CN112068070A - 基于深度学习测向的鲁棒性设计方法 - Google Patents
基于深度学习测向的鲁棒性设计方法 Download PDFInfo
- Publication number
- CN112068070A CN112068070A CN202010712652.3A CN202010712652A CN112068070A CN 112068070 A CN112068070 A CN 112068070A CN 202010712652 A CN202010712652 A CN 202010712652A CN 112068070 A CN112068070 A CN 112068070A
- Authority
- CN
- China
- Prior art keywords
- finding
- signal
- robustness
- deep learning
- model
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习测向的鲁棒性设计方法,用于解决现有的相位干扰仪测存在鲁棒性较差的问题,包括鲁棒性模型设计:选用卷积神经网络,设计具有鲁棒性的深度学习测向模型;本发明对各通道的信号进行AD采样,将各通道的信号进行低噪声放大和下变频处理,然后对中频信号进行A/D采样,得到各通道的数字采样信号;提取各通道采样信号的特征数据,选用卷积神经网络,设计具有鲁棒性的深度学习测向模型,对通道的幅相误差具有自适应性,无需进行通道校正;对信号入射方向、信号带宽等参数具有自适应性,这些参数在一定范围变化时,测向精度恶化不超过5%。
Description
技术领域
本发明涉及电子侦察领域,是一种对辐射源信号的测向方法具体为基于深 度学习测向的鲁棒性设计方法。
背景技术
对辐射源信号的测向,就是确定辐射源目标的方向,通常情况下,电子侦 察设备接收到辐射源信号,通过信号处理,从而估计辐射源信号的到达方向。
目前,对辐射源信号的测向方法主要有振幅法测向、相位法测向、空间谱 估计测向等。由于振幅法测向精度较低,空间谱估计测向运算量较大,很难满 足实时性处理要求,所以对于测向精度要求较高的工程应用中,这两种方法应 用相对较少,工程上应用较多的是相位法测向。
相位法测向是利用多阵元接收到的相位差信息进行测向,常用的相位法测 向主要有相位干扰仪测向,如典型的均匀圆阵干扰仪测向、多基线干扰仪测向 等。相位干扰仪测向的主要缺陷是鲁棒性较差,具体表现为:1、一种测向算法 只适应一种阵列结构,具体地说,对于圆阵或线阵等不同的阵列形式,求解算 法是不一样的,且阵列形式相同条件下,阵元个数不同,求解算法也不同;2、 测向误差跟通道的幅相一致性有关,多通道的幅相误差越大,测向误差越大, 因此通常需要进行繁琐的通道校正;3、测向误差跟信号入射方向有关,信号偏 离基线法线方向越大,测向误差越大;4、测向误差跟信号带宽有关,信号带宽增大会导致测向误差增大。
为了克服上述测向方法的缺陷,满足实际应用的需要,提出了一种基于深 度学习测向的鲁棒性设计方法,利用深度学习技术进行测向,通过鲁棒性设计, 该测向方法能适应任意给定的阵列结构,对通道的幅相误差、信号入射方向、 信号带宽等参数具有自适应性,从而能够实现鲁棒的高精度测向。
发明内容
本发明的目的就在于为了解决现有的相位干扰仪测存在鲁棒性较差的问 题,而提出基于深度学习测向的鲁棒性设计方法。
本发明的目的可以通过以下技术方案实现:基于深度学习测向的鲁棒性设 计方法,该方法包括以下步骤:
步骤一:数字采样:对各通道的信号进行AD采样后处理,得到数字采样信 号;
步骤二:特征提取:提取各通道采样信号的特征数据,特征数据包括频率 信息、各通道信号相对幅度和相位差信息;
步骤三:鲁棒性模型设计:选用卷积神经网络,设计具有鲁棒性的深度学 习测向模型,该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号 带宽具有自适应性;
步骤四:建立训练数据集:对于任意给定的阵列结构,基于未经过校正的 多通道信号,建立训练样本集,用作深度学习的训练数据;
步骤五:鲁棒性学习训练:通过学习训练,得到鲁棒性测向模型的模型参 数;
步骤六:模型初始化,基于学习训练的结果,进行卷积神经网络参数初始 化;
步骤七:鲁棒性测向:利用鲁棒性的深度学习测向模型,基于侦察设备的 实际观测信号,实现对辐射源信号的测向;其中深度学习测向模型为:
设测向阵列由L个天线阵元组成,辐射源目标数量为p(p<L),辐射源满足 远场条件,辐射信号为窄带信号,信号入射方向为θi(i=1,2,…,p),则第k个阵元 接收到的总的信号表示为:
其中:
λ为信号波长,aki为第i个信号到第k个阵元相对于参考阵元的相对幅度,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,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,nk(t)为噪声;
将上式写成矩阵形式:
