CN112098926B

CN112098926B - 一种利用无人机平台的智能测角训练样本生成方法

Info

Publication number: CN112098926B
Application number: CN202010968204.XA
Authority: CN
Inventors: 樊荣; 丁学科; 郭贺松; 司成可; 陈庆琰; 徐亚军
Original assignee: Civil Aviation Flight University of China
Current assignee: Civil Aviation Flight University of China
Priority date: 2020-09-15
Filing date: 2020-09-15
Publication date: 2023-06-09
Anticipated expiration: 2040-09-15
Also published as: CN112098926A

Abstract

本发明公开了一种利用无人机平台的智能测角训练样本生成方法，包括以下步骤：步骤1：测角系统初始化参数设置；步骤2：建立测角系统本地直角坐标系；步骤3：确定机载校正源建库轨迹点集合；步骤4：导入机载信号源悬停位置指令；步骤5：生成第一个建库频点f₁的训练样本数据；步骤6：获取机载信号源{f₂,f₃,...,f_K}频点所对应的训练样本数据；步骤7：回收机载信号源，完成整个训练样本采集任务。

Description

一种利用无人机平台的智能测角训练样本生成方法

技术领域

本发明属于无线电智能测角技术领域，具体地说是涉及一种利用无人机平台的智能测角训练样本生成方法。

背景技术

在低空空域“低小慢”航空器目标探测、GNSS导航信号以及民航通信频段干扰源查找等专业技术领域，对无线电射频辐射源进行来波方向(Direction Of Arrival，DOA)估计具有重要应用价值。针对不用的应用场景，现已开发出各种无线电测角方法。截至目前，代表性的测角方法大致分为基于最大似然估计准则提出的测角技术、利用数字波束形成理论开发的测角技术、基于子空间分解理论设计的超分辨测角技术、以及从稀疏先验约束条件出发提出的测角技术等。

然而，上述各种测角方法所具有的共同点是：它们均是基于模型驱动的参数化测角方法，都是从信号波达方向到阵列输出响应间的映射关系来建立测向系统模型，并假定该映射是可逆的，基于该假设实现目标辐射源的角度估计。基于模型驱动的参数化测角方法最大局限在于：测角性能取决于数据采集过程中从信号来波方向到阵列输出、以及从阵列输出到信号来波方向的映射误差程度。而在实际应用过程中，测角系统误差来源很多。例如，由于传感器设计、制造加工过程不能达到理想要求，阵列安装过程中所引入的位置误差、以及传感器间存在相互干扰等因素。各种非理想因素直接限制了基于模型驱动的参数化测角方法的测角性能。目前已有的误差校正方案主要是通过建立简化天线阵列的数学模型(例如，考虑均匀线阵、圆阵等简单阵列几何结构、传感器位置误差约束在特定的某条线或某个平面内、以及传感器间的幅-相误差具有独立性等假设)，利用各种简化的数学模型表征误差因素。需要指出的是，尽管各种校正技术在在一定程度上是有效的，但采取简化的误差模型必然导致假设阵列模型在不同程度上偏离实际误差模型。实际上，基于模型驱动的测角方法在模型失配和低信噪比(SNR)条件下测角性能往往很差，对相参信号源测角尤其如此。与基于模型驱动的测角方法不同的是，基于数据驱动的测角方法具有不依赖阵列几何结构、测角系统无需专门的通道校正模块、能更好地适应测向系统通道误差等诸多优势，理论上测角性能会更好。

