CN112147589A - 基于卷积神经网络的频率分集阵列的雷达目标定位方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，涉及雷达定位技术领域，根据构造频率分集阵列，获取K个目标的回波信号，计算每个目标的回波信号的协方差矩阵，将每个目标的协方差矩阵进行实虚部分离操作，经过归一化后形成目标的数据集。将部分数据集输入卷积神经网络作为训练数据，得到对应的目标位置预测输出，根据目标函数使用优化器对网络的权值和阈值进行修正更新，达到设置误差范围后固定权值和阈值，将余下的样本输入最终训练好的网络，进行目标位置的估计。计算机仿真实验表明，该方法解决了由于数据样本庞大造成的过拟合问题，提高了算法的收敛速度和目标定位的精确度，证明了本发明的有效性和可靠性。

Description

基于卷积神经网络的频率分集阵列的雷达目标定位方法

技术领域

本发明涉及雷达定位技术领域，尤其涉及基于卷积神经网络的频率分集阵列的雷达目标定位方法。

背景技术

雷达目标定位技术被越来越广泛的研究应用在军事和民用领域，其中，增加目标定位的精度是雷达目标定位技术研究的热点问题。

目前，提高目标定位的精度方法就是增加样本数据，但在大量的样本数据量情况下，算法无法进行快速有效的计算，且容易产生过拟合的问题，难以实现实时性和准确性的要求。

发明内容

本发明的目的在于提供一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，旨在解决现有技术中增加目标定位的精度的技术问题。

为实现上述目的，本发明采用的一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，包括：

将FDA雷达设置为两个正负频率偏置，并分别发射信号；

构造单频接收频率分集阵列为N阵元的均匀线阵，获取所述FDA雷达采集的K个目标点{(θ₁,R₁),…,(θ_k,R_k),…,(θ_K,R_K)}作为训练集，其中k为K个所述目标点中的任意目标；

获取所述训练集中的每个所述目标点的协方差矩阵，得到K个所述协方差矩阵，将所述K个协方差矩阵构成K个目标的初始数据集；

获取第k个目标对应的所述协方差矩阵，并将第k个目标的所述协方差矩阵在所述训练集中位置对应为(θ_k,R_k)，将第k个目标的所述协方差矩阵进行归一化，获取对应第k个目标的的归一化矩阵；

构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型，获得第K个目标的卷积神经网络的预测的目标位置

将第K个目标的卷积神经网络的预测的目标位置

与第K个真实目标的位置(θ_k,R_k)比较，计算两者的均方误差，并作为所述卷积神经网络模型的目标函数；

对所述目标函数进行迭代，获取所述卷积神经网络模型中目标定位的各项参数。

其中，在获取获取对应第k个目标的的归一化矩阵之后，

对K个目标的所述第一数据集和所述训练集进行归一化，获取K个真实的目标位置的数据集。

其中，在获取将所述K个协方差矩阵构成K个目标的初始数据集时，对协方差矩阵的实部和虚部进行分离。

其中，在对所述目标函数进行迭代具体步骤中，包括

将第k个目标的目标个数循环加1，重复所述训练集中的每个所述目标点的协方差矩阵至获得所述目标函数之间的步骤，直到每个所述目标函数收敛最优时或达到最大迭代次数。

其中，构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型的步骤中，所述训练集的数据为所述初始数据集中的随机抽取的百分之七十数据。

其中，在获取所述卷积神经网络模型中目标定位的各项参数后，

将所述初始数据集中剩余的百分之三十数据作为测试集，将所述测试集的数据输入所述卷积神经网络模型后，对目标进行定位。

本发明的一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，通过构造单频接收频率分集阵列为N阵元的均匀线阵，获取所述训练集中的每个所述目标点的协方差矩阵，得到K个所述协方差矩阵，将所述K个协方差矩阵构成K个目标的初始数据集，构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型，将第K个目标的卷积神经网络的预测的目标位置

与第 K个真实目标的位置(θ_k,R_k)比较，并作为所述卷积神经网络模型的目标函数，最终精准获取所述卷积神经网络模型中目标定位。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的频率分集阵列模型。

