经网络；

步骤六：利用深度学习模型和优化分类器，基于采样数据和提取的特征信息，来估计辐射源信号的波达角。

进一步的，所述深度学习模型初始化，即卷积神经网络参数初始化表示为利用训练样本集来训练卷积神经网络，自动提取训练样本集中与目标到达角相关联的特征并分类，具体方式如下：

第一步：对于已形成的训练样本集P，其训练样本总量为M，记第i个样本为P(X_i，Y_i)，其中X_i为样数据和提取的特征信息，Y_i为第i个训练样本的到达角标签，i＝1、2...M；

第二步：网络的连接权重初始化采用Xavier初始化方式，服从均匀分布，网络的偏置项初始化为0；

第三步：信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成；每层卷积层后分别跟averagepool池化层，而池化层分别采用1*4，1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样；每个卷积层采用Sigmoid激活函数，卷积层步长为1；输入原始数据大小为1*500，经1*13的卷积核卷积后输出6个1*488的特征图，经平均池化后特征图的大小变为1*122，并将其送至第二卷积层，卷积核尺寸为1*11，输出12个1*112的特征图，经第二次池化后大小变为1*28，之后经类似的卷积与下采样操作，第三次池化后得到30个1*12的特征图，连接为一个一维向量，该向量与全连接层节点全连接，然后经过Softmax分类层，最终得到辐射源的到达角，分类层采用交叉熵损失函数。

本发明的有益效果：

本发明的方法与阵列布阵无关，能够适应任意的多元阵列，对通道一致性要求不高，无需进行通道校正，于深度学习的基础上，实现对辐射源信号的快速高精度测向，测向精度优于0.2度。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；

图1为本发明的天线阵列布阵示意图；

图2为本发明的步骤流程图；

图3为本发明的卷积神经网络结构图。

具体实施方式

如图1-3所示，基于深度学习的任意阵列波达角估计方法，数学模型：

传统的测向系统是采用线形布阵或圆形布阵，分别如图1(a)和1(b)所示，不适用于如图1(c)所示的不规则布阵；

而本发明的方法与阵列布阵无关，能够适应任意的多元阵列，以如图1(c)所示的不规则布阵为例，来建立一维波达角估计模型；

设测向阵列由L个天线阵元组成，第k个阵元位置矢量X_k＝(x_k，y_k)，入射信号源为窄带远场信号，信源数为p且p小于L，信号入射方向为θi，i＝1、2...p，则第k个阵元接收到的总信号表示为：

其中的λ为信号波长，dk(θi)是第k个阵元与参考阵元在第i个信号方向上的波程差，aki为第i个信号到第k个阵元相对于参考阵元的相位调整因子，nk(t)为噪声；

则将上式写成矩阵形式表示为：

Z＝AS+N

且其中的A、S、Z、N和a_i解释如下：

A＝[a₁ a₂ … a_p]

S＝[s₁(t) s₂(t) … s_p(t)]^T

Z＝[z₀(t) z₁(t) … z_L-1(t)]^T

N＝[n₀(t) n₁(t) … n_L-1(t)]^T

a_i＝[a_0i a_1i … a_(L-1)i]^T；

而基于深度学习的任意阵列波达角估计方法，具体步骤如下：

步骤一：对各阵元接收到的辐射源信号下变频和数字采样处理，获得采样数据，即依据各阵元接收到的辐射源信号，经滤波放大和下变频，再对中频的辐射源信号进行A/D转换，变成数字信号；

步骤二：对采样数据进行信号处理，提取各阵元采样数据的特征信息，而特征信息包括信号频率、阵元间相位差(无需解模糊)等，并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据；

而阵元间相位差的提取是采用频域鉴相算法，以第一路与第二路信号为例，两路信号的相位差包括信号到达波程差引起的相位差和通道不一致引起的相位差；

设第一路信号为x₁(t)，第二路信号为x₂(t)，且两路信号均为常规信号，它们的傅里叶变换分别表示为：

其中的，τ₀₁为信号到达两个阵元的时延；

在频域上用第一路信号和第二路信号的共轭相乘得到：

Y(f)＝X₁(f)[exp(-j2πfτ₀₁)X₁(f)]^*＝exp(j2πfτ₀₁)|X₁(f)|²

即测得相位差表示为：

估计信号载频，求出此载频在数字频谱上对应的最大值的位置，即得到精确的相位差；

再考虑通道的相位不一致性，即实际上得到的两路信号相位差表示为：

其中的φ₀₁是两个通道不一致引起的相位差；

据此提取的特征数据，实际上包含了由阵元布阵得到的相位差信息，也包含了通道不一致引起的相位差信息；

步骤三：基于已知的辐射源信号来建立训练样本集，并将其作为深度学习的训练数据，即将已知的辐射源分别放置于不同角度，获得采样数据并提取相关联的特征信息来建立训练样本集，并将其作为深度学习的训练数据；

步骤四：深度学习模型初始化，即卷积神经网络参数初始化；

即利用训练样本集来训练卷积神经网络，自动提取训练样本集中与目标到达角相关联的特征并分类，具体方式如下：

第一步：对于已形成的训练样本集P，其训练样本总量为M，记第i个样本为P(X_i，Y_i)，其中X_i为样数据和提取的特征信息，Y_i为第i个训练样本的到达角标签，i＝1、2...M；

第二步：网络的连接权重初始化采用Xavier初始化方式，服从均匀分布，网络的偏置项初始化为0；

第三步：信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成；每层卷积层后分别跟averagepool池化层，而池化层分别采用1*4，1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样；每个卷积层采用Sigmoid激活函数，卷积层步长为1；输入原始数据大小为1*500，经1*13的卷积核卷积后输出6个1*488的特征图，经平均池化后特征图的大小变为1*122，并将其送至第二卷积层，卷积核尺寸为1*11，输出12个1*112的特征图，经第二次池化后大小变为1*28，之后经类似的卷积与下采样操作，第三次池化后得到30个1*12的特征图，连接为一个一维向量，该向量与全连接层节点全连接，然后经过Softmax分类层，最终得到辐射源的到达角，分类层采用交叉熵损失函数；