基于数据驱动的方法可以直接从训练数据样本中学习阵列输出和信号角度之间的非线性关系。热那亚大学的Randazzo A等人利用数据驱动的机器学习测角技术，首先使用DOA标签建立训练数据集；然后，利用基于支持向量回归(SVR)等传统机器学习方法得出从阵列输出到信号入射角度的逆映射关系，以此实现信号DOA估计。该类方法并不依赖于有关阵列几何形状是否满足校正假设条件，因此比基于子空间的算法在计算上更有效。然而，基于SVR的测角技术中均假设为入射信号个数事先已知，当入射信号数目改变时，训练后的测角模型表现出泛化能力不足。因此，当训练和测试数据的分布特征具有较大差异时，这类基于数据驱动的测角技术很难实际应用。近年来，随着深度学习技术应用范围推广，一些研究者利用深度神经网络强大的非线性建模能力，已在DOA估计方向做了大量前期工作。例如，新加坡国立大学的Abeywickram等人提出了一种用于小型无人机测向的基于自编码器的稀疏去噪深度神经网络。该网络采用单通道射频接收机实现测向，降低了对相位同步和天线图像畸变校正的要求。国防科技大学的Zhang-Meng Liu等人为了获得阵列缺陷的良好适应性和未知场景的强泛化能力，提出一种用于解决DOA估计问题的深度神经网络框架。此外，国防科技大学的吴刘丽等人提出一种有效的基于深度卷积网络(Deep convolutionalnetwork，DCN)的空间谱恢复算法并应用于DOA估计。与传统基于迭代的稀疏恢复算法相比，基于DCN的框架可以近乎实时获得DOA估计。然而，上述具有代表性的智能测角方法却在小快拍和高角度分辨能力场合中存在局限性。本团队在自编码器和残差网络模型基础上，通过组合设计开发出适用于少快怕数、低信噪比、同时具备高分辨能力的测角神经网络。利用所提测角技术解决方案，首先，利用自编码器和深度残差网络构建深度测角网络；然后，收集数据样本集，并利用样本集训练网络模型参数，使得网络根据数据样本学习出从阵列输出到信号来波方向的非线性映射关系；最后，将训练后深度神经网络用于未知场景的角度预测中。

综上所述，基于数据驱动的智能测角方法能否满足信号适应多样化、特征分析智能化、未知场景强泛化和模型适用稳健化的趋势，关键之一在于训练样本的生成方式和建库质量。然而，需要指出的是，现有的智能测角训练样本获取方法往往是通过仿真数据生成，存在仿真理论方程缺失或理论过于复杂的情况，尤其在训练和测试数据的分布特征存在较大差异时，直接限制了智能测角技术在实际工程应用中的泛化能力和测角精度。相比于通过仿真获取的训练样本来说，由实测数据构成的训练样本能够将实际电磁环境中的噪声、信号模型、信噪比、传输通道、阵列误差等因素考虑进去，而不包含任何理论假设，是推动智能测角技术从理论走向实际工程应用的重要技术支撑。

发明内容

本发明的目的在于提出一种利用无人机平台的智能测角训练样本生成方法，利用无人机平台搭载射频辐射源，设定无人机飞行轨迹并在无人机飞行过程中，利用水准仪对无人机的跟踪实现建库数据的实时角度标注，最终通过多通道天线阵列接收机完成射频辐射源实测原始数据的采集。该方法克服了现有仿真训练样本的不足，可直接在复杂电磁环境下获取调制种类多样、波形设计复杂的射频辐射源信号，进而满足智能测角技术中对实测训练样本丰富性、实用性和可靠性的需求。利用本方法所获得的训练样本保证了深度测角神经网络在未知场景中的泛化能力与稳健性，对智能测角技术的实际工程应用具有重要意义。

为了实现上述目的，本发明采用的技术方案如下所述：

一种利用无人机平台的智能测角训练样本生成方法，具体实施流程包括以下步骤：

A.初始化参数设置。根据实际测角系统的天线阵元数目初始化通道数M、根据需求初始化训练样本的频率集合{f₁,f₂,...,f_K}、根据实测天线阵列初始化天线等效孔径D和最大视场角度-a°、+b°、初始化无人机飞行速度v(推荐值在(5m/s,15m/s))，飞行绝对高度(相对于海平面)H。

B.建立测角系统本地直角坐标系。

B₁：设定测角天线阵列位置。将测角天线阵列放置于训练样本待采集区域，天线阵列位置必须确保阵列开口方向测角视场范围(最大视场角度范围根据测角阵列性能确定，测角阵列的最大视场范围为(-a°,b°))与待测无人机飞行轨迹到测角阵列满足视距传播条件。