X=GS+N
其中,
X=[x0(t) x1(t) … xL-1(t)]T,G=[g1 g2 … gp],gi=[g0i g1i … g(L-1)i]T,
S=[s1(t) s2(t) … sp(t)]T,N=[n0(t) n1(t) … nL-1(t)]T。
优选的,AD采样后处理过程为:将各通道的信号进行低噪声放大和下变频 处理,然后对中频信号进行A/D采样,得到各通道的数字采样信号。
优选的,鲁棒性模型设计的具体步骤为:
S31:对任意阵列结构的鲁棒性设计,具体为:对深度学习模型的任意阵列 结构鲁棒性设计,是对卷积神经网络的输入层、卷积层和进行池化层鲁棒性设 计;
S32:通过对深度学习模型的多通道幅相误差鲁棒性设计,用于消除多通道 幅相误差对测向结果的影响,具体为:对于某一个频率的信号,多通道幅相误 差是个固定误差,各通道的幅度差异性和相对相位延迟都是一定的,通过幅相 误差消除模块使得通过学习训练直接估计出多通道的幅相误差,进而在测向时 自动消除多通道幅相误差的影响;
S33:对深度学习模型的信号入射方向鲁棒性设计用于消除不同信号入射方 向对测向结果的影响,通过设计基于频率、幅度和相位差等多参数的交互式多 模型,实现对信号入射方向的鲁棒性设计;
S34:对深度学习模型的信号带宽鲁棒性设计,用于消除信号带宽增大对测 向结果的影响,通过设计基于频率、幅度和相位差等多参数的交互式多模型, 实现对信号带宽的鲁棒性设计。
与现有技术相比,本发明的有益效果是:
1、对各通道的信号进行AD采样,将各通道的信号进行低噪声放大和下变 频处理,然后对中频信号进行A/D采样,得到各通道的数字采样信号;提取各 通道采样信号的特征数据,选用卷积神经网络,设计具有鲁棒性的深度学习测 向模型,该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号带宽 具有自适应性;对于任意给定的阵列结构,基于未经过校正的多通道信号,建 立训练样本集,用作深度学习的训练数据;通过学习训练,得到鲁棒性测向模 型的模型参数;基于学习训练的结果,进行卷积神经网络参数初始化;利用鲁 棒性的深度学习测向模型,基于侦察设备的实际观测信号,实现对辐射源信号 的测向;对通道的幅相误差具有自适应性,无需进行通道校正;对信号入射方 向、信号带宽等参数具有自适应性,这些参数在一定范围变化时,测向精度恶 化不超过5%。
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为本发明的原理框图;
图2为本发明天线阵列结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所 描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明 中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有 其它实施例,都属于本发明保护的范围。
请参阅图1-2所示,基于深度学习测向的鲁棒性设计方法,包括以下步骤:
步骤一:数字采样,对各通道的信号进行AD采样,得到数字采样信号;
将各通道的信号进行低噪声放大和下变频处理,然后对中频信号进行A/D 采样,得到各通道的数字采样信号;
步骤二:特征提取,提取各通道采样信号的特征数据,包括频率信息、各 通道信号相对幅度和相位差信息(含通道不一致引起的幅度和相位差,且相位 差不需要解模糊);提取的频率信息主要包括:信号频率的数值大小,信号的 瞬时带宽;相对幅度信息是指各通道采样信号的相对幅度大小,由于不需要进 行通道校正,因此,对于同一个辐射源信号的相对幅度大小,主要与各天线增 益以及各通道的幅度不一致性相关;相位差信息是指各通道信号之间的相位差 大小,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;
步骤三:鲁棒性模型设计,选用卷积神经网络,设计具有鲁棒性的深度学 习测向模型,该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号 带宽具有自适应性;
鲁棒性模型设计是保证测向鲁棒性的重要环节;
鲁棒性模型设计主要从以下几个方面进行设计:
1)对任意阵列结构的鲁棒性设计
对深度学习模型的任意阵列结构鲁棒性设计,主要工作是对卷积神经网络 的输入层、卷积层和进行池化层鲁棒性设计;
通过鲁棒性设计,使得深度学习模型不依赖于阵列结构,具有以下特点:1、 对于不同阵列结构形式(不管是圆阵、线阵还是不规则阵),模型的结构不变; 2、阵列的阵元数不同,模型的结构不变;3、对于任意给定的阵列,通过学习 训练进行初始化后,模型参数也不需要改变;
2)对多通道幅相误差的鲁棒性设计
对深度学习模型的多通道幅相误差鲁棒性设计,主要工作是消除多通道幅 相误差对测向结果的影响;
对于某一个频率的信号,多通道幅相误差是个固定误差,也就是说各通道 的幅度差异性和相对相位延迟都是一定的;鲁棒性设计,就是设计一个幅相误 差消除模块,使得通过学习训练,直接估计出多通道的幅相误差,进而在测向 时自动消除多通道幅相误差的影响;