图2为本发明的FDA-CNN模型。

图3为本发明的FDA-CNN与FDA-BP算法定位结果图。

图4为本发明不同目标下FDA-CNN预测和FDA-BP预测角度随SNR变化的RMSE图。

图5为本发明不同目标下FDA-CNN预测和FDA-BP预测距离随SNR变化的RMSE图。

图6为本发明FDA-CNN预测和FDA-BP预测角度随快拍数变化的RMSE图。

图7为本发明FDA-CNN预测和FDA-BP预测距离随快拍数变化的RMSE图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1至图5，本发明采用的一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，包括：将FDA雷达设置为两个正负频率偏置，并分别发射信号；构造单频接收频率分集阵列为N阵元的均匀线阵，获取所述FDA雷达采集的K个目标点{(θ₁,R₁),…,(θ_k,R_k),…,(θ_K,R_K)}作为训练集，其中k为K个所述目标点中的任意目标；获取所述训练集中的每个所述目标点的协方差矩阵，得到K个所述协方差矩阵，将所述K个协方差矩阵构成K个目标的初始数据集；获取第k 个目标对应的所述协方差矩阵，并将第k个目标的所述协方差矩阵在所述训练集中位置对应为(θ_k,R_k)，将第k个目标的所述协方差矩阵进行归一化，获取对应第 k个目标的的归一化矩阵；构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型，获得第K个目标的卷积神经网络的预测的目标位置

将第 K个目标的卷积神经网络的预测的目标位置

与第K个真实目标的位置 (θ_k,R_k)比较，计算两者的均方误差，并作为所述卷积神经网络模型的目标函数；对所述目标函数进行迭代，获取所述卷积神经网络模型中目标定位的各项参数。

在本实施方式中，构造单频接收频率分集阵列为N阵元的均匀线阵的具体方法为：个阵元的发射频率依次线性增加，第n个阵元发射信号的载频f_n为：

f_n＝f₀+nΔf n＝0,1,…,N-1

其中，f₀为频率分集阵列的基准载频，Δf为频率分集阵列的初始频率偏置， N为频率分集阵列的阵元个数。

在本实施方式的具体实施例中，对获取所述FDA雷达采集的K个目标点 {(θ₁,R₁),…,(θ_k,R_k),…,(θ_K,R_K)}作为训练集，

获取FDA雷达采集的K个目标点作为训练集Y＝{y₁,…,y_k,…,y_K}，

其中y_k为第k个目标的回波信号，y_k＝a(θ_k,R_k)s_k+n_k，a(θ_k,R_k)表示第k个目标对应的导向矢量，

其中s_k为目标数据，n_k是不相关的噪声数据，d是FDA的阵元间距。

在本实施方式的具体实施例中，获取所述训练集中的每个所述目标点的协方差矩阵，如计算训练集中的第k个目标的协方差矩阵R_ykyk＝y_ky_k ^H，得到K个协方差矩阵组成的数据集

进一步地，对K个目标的所述第一数据集和所述训练集进行归一化，获取K 个真实的目标位置的数据集。在获取将所述K个协方差矩阵构成K个目标的初始数据集时，对协方差矩阵的实部和虚部进行分离。

在本实施方式的具体实施例中，对K个目标的协方差矩阵R_YY进行实虚部进行分离，得到K个目标的数据集R＝{R₁,…,R_k,…,R_K}。获取的第k个目标对应的协方差矩阵是R_K，对R_K归一化，形成第k个目标对应的归一化矩阵R′_K。重复前述步骤，对K个目标的数据集进行归一化得到K个数据集R′＝{R′₁,…,R′_k,…,R′_K}。再获取第k个目标的位置(θ_k,R_k)，将其归一化形成(θ_k,R_k)″，得到K个真实目标位置数据集{(θ₁,R₁)″,…,(θ_k,R_k)″,…,(θ_K,R_K)″}。

进一步地，构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型的步骤中，所述训练集的数据为所述初始数据集中的随机抽取的百分之七十数据。构建卷积神经网络模型的具体步骤为：

首先卷积层通过局部连接和权值共享的功能提取R′_K的特征数据。假设a^l表示第l层的从R′_K提取出的特征矩阵，w^l，b^l分别表示这一层的卷积核和偏置。这里，激活函数为f，a^l-1为第l-1层的特征矩阵，则经过该卷积层后第l层的特征矩阵可以表示为：

a^l＝f(a^l-1*w^l+b^l)

其中，*表示进行卷积计算。

本实施方式中，使用的激活函数为卷积神经网络中最常用的Relu函数，即：

可以理解的是，激活函数Relu只对0到正无穷的函数值有作用，使得部分神经元失去作用，可以显著降低网络训练时，梯度消失问题发生的概率。且Relu 函数不涉及指数的运算，网络训练更加快速。