步骤五：利用优化算法进行深度学习训练，得到优化分类器，即将训练样本集P输入至卷积神经网络来进行网络训练，并根据预先设定的epoch数目进行训练，而在训练过程中，采用Adam优化算法训练该卷积神经网络；

步骤六：利用深度学习模型和优化分类器，基于采样数据和提取的特征信息，来估计辐射源信号的波达角；

实验分析：辐射源信号的频率为9600MHz，采用如图1(c)中的天线布阵形式，将辐射源分别放置在0、25、50、75、100、125和150度，采用本文提出的测向方法，基于单脉冲进行测向，得到的实验结果如表1所示：

表1单脉冲测向仿真结果

实验结果表明，基于深度学习的任意阵列波达角估计方法，能够适应任意的多元阵列，在不进行通道校正的情况下，测向精度仍优于0.2度；即本发明的方法与阵列布阵无关，对通道一致性要求不高，无需进行通道校正，于深度学习的基础上，实现对辐射源信号的快速高精度测向。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (1)

1.基于深度学习的任意阵列波达角估计方法，其特征在于，设测向阵列由L个天线阵元组成，第k个阵元位置矢量X_k＝(x_k，y_k)，入射信号源为窄带远场信号，信源数为p且p小于L，信号入射方向为θ_i，i＝1、2...p，则第k个阵元接收到的总信号表示为：

其中的λ为信号波长，dk(θ_i)是第k个阵元与参考阵元在第i个信号方向上的波程差，aki为第i个信号到第k个阵元相对于参考阵元的相位调整因子，nk(t)为噪声；

则将上式写成矩阵形式表示为：

Z＝AS+N

且其中的A、S、Z、N和a_i解释如下：

A＝[a₁a₂…a_p]；

S＝[s₁(t)s₂(t)…s_p(t)]T；

Z＝[z₀(t)z₁(t)…z_L-1(t)]T；

N＝[n₀(t)n₁(t)…n_L-1(t)]T；

a_i＝[a_0ia_1i…a_(L-1)i]T；

波达角估计方法具体步骤如下：

步骤一：对各阵元接收到的辐射源信号下变频和数字采样处理，获得采样数据，即依据各阵元接收到的辐射源信号，经滤波放大和下变频，再对中频的辐射源信号进行A/D转换，变成数字信号；

步骤二：对采样数据进行信号处理，提取各阵元采样数据的特征信息，而特征信息包括信号频率、阵元间相位差，并将得到的采样数据和提取的特征信息一同作为深度学习的输入数据；

而阵元间相位差的提取是采用频域鉴相算法，两路信号的相位差包括信号到达波程差引起的相位差和通道不一致引起的相位差；

设第一路信号为x₁(t)，第二路信号为x₂(t)，且两路信号均为常规信号，它们的傅里叶变换分别表示为：

其中的，τ₀₁为信号到达两个阵元的时延；

在频域上用第一路信号和第二路信号的共轭相乘得到：

即测得相位差表示为：

估计信号载频，求出此载频在数字频谱上对应的最大值的位置，即得到精确的相位差；

再考虑通道的相位不一致性，即实际上得到的两路信号相位差表示为：

其中的φ₀₁是两个通道不一致引起的相位差；

据此提取的特征数据，实际上包含了由阵元布阵得到的相位差信息，也包含了通道不一致引起的相位差信息；

步骤三：基于已知的辐射源信号来建立训练样本集，并将其作为深度学习的训练数据，即将已知的辐射源分别放置于不同角度，获得采样数据并提取相关联的特征信息来建立训练样本集，并将其作为深度学习的训练数据；

步骤四：深度学习模型初始化，即卷积神经网络参数初始化；

即利用训练样本集来训练卷积神经网络，自动提取训练样本集中与目标到达角相关联的特征并分类，具体方式如下：

第一步：对于已形成的训练样本集P，其训练样本总量为M，记第i个样本为P(X_i，Y_i)，其中X_i为样数据和提取的特征信息，Y_i为第i个训练样本的到达角标签，i＝1、2...M；

第二步：网络的连接权重初始化采用Xavier初始化方式，服从均匀分布，网络的偏置项初始化为0；

第三步：信号波达角估计的卷积神经网络结构由3个卷积层、3个池化层、1个全连接层和1个Softmax分类层组成；每层卷积层后分别跟averagepool池化层，而池化层分别采用1*4，1*4和1*2的小窗口对卷积后的特征进行不重叠的下采样；每个卷积层采用Sigmoid激活函数，卷积层步长为1；输入原始数据大小为1*500，经1*13的卷积核卷积后输出6个1*488的特征图，经平均池化后特征图的大小变为1*122，并将其送至第二卷积层，卷积核尺寸为1*11，输出12个1*112的特征图，经第二次池化后大小变为1*28，之后经类似的卷积与下采样操作，第三次池化后得到30个1*12的特征图，连接为一个一维向量，该向量与全连接层节点全连接，然后经过Softmax分类层，最终得到辐射源的到达角，分类层采用交叉熵损失函数；

步骤五：利用优化算法进行深度学习训练，得到优化分类器，即将训练样本集P输入至卷积神经网络来进行网络训练，并根据预先设定的epoch数目进行训练，而在训练过程中，采用Adam优化算法训练该卷积神经网络；

步骤六：利用深度学习模型和优化分类器，基于采样数据和提取的特征信息，来估计辐射源信号的波达角。