通过多通道幅相误差的鲁棒性设计,能够自动消除多通道幅相误差的影响, 就不需要进行繁琐的通道校正工作了;
3)对信号入射方向的鲁棒性设计
对深度学习模型的信号入射方向鲁棒性设计,主要工作是消除不同信号入 射方向对测向结果的影响;通过设计基于频率、幅度和相位差等多参数的交互 式多模型,实现对信号入射方向的鲁棒性设计;当入射信号偏离法线方向时, 相应测向误差大大减少;
4)对信号带宽的鲁棒性设计
对深度学习模型的信号带宽鲁棒性设计,主要工作是消除信号带宽增大对 测向结果的影响;通过设计基于频率、幅度和相位差等多参数的交互式多模型, 实现对信号带宽的鲁棒性设计;当信号带宽增大时,相应测向误差大大减少;
步骤四:建立训练数据集,对于任意给定的阵列结构,基于未经过校正的 多通道信号,建立训练样本集,用作深度学习的训练数据;
步骤五:鲁棒性学习训练,通过学习训练,得到鲁棒性测向模型的模型参 数;
通过学习训练,主要达到以下几个目的:1、对于任意给定的阵列结构,得 到适用于该阵列的深度学习模型参数;2、通过学习训练,直接估计出多通道的 幅相误差;3、通过学习训练,固化基于频率、幅度和相位差等多参数的交互式 多模型的模型参数;
步骤六:模型初始化,基于学习训练的结果,进行卷积神经网络参数初始 化;
步骤七:鲁棒性测向,利用鲁棒性的深度学习测向模型,基于侦察设备的 实际观测信号,实现对辐射源信号的测向;
假设天线阵列为不规则结构,阵列结构如图2所示。
设测向阵列由L个天线阵元组成,辐射源目标数量为p(p<L),辐射源满足 远场条件,辐射信号为窄带信号,信号入射方向为θi(i=1,2,…,p),则第k个阵元 接收到的总的信号可表示为:
其中:
λ为信号波长;
aki为第i个信号到第k个阵元相对于参考阵元(通常取第一个阵元)的相对 幅度;
nk(t)为噪声;
将上式写成矩阵形式:
X=GS+N
其中:
X=[x0(t) x1(t) … xL-1(t)]T;
G=[g1 g2 … gp];
gi=[g0i g1i … g(L-1)i]T;
S=[s1(t) s2(t) … sp(t)]T;
N=[n0(t) n1(t) … nL-1(t)]T;
实验:
实验条件:辐射源辐射信号的中心频率为1.1GHz,采用天线阵元数为7个, 采取不规则布阵,不进行通道校正,SNR为-10dB;
设法线方向为0度,将辐射源分别放置在-45、-30、-15、0、15、30、45 度方向,采用本文提出的方法进行测向,得到的实验结果如表1所示;
表1不同信号入射方向的测向结果
辐射源辐射信号的中心频率为1.1GHz,信号入射方向为15度,信号带宽分 别为0、5、10、15、20、25、30MHz时,采用本文提出的方法进行测向,得到 的实验结果如表2所示;
表2不同信号带宽的测向结果
实验结果表明,基于深度学习测向的鲁棒性设计方法,在信号入射方向偏 离法线方向不超过45度时,信号带宽展宽不超过3%时,其测向精度恶化不超过 5%,,而同等条件下,相位干扰仪的测向精度恶化最大值超过10%;
本发明在使用时,对各通道的信号进行AD采样,将各通道的信号进行低噪 声放大和下变频处理,然后对中频信号进行A/D采样,得到各通道的数字采样 信号;提取各通道采样信号的特征数据,选用卷积神经网络,设计具有鲁棒性 的深度学习测向模型,该模型对阵列结构、多通道的幅相误差、信号入射方向 以及信号带宽具有自适应性;对于任意给定的阵列结构,基于未经过校正的多 通道信号,建立训练样本集,用作深度学习的训练数据;通过学习训练,得到 鲁棒性测向模型的模型参数;基于学习训练的结果,进行卷积神经网络参数初 始化;利用鲁棒性的深度学习测向模型,基于侦察设备的实际观测信号,实现 对辐射源信号的测向;对通道的幅相误差具有自适应性,无需进行通道校正; 对信号入射方向、信号带宽等参数具有自适应性,这些参数在一定范围变化时, 测向精度恶化不超过5%。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没 有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本 说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例, 是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能 很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限 制。
Claims (3)
1.基于深度学习测向的鲁棒性设计方法,其特征在于,该方法包括以下步骤:
步骤一:数字采样:对各通道的信号进行AD采样后处理,得到数字采样信号;
步骤二:特征提取:提取各通道采样信号的特征数据,特征数据包括频率信息、各通道信号相对幅度和相位差信息;
步骤三:鲁棒性模型设计:选用卷积神经网络,设计具有鲁棒性的深度学习测向模型,该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号带宽具有自适应性;