其次，池化层对卷积层的输出特征矩阵a^l进行降维，即对卷积层的再一次的特征抽样，提高算法的计算效率，本发明的卷积神经网络模型采用平均池化 (Average-polling)的方式进行降维，更好地保留特征矩阵中的信息。

最后，在全连接层中，对函数进行非线性拟合，它不仅可以用来做输出层，也可以用来对卷积特征的进一步提取，作为输出层的上一层。假设w^l为全连接层的权值。其中，全连接层的输出可以表示为：

a^l＝f(a^l-1*w^l+b^l)

其中，a^l表示第l层的从R′_K提取出的特征矩阵，f()表示Relu函数。

可以理解的是，将第K个目标的卷积神经网络的预测的目标位置

与第 K个真实目标的位置(θ_k,R_k)比较，计算两者的均方误差，并作为所述卷积神经网络模型的目标函数，

网络的训练过程，首先，将输入向量呈现给输入神经元，计算预测的目标位置；然后，将预测的目标位置与真实目标位置进行比较，并确定误差，其中第k个目标的预测位置为

误差为，

其中，e_k为第k个目标预测位置与真实位置误差，(θ_k,R_k)为第k个目标的真实目标位置，

为第k个目标预测目标位置。

再对每个权值和偏差进行误差导数的计算和求和，使用Adam优化器(自适应矩估计优化器)进行更新权值与偏置，并在所述卷积神经网络模型中 Dropout层设定一个阈值，该阈值为神经元断开连接的概率，每次迭代时，所述卷积神经网络模型中Dropout层会断开部分神经元之间的连接，使得这部分神经元失效，失效的神经元的权值在此次迭代过程中不更新，且在下一次迭代时，神经元是否断开与上一次迭代时的状态无关。

进一步地，将第k个目标的目标个数循环加1，重复所述训练集中的每个所述目标点的协方差矩阵至获得所述目标函数之间的步骤，直到每个所述目标函数收敛最优时或达到最大迭代次数。

在本实施方式中，在本步骤中令k加1，重复前述步骤，直到每个所述目标函数收敛最优时或者达到最大迭代次数，得到最终训练的卷积神经网络对应的网络参数，即为卷积神经网络的频率分集阵列的雷达目标定位的各项参数。

可以理解的是，在本发明中将中所述数据集的70％作为卷积神经网络的训练集输入网络中，所述数据集的30％作为卷积神经网络的测试集输入所述最终训练的网络中，对目标进行定位效果最优。

为了验证本发明基于卷积神经网络的频率分集阵列的雷达目标定位方法的效果，提供下列对照的仿真实验。

实验1如下

选择11个阵元的FDA均匀线阵如图1所示，信号源选用基准载频为10GHz 和频率增量为Δf＝5kHz的窄带信号。阵元的间距为λ/2，噪声为独立零均值高斯白噪声，信噪比SNR为10dB，快拍数为100。取24个不同目标来验证FDA-BP 算法对FDA雷达发射波束角度和距离耦合的目标估计参数的识别，其中角度为 5°,10°...40°，间隔为5°，共8个角度；距离为4km，8km，12km，共3个距离。选取不同的角度和距离共构成24个目标位置。将目标经过公式计算100次，获得的2400组数据作为网络的输入数据R′，选取24个目标中的前99次计算得到的共2376组数据作为网络训练的输入数据。选取24个目标中的最后一次计算得到的共24组数据用来作为网络的预测输入数据。网络的训练数据对应的标签为目标的真实位置(θ_k,R_k)，网络的预测数据对应的输出为目标位置的估计

本实验中FDA-CNN(卷积神经网络的频率分集阵列)选择二维的卷积神经网络模型如图2所示，网络层数为11，卷积核大小3×3，Dropout层的取值为0.4，初始学习率为0.01，激活函数为relu，优化算法为Adam，迭代次数为200。FDA-BP (频率分集阵列的反向传播)算法网络层数为5，为了防止BP神经网络陷入过拟合，本实验设置其Dropout层取值为0.5，初始学习率为0.01，激活函数为relu，迭代次数为200。

仿真结果如图3所示。X轴表示目标的角度范围，Y轴表示目标的距离范围。从图中可以看出，在单频率增量情况下卷积神经网络的频率分集阵列算法与频率分集阵列的反向传播算法都能实现角度信息和距离信息的分离定位，但是从定位精度上来说，FDA-CNN算法的定位精度比FDA-BP算法高。