B₂：设定水准仪位置。将水准仪置于天线阵列后方的中轴线上，粗调三脚架使水准仪与阵列处于目视水平状态，并保证目镜视线不被天线阵列遮挡。然后细调仪器脚螺丝手轮，使圆水准泡居中即为完全水平状态。最后通过仪器瞄准器旋转水平循环微动手轮，调整水准仪朝向以保证与阵列开口方向保持一致，旋转仪器角度盘，并读取该状态下水准仪的方位刻度值(记为q₀)作为0°参考方向。

B₃：构建测角系统本地直角坐标系。将测角天线阵列所在位置作为本地直角坐标系的参考原点，并将坐标记为O(0,0)。将水准仪所在位置到阵列中心所在位置连线的延长线作为本地直角坐标系的纵轴、将与纵轴垂直且与阵列端射方向重合的直线作为本地直角坐标系的横轴，以此建立本地直角坐标系，本地直角坐标系中的任意位置用坐标(x,y)表示。

C.确定机载校正源建库轨迹点集合G。

C₁：确定机载校正源到天线阵列的距离R。根据校正源信号波长λ、测角天线阵列等效孔径D、满足建库校正源到阵列的直线距离R≥2D²/λ,根据实际情况推荐R设置值在(100D²/λ,1000D²/λ)之间。

C₂：确定直角坐标系中的无人机飞行水平轨迹。根据步骤B₁所给出的测角视场范围(-a°,b°)和步骤C₁中求得建库校正源到阵列的直线距离R，获取直角坐标系中无人机起点的直角坐标P(-Rsin(a),Rcos(a))和终点的直角坐标Q(Rsin(b),Rcos(b))，并将两个临界点以测角阵列为中心形成的圆弧轨迹作为无人机载校正源的飞行水平轨迹。

C₃：确定无人机飞行相对高度h。根据《无人驾驶航空器飞行管理暂行条例》，轻型无人机在视距半径r内其飞行超障余度与最大飞行高度之和必须不超过所规定的最大升限高度H(例如，《无人驾驶航空器飞行管理暂行条例》规定轻型无人机在视距半径500米内运行的最大升限为120米)。在测角视场范围(-a°,b°)内，旋转水平循环微动手轮，使水准仪从-a°指向b°。在此过程中，当目镜视线被遮挡时，细调仪器脚螺丝手轮使水准仪仰角增大至视线无遮挡，找出沿途最高障碍物并标定其高度为h₁，之后设定飞行超障余度为h₂，最终确定无人机建库信号源的恒定参考相对高度h，h＝h₁+h₂。

C₄：构建本地三维直角坐标系下的集合G。根据步骤C₂生成的直角坐标系中无人机飞行轨迹起点的直角坐标P(-Rsin(a),Rcos(a))和轨迹终点的直角坐标Q(Rsin(b),Rcos(b))，不失一般性，将P、Q两个顶点以测角阵列位置O(0,0)为中心形成的圆弧轨迹进行非均匀离散化得到N个坐标(任意两个相邻坐标之间距离d与校正源到阵列距离R的比值推荐在(2％,5％)之间)，依次记为(x₁,y₁),(x₂,y₂),...,(x_N,y_N)。并将步骤B₃中的获得的无人机飞行高度h进行组合依次重构成三维直角坐标集合G＝{(x₁,y₁,h),(x₂,y₂,h),...,(x_N,y_N,h)}。

C₅：生成本地三维经纬度位置坐标系下的集合L。将三维直角坐标集合G中的每个元素对应地转换成为WGS-84椭球坐标系下的经纬度坐标，并将新生成的经纬度位置集合记为Λ＝{(B₁,L₁,H),(B₂,L₂,H),...,(B_N,L_N,H)}。