步骤四:建立训练数据集:对于任意给定的阵列结构,基于未经过校正的多通道信号,建立训练样本集,用作深度学习的训练数据;
步骤五:鲁棒性学习训练:通过学习训练,得到鲁棒性测向模型的模型参数;
步骤六:模型初始化,基于学习训练的结果,进行卷积神经网络参数初始化;
步骤七:鲁棒性测向:利用鲁棒性的深度学习测向模型,基于侦察设备的实际观测信号,实现对辐射源信号的测向,其中深度学习测向模型为:
设测向阵列由L个天线阵元组成,辐射源目标数量为p(p<L),辐射源满足远场条件,辐射信号为窄带信号,信号入射方向为θi(i=1,2,…,p),则第k个阵元接收到的总的信号表示为:
其中:
λ为信号波长,aki为第i个信号到第k个阵元相对于参考阵元的相对幅度,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,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,nk(t)为噪声;
将上式写成矩阵形式:
X=GS+N
其中,
X=[x0(t) x1(t) … xL-1(t)]T,G=[g1 g2 … gp],gi=[g0i g1i … g(L-1)i]T,
S=[s1(t) s2(t) … sp(t)]T,N=[n0(t) n1(t) … nL-1(t)]T。
2.根据权利要求1所述的基于深度学习测向的鲁棒性设计方法,其特征在于,AD采样后处理过程为:将各通道的信号进行低噪声放大和下变频处理,然后对中频信号进行A/D采样,得到各通道的数字采样信号。
3.根据权利要求1所述的基于深度学习测向的鲁棒性设计方法,其特征在于,鲁棒性模型设计的具体步骤为:
S31:对任意阵列结构的鲁棒性设计,具体为:对深度学习模型的任意阵列结构鲁棒性设计,是对卷积神经网络的输入层、卷积层和进行池化层鲁棒性设计;
S32:通过对深度学习模型的多通道幅相误差鲁棒性设计,用于消除多通道幅相误差对测向结果的影响,具体为:对于某一个频率的信号,多通道幅相误差是个固定误差,各通道的幅度差异性和相对相位延迟都是一定的,通过幅相误差消除模块使得通过学习训练直接估计出多通道的幅相误差,进而在测向时自动消除多通道幅相误差的影响;
S33:对深度学习模型的信号入射方向鲁棒性设计,用于消除不同信号入射方向对测向结果的影响;
S34:对深度学习模型的信号带宽鲁棒性设计,用于消除信号带宽增大对测向结果的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712652.3A CN112068070B (zh) | 2020-07-22 | 2020-07-22 | 基于深度学习测向的鲁棒性设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712652.3A CN112068070B (zh) | 2020-07-22 | 2020-07-22 | 基于深度学习测向的鲁棒性设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112068070A true CN112068070A (zh) | 2020-12-11 |
CN112068070B CN112068070B (zh) | 2022-08-09 |
Family
ID=73657685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712652.3A Active CN112068070B (zh) | 2020-07-22 | 2020-07-22 | 基于深度学习测向的鲁棒性设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112068070B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
WO2016202258A1 (zh) * | 2015-06-16 | 2016-12-22 | 华为技术有限公司 | 一种天线阵列校准的方法、装置及系统 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107359904A (zh) * | 2017-07-14 | 2017-11-17 | 重庆邮电大学 | 基于压缩感知、高速移动的ufmc系统无线信道估计方法 |
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 |
CN109255308A (zh) * | 2018-11-02 | 2019-01-22 | 陕西理工大学 | 存在阵列误差的神经网络到达角估计方法 |
CN111273215A (zh) * | 2019-12-13 | 2020-06-12 | 哈尔滨工程大学 | 信道状态信息的通道不一致性误差校正测向方法 |
-
2020
- 2020-07-22 CN CN202010712652.3A patent/CN112068070B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
WO2016202258A1 (zh) * | 2015-06-16 | 2016-12-22 | 华为技术有限公司 | 一种天线阵列校准的方法、装置及系统 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107359904A (zh) * | 2017-07-14 | 2017-11-17 | 重庆邮电大学 | 基于压缩感知、高速移动的ufmc系统无线信道估计方法 |
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 |
CN109255308A (zh) * | 2018-11-02 | 2019-01-22 | 陕西理工大学 | 存在阵列误差的神经网络到达角估计方法 |
CN111273215A (zh) * | 2019-12-13 | 2020-06-12 | 哈尔滨工程大学 | 信道状态信息的通道不一致性误差校正测向方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG-MENG LIU等: "Direction-of-Arrival Estimation Based on Deep Neural Networks With Robustness to Array Imperfections", 《IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》 * |
李晨阳: "基于机器学习的雷达辐射源识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112068070B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107167778B (zh) | 一种基于协方差矩阵重构和导向矢量估计的稳健波束形成方法 | |
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 | |
CN109085531B (zh) | 基于神经网络的近场源到达角估计方法 | |
CN110045321B (zh) | 基于稀疏和低秩恢复的稳健doa估计方法 | |
CN112147573A (zh) | 一种基于csi的幅值和相位信息的无源定位方法 | |
US9241228B2 (en) | Adaptive self-calibration of small microphone array by soundfield approximation and frequency domain magnitude equalization | |
CN111638494A (zh) | 数字波束合成系统多通道幅相校正方法 | |
CN111273215B (zh) | 信道状态信息的通道不一致性误差校正测向方法 | |
CN111651719A (zh) | 基于收缩估计协方差矩阵重构稳健自适应波束形成方法 | |
CN104297736B (zh) | 一种用于雷达接收通道阵列的校正方法 | |
CN109307855B (zh) | 基于网格误差模型的无网格稀疏近似最小方差doa估计方法 | |
CN112415078A (zh) | 一种质谱数据谱图信号校准方法及装置 | |
CN114567360B (zh) | 一种用于智能超表面无线通信的信道参数估计方法 | |
CN109239653B (zh) | 一种基于子空间分解的多辐射源被动直接时差定位方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN109696651B (zh) | 一种基于m估计的低快拍数下波达方向估计方法 | |
CN111913155A (zh) | 基于阵列雷达的二维doa估计方法 | |
CN112068070B (zh) | 基于深度学习测向的鲁棒性设计方法 | |
CN114679227A (zh) | 一种测向误差的空间频域校正方法 | |
CN111142062A (zh) | 一种利用Toeplitz特性的无栅格目标波达方向估计方法 | |
CN111551892B (zh) | 一种稳健自适应波束形成方法及装置 | |
CN109001678B (zh) | 一种基于三维麦克风阵列的雷声检测与定位方法 | |
CN111812644B (zh) | 基于稀疏估计的mimo雷达成像方法 | |
CN113884979A (zh) | 干扰加噪声协方差矩阵重构的稳健自适应波束形成方法 | |
JP4294634B2 (ja) | 校正テーブルの作成方法および到来波の到来方向推定方法 |
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 |