D：导入机载信号源悬停位置指令。将步骤C₅中获得的经纬度位置集合L中每个元素作为训练样本采集中无人机机载信号源的预悬停位置，设置无人机飞行速度v并将悬停位置通过地面控制软件导入到无人机导航路径任务规划软件中。每条编辑命令依次标记为：cmd_1＝(B₁,L₁,H),cmd_2＝(B₂,L₂,H),...,cmd_N＝(B_N,L_N,H)。

E.生成第一个建库频点f₁的训练样本数据。

E₁：采集第一个机载信号源悬停位置数据。无人机根据飞控指令悬停至(B₁,L₁,H)位置，多通道接收机系统同步采集悬停至该位置时的机载信号源IQ数据(该数据类型可以是射频IQ数据、中频IQ数据、基带IQ数据)。将天线阵列第一个阵元接收的数据记为Ch1＝{DataI_1₁+j*DataQ_1₁}，按照该方式完成M个阵元接收的数据集标记。数据集的形式为：

E₂：获取第一个机载信号源悬停位置训练数据样本的角度标签。沿着水平方向旋转水准仪角度盘，直到机载信号源出现在物镜中央时停至旋转，并记录下此刻水准仪刻度盘所指示的角度值q₁，当前值减去步骤B₂中0°参考方位刻度值q₀的差值作为第一个悬停位置训练样本的角度标签AoaLabel_1。

E₃：生成第一个机载信号源悬停位置所对应的训练样本。将步骤E₁中获取的M个通道数据集按列向量进行堆叠重构成一个长向量，记为Vec_1＝[DataI_1₁+j*DataQ_1₁,DataI_2₁+j*DataQ_2₁,...,DataI_M₁+j*DataQ_M₁]^T并与步骤E₂中的角度标签A oaLabel_1组合重构成第一个悬停位置所对应的训练样本，并记为V_1₁＝{f₁,Vec_1,AoaLabel_1}。

E₄：获取第{2,3,...N}个机载信号源悬停位置所对应的训练样本。依次控制无人机悬停至(B₂,L₂,H),(B₃,L₃,H),...,(B_N,L_N,H)位置，重复执行步骤E₁～步骤E₃处理流程，依次获得所有位置处的训练样本集：

{V_1₂＝{f₁,Vec_2,AoaLabel_2}，V_1₃＝{f₁,Vec_3,AoaLabel_3}，...，

V_1_N＝{f₁,Vec_N,AoaLabel_N}}。

F.获取机载信号源{f₂,f₃,...,f_K}频点所对应的训练样本数据。依次改变信号源工作频率至(f₂,f₃,...,f_K)，重复执行步骤E处理流程得到所有训练样本集{V_2₁，V_2₂，...，V_2_N，V_3₁，V_3₂，...，V_3_N，...，V_K₁，V_K₂，...，V_K_N}。

G.回收机载信号源。当机载信号源在(B_N,L_N,H)悬停位置完成以工作频率f_K对应的训练样本采集时，地面站向无人机发送飞行结束指令使无人机由当前悬停位置(B_N,L_N,H)飞行至回收点位置(B,L,H₁)，至此完成整个训练样本采集任务。

本发明与现有技术相比的有益效果在于：

本发明提供了一种利用无人机平台生成智能测角训练样本的方法，提高了训练样本构造的灵活性和可实现性，解决了训练样本获取困难和样本量不足等问题，同时充分利用了水准仪具备高精度测角分辨能力，进一步提高训练样本数据标记质量。该方案可以直接为基于数据驱动的智能测角技术提供大量训练样本，为现有的智能测角技术工程实用化提供关键技术支撑。

附图说明

图1是训练样本采集总体框图；

图2是实验方案部署示意图；

图3是训练样本采集流程图。

具体实施方式

下面将结合附图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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例结合附图1中样本数据生成整体框图、附图2的实验场地部署以及附图3中的实验数据采集流程，在某实验场地使用五通道均匀线阵数据采集系统、无人机机载信号源平台以及水准仪，于2020年6月完成智能测角训练样本采集试验任务。。

A.初始化参数设置。根据实际测角系统的天线阵元数目初始化通道数M＝5、根据需求初始化训练样本的频率集合{430MHz,431MHz,...,436MHz}、根据实测天线阵列初始化天线等效孔径D＝0.4m和最大视场角度-45°、+45°、初始化无人机飞行速度v＝10m/s，飞行绝对高度(相对于海平面)H＝510m。

B.建立测角系统本地直角坐标系。

B₁：设定测角五通道八木天线阵列位置。将测角天线阵列放置于训练样本待采集区域，天线阵列位置必须确保阵列开口方向测角视场范围(最大视场角度范围根据测角阵列性能确定，测角阵列的最大视场范围为(-45°,45°))与待测无人机飞行轨迹到测角阵列满足视距传播条件。

B₂：设定水准仪(KL-90，测角分辨率为0.1°)位置。将水准仪置于天线阵列后方的中轴线上，粗调三脚架使水准仪与阵列处于目视水平状态且高于阵列30cm时，可以保证目镜视线不被天线阵列遮挡。然后细调仪器脚螺丝手轮，使圆水准泡居中即为完全水平状态。最后通过仪器瞄准器旋转水平循环微动手轮，调整水准仪朝向以保证与阵列开口方向保持一致，旋转仪器角度盘，读取该状态下水准仪的方位刻度值(记为q₀＝0°(360°))作为0°参考方向。

C.确定无人机机载校正源建库轨迹点集合G。

C₁：确定建库校正源到阵列的距离R＝200m。根据数据样本信号波长λ＝0.69m、测角天线阵列等效孔径D＝0.4m、满足建库校正源到阵列的直线距离R≥0.47m,根据实际情况推荐R设置值在(23.5m,235m)之间。

C₂：确定直角坐标系中的无人机飞行水平轨迹。根据步骤B₁所给出的测角视场范围(-45°,45°)和步骤C₁中求得建库校正源到阵列的直线距离R＝200m，获取直角坐标系中无人机起点的直角坐标P(-141,141)和终点的直角坐标Q(141,141)，并将两个临界点以测角阵列为中心形成的圆弧轨迹作为无人机载校正源的飞行水平轨迹。

C₃：确定无人机飞行相对高度h＝70m。根据《无人驾驶航空器飞行管理暂行条例》，轻型无人机在视距半径r内其飞行超障余度与最大飞行高度之和必须不超过所规定的最大升限高度H(例如，《无人驾驶航空器飞行管理暂行条例》规定轻型无人机在视距半径500米内运行的最大升限为120米)。在测角视场范围(-45°,45°)内，旋转水平循环微动手轮，使水准仪从-45°指向45°。在此过程中，当目镜视线被遮挡时，细调仪器脚螺丝手轮使水准仪仰角增大至视线无遮挡，找出沿途最高障碍物并标定其高度为h₁＝45m，之后设定飞行超障余度为h₂＝25m，最终确定无人机建库信号源的恒定参考相对高度h＝70m。

C₄：构建本地三维直角坐标系下的集合G。根据步骤C₂生成的直角坐标系中无人机飞行轨迹起点的直角坐标P(-141,141)和轨迹终点的直角坐标Q(141,141)，不失一般性，将P、Q两个顶点以测角阵列位置O(0,0)为中心形成的圆弧轨迹进行非均匀离散化得到31个坐标(设置两个相邻坐标之间距离d＝7m)，依次记为(-141,141)，(-137,146)，…，(141,141)。并将步骤B₃中的获得的无人机飞行高度h＝70m进行组合依次重构成三维直角坐标集合G＝{(-141,141,70),(-137,146,70),...,(141,141,70)}。

C₅：生成本地三维经纬度位置坐标系下的集合L。将三维直角坐标集合G中的每个元素对应地转换成为WGS-84椭球坐标系下的经纬度坐标，并将新生成的经纬度位置集合记为Λ＝{(30.948169,104.309971,510),(30.948266,104.30964980,510),...,(30.951022,104.307235,510)}。

D：导入无人机机载信号源悬停位置指令。将步骤C₅中获得的经纬度位置集合L中每个元素作为训练样本采集中无人机机载信号源的预悬停位置，设置无人机飞行速度v＝10m/s并将悬停位置通过地面控制软件导入到无人机导航路径任务规划软件中。每条编辑命令依次标记为：cmd_1＝(30.948169,104.309971,510)，cmd_2＝(30.948266,104.30964980,510),...,cmd_31＝(30.951022,104.307235,510)

E.生成第一个建库频点f₁＝430MHz的训练样本数据。

E₁：采集第一个无人机机载信号源悬停位置数据。无人机根据飞行控制指令悬停至(30.948169,104.309971,510)位置，5通道接收机系统同步采集悬停至该位置时的机载信号源基带IQ数据。将天线阵列第一个阵元接收的数据记为Ch1＝{DataI_1₁+j*DataQ_1₁}，按照该方式完成5个阵元接收的数据集标记。数据集的形式为：

E₂：获取第一个机载信号源悬停位置训练数据样本的角度标签。沿着水平方向旋转水准仪角度盘，直到机载信号源出现在物镜中央时停至旋转，并记录下此刻水准仪刻度盘所指示的角度值q₁＝-45°，当前值减去步骤B₂中0°参考方位刻度值q₀＝0°的差值-45°作为第一个悬停位置训练样本的角度标签AoaLabel_1。

E₃：生成第一个机载信号源悬停位置所对应的训练样本。将步骤E₁中获取的5个通道数据集按列向量进行堆叠重构成一个长向量，记为Vec_1＝[DataI_1₁+j*DataQ_1₁,DataI_2₁+j*DataQ_2₁,...,DataI_5₁+j*DataQ_5₁]^T并与步骤E₂中的角度标签AoaLabel_1组合重构成第一个悬停位置所对应的训练样本，并记为V_1₁＝{430MHz,Vec_1,AoaLabel_1}。

E₄：获取第{2,3,...31}个机载信号源悬停位置所对应的训练样本。依次控制无人机悬停至(30.948266,104.30964980,510),(30.948399,104.309295,510),...,(30.951022,104.307235,510)位置，重复执行步骤E₁～步骤E₃处理流程，依次获得所有位置处的训练样本集{V_1₂＝{430MHz,Vec_2,AoaLabel_2}，V_1₃＝{430MHz₁,Vec_3,AoaLabel_3}，...，V_1_N＝{430MHz,Vec_31,AoaLabel_31}}。

F.获取机载信号源{431MHz,432MHz,...,436MHz}频点所对应的训练样本数据。依次改变信号源工作频率至(431MHz,432MHz,...,436MHz)，重复执行步骤E处理流程得到所有训练样本集{V_2₁，V_2₂，...，V_2₃₁，V_3₁，V_3₂，...，V_3₃₁，...，V_7₁，V_7₂，...，V_7₃₁}。

G.回收机载信号源。当机载信号源在(30.951022,104.307235,510)悬停位置完成以工作频率436MHz对应的训练样本采集时，地面站向无人机发送飞行结束指令使无人机由当前悬停位置(30.951022,104.307235,510)飞行至回收点位置(30.953413,104.308031,440)，至此完成整个训练样本采集任务。

结合图1、图2、图3的效果可知，在以阵列天线为中心并确定本地坐标系和测向边界后，只要确定好飞行任务中UAV各航点处的经纬度坐标及相关飞行约束条件，通过便携式地面站显控终端生成相应的飞行轨迹数据文件，结合水准仪的熟练操作，按照本发明具体流程操作即可成功完成智能测角研究中实测训练样本的采集任务。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种利用无人机平台的智能测角训练样本生成方法，其特征在于，包括以下步骤：

步骤1：测角系统初始化参数设置；

步骤2：建立测角系统本地直角坐标系；

步骤3：确定机载校正源建库轨迹点集合；

步骤4：导入机载信号源悬停位置指令；

步骤5：生成第一个建库频点f₁的训练样本数据；

步骤6：获取机载信号源{f₂,f₃,...,f_K}频点所对应的训练样本数据；

步骤7：回收机载信号源，完成整个训练样本采集任务；

上述步骤3中，确定机载校正源建库轨迹点集合G包括以下步骤：

步骤31：确定机载校正源到天线阵列的距离R；根据校正源信号波长λ、测角天线阵列等效孔径D、满足建库校正源到阵列的直线距离R≥2D²/λ；

步骤32：确定直角坐标系中的无人机飞行水平轨迹；根据步骤21所给出的测角视场范围(-a°,b°)和步骤31中求得建库校正源到阵列的直线距离R，获取直角坐标系中无人机起点的直角坐标P(-R sin(a),R cos(a))和终点的直角坐标Q(R sin(b),R cos(b))，并将两个临界点以测角阵列为中心形成的圆弧轨迹作为无人机载校正源的飞行水平轨迹；

步骤33：确定无人机飞行相对高度h；在测角视场范围(-a°,b°)内，旋转水平循环微动手轮，使水准仪从-a°指向b°；在此过程中，当目镜视线被遮挡时，细调仪器脚螺丝手轮使水准仪仰角增大至视线无遮挡，找出沿途最高障碍物并标定其高度为h₁，之后设定飞行超障余度为h₂，最终确定无人机建库信号源的恒定参考相对高度h，h＝h₁+h₂；

步骤34：构建本地三维直角坐标系下的集合G；根据步骤32生成的直角坐标系中无人机飞行轨迹起点的直角坐标P(-R sin(a),R cos(a))和轨迹终点的直角坐标Q(R sin(b),Rcos(b))，不失一般性，将P、Q两个顶点以测角阵列位置O(0,0)为中心形成的圆弧轨迹进行非均匀离散化得到N个坐标，依次记为(x₁,y₁),(x₂,y₂),...,(x_N,y_N)；并将步骤33中的获得的无人机飞行高度h进行组合依次重构成三维直角坐标集合G＝{(x₁,y₁,h),(x₂,y₂,h),...,(x_N,y_N,h)}；

步骤35：生成本地三维经纬度位置坐标系下的集合L；将三维直角坐标集合G中的每个元素对应地转换成为WGS-84椭球坐标系下的经纬度坐标，并将新生成的经纬度位置集合记为Λ＝{(B₁,L₁,H),(B₂,L₂,H),...,(B_N,L_N,H)}；

上述步骤5中，生成第一个建库频点f₁的训练样本数据包括以下步骤：

步骤51：采集第一个机载信号源悬停位置数据，无人机根据飞控指令悬停至(B₁,L₁,H)位置，多通道接收机系统同步采集悬停至该位置时的机载信号源IQ数据；将天线阵列第一个阵元接收的数据记为Ch1＝{DataI_1₁+j*DataQ_1₁}，按照该方式完成M个阵元接收的数据集标记，数据集的形式为：

{Ch1＝{DataI_1₁+j*DataQ_1₁}；

Ch1＝{DataI_2₁+j*DataQ_2₁}；

...

Ch1＝{DataI_M₁+j*DataQ_M₁}}

步骤52：获取第一个机载信号源悬停位置训练数据样本的角度标签；沿着水平方向旋转水准仪角度盘，直到机载信号源出现在物镜中央时停至旋转，并记录下此刻水准仪刻度盘所指示的角度值q₁，当前值减去步骤22中0°参考方位刻度值q₀的差值作为第一个悬停位置训练样本的角度标签AoaLabel_1；

步骤53：生成第一个机载信号源悬停位置所对应的训练样本，将步骤51中获取的M个通道数据集按列向量进行堆叠重构成一个长向量，记为

Vec_1＝[DataI_1₁+j*DataQ_1₁,DataI_2₁+j*DataQ_2₁,...,DataI_M₁+j*DataQ_M₁]^T，

并与步骤52中的角度标签AoaLabel_1组合重构成第一个悬停位置所对应的训练样本，并记为V_1₁＝{f₁,Vec_1,AoaLabel_1}；

步骤54：获取第{2,3,...N}个机载信号源悬停位置所对应的训练样本；依次控制无人机悬停至(B₂,L₂,H),(B₃,L₃,H),...,(B_N,L_N,H)位置，重复执行步骤51～步骤53处理流程，依次获得所有位置处的训练样本集：

{V_1₂＝{f₁,Vec_2,AoaLabel_2}，V_1₃＝{f₁,Vec_3,AoaLabel_3}，...，V_1_N＝{f₁,Vec_N,AoaLabel_N}}。

2.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，在上述步骤1中，初始化参数设置是指根据实际测角系统的天线阵元数目初始化通道数M、根据需求初始化训练样本的频率集合{f₁,f₂,...,f_K}、根据实测天线阵列初始化天线等效孔径D和最大视场角度-a°、+b°、初始化无人机飞行速度v，飞行绝对高度H。

3.根据权利要求2所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，上述步骤2中，建立测角系统本地直角坐标系包括以下步骤：

步骤21：设定测角天线阵列位置，将测角天线阵列放置于训练样本待采集区域，天线阵列位置必须确保阵列开口方向测角视场范围与待测无人机飞行轨迹到测角阵列满足视距传播条件；测角阵列的最大视场范围为(-a°,b°)；

步骤22：设定水准仪位置，将水准仪置于天线阵列后方的中轴线上，粗调三脚架使水准仪与阵列处于目视水平状态，并保证目镜视线不被天线阵列遮挡，然后细调仪器脚螺丝手轮，使圆水准泡居中即为完全水平状态，最后通过仪器瞄准器旋转水平循环微动手轮，调整水准仪朝向以保证与阵列开口方向保持一致，旋转仪器角度盘，并读取该状态下水准仪的方位刻度值q₀作为0°参考方向；

步骤23：构建测角系统本地直角坐标系，将测角天线阵列所在位置作为本地直角坐标系的参考原点，并将坐标记为O(0,0)，将水准仪所在位置到阵列中心所在位置连线的延长线作为本地直角坐标系的纵轴、将与纵轴垂直且与阵列端射方向重合的直线作为本地直角坐标系的横轴，以此建立本地直角坐标系，本地直角坐标系中的任意位置用坐标(x,y)表示。

4.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，上述步骤4中，导入机载信号源悬停位置指令是指将步骤35中获得的经纬度位置集合L中每个元素作为训练样本采集中无人机机载信号源的预悬停位置，设置无人机飞行速度v并将悬停位置通过地面控制软件导入到无人机导航路径任务规划软件中，每条编辑命令依次标记为：

cmd_1＝(B₁,L₁,H),cmd_2＝(B₂,L₂,H),...,cmd_N＝(B_N,L_N,H)。

5.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，在步骤6中，获取机载信号源{f₂,f₃,...,f_K}频点所对应的训练样本数据是指依次改变信号源工作频率至(f₂,f₃,...,f_K)，重复执行步骤5处理流程得到所有训练样本集

{V_2₁，V_2₂，...，V_2_N，V_3₁，V_3₂，...，V_3_N，...，V_K₁，V_K₂，...，V_K_N}。

6.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，步骤7中，回收机载信号源，完成整个训练样本采集任务是指当机载信号源在(B_N,L_N,H)悬停位置完成以工作频率f_K对应的训练样本采集时，地面站向无人机发送飞行结束指令使无人机由当前悬停位置(B_N,L_N,H)飞行至回收点位置(B,L,H₁)。

7.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，任意两个相邻坐标之间距离d与校正源到阵列距离R的比值在(2％,5％)之间。

8.根据权利要求1所述的一种利用无人机平台的智能测角训练样本生成方法，其特征在于，R设置值在(100D²/λ,1000D²/λ)之间。