实验2如下，

将通过均方根误差来对FDA-CNN算法与FDA-BP算法的性能进行数值上的比较。FDA-CNN算法和FDA-BP算法的训练集和测试集以及环境与实验1一致且使用与实验1相同的网络结构。选取目标1为(5°,8km)和目标2为(15°,4km)，分别通过改变算法的信噪比，比较不同目标位置估计的精度。

将快拍数固定为100，信噪比在-5dB到15dB不断变化，步长为5dB，蒙特卡洛次数为700。当信噪比为-5dB时，通过计算获得2400组网络的输入数据R′。测试集为目标(5°,8km)和(15°,4km)代入公式分别计算700次，获得1400组R′组成网络的测试集。网络训练数据对应的标签为目标的真实位置(θ_k,R_k)，网络测试数据对应的输出为目标位置的估计

首先将(5°,8km)的700组测试数据输入训练好的网络中，得出700组目标位置的估计，利用公式计算这700组目标位置的估计值与目标真实位置的均方根误差(RMSE)。然后再将(15°,4km)的700组测试数据输入训练好的网络中，得出700组目标位置的估计，再计算这700组目标位置的估计值与目标真实位置的均方根误差(RMSE)。在其他条件不变的情况下，改变信噪比，进行上面2个目标的均方根误差计算。实验结果如图4和图5所示。

(2)将信噪比固定为10dB，快拍数从100到600不断变化，步长为100，蒙特卡洛次数为700。当快拍数为100时，选取实验1中的24个目标代入公式中计算100次，获得2400组网络的输入数据R′。测试集为目标(5°,8km)和(15°,4km) 再分别计算700次，获得1400组R′组成网络的测试集。网络训练数据对应的标签为目标的真实位置(θ_k,R_k)，网络测试数据对应的输出为目标位置的估计

首先将(5°,8km)的700组测试数据输入训练好的网络中，得出700组目标位置的估计，然后计算这700组目标位置的估计值与目标真实位置的均方根误差(RMSE)。然后再将(15°,4km)的700组测试数据输入训练好的网络中，得出 700组目标位置的估计，计算这700组目标位置的估计值与目标真实位置的均方根误差(RMSE)。在其他条件不变的情况下，改变快拍数，进行2个目标的均方根误差的计算。实验结果如图6和图7所示。

图4和图5是用于估计不同目标位置随SNR(信噪比)变化的FDA-CNN 算法和FDA-BP算法的RMSE(均方根误差)曲线。X轴表示SNR，Y轴表示 RMSE。

图6和图7分别为估计不同目标位置随快拍数变化的FDA-CNN算法和 FDA-BP算法的RMSE曲线。X轴表示快拍数，Y轴表示距离的RMSE。

如图4至图7中可以看出，当使用单个频率增量且FDA-CNN算法和FDA-BP 算法的实验环境和训练数据相同时，两种算法角度和距离的精度都随着信噪比和快拍数的增加而上升。且FDA-CNN算法在角度和距离的估计精度上都比 FDA-BP算法高，这是由于卷积神经网络算法在处理大量样本的问题时，它的结构可以有效的减少网络的参数，减低网络过拟合的可能性，使网络对目标位置的预测更为精确。而BP神经网络在使用相同的数据进行训练时需要对每个样本的输入特征进行人为的手工标定，计算复杂度很大，且容易发生过拟合造成目标位置预测的精度下降。计算机仿真实验表明，本发明方法具有较好的目标定位效果，有效提高了算法的计算能力与精确度，证明了本发明方法的有效性和可靠性。

本发明的一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，通过构造单频接收频率分集阵列为N阵元的均匀线阵，获取所述训练集中的每个所述目标点的协方差矩阵，得到K个所述协方差矩阵，将所述K个协方差矩阵构成K个目标的初始数据集，构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型，将第K个目标的卷积神经网络的预测的目标位置

与第 K个真实目标的位置(θ_k,R_k)比较，并作为所述卷积神经网络模型的目标函数，最终精准获取所述卷积神经网络模型中目标定位。

本申请的基于卷积神经网络的频率分集阵列的雷达目标定位方法在计算中具有局部连接、权值共享、池化层降采样的特点，在很大程度上减少了网络层中的权值和偏置的数量，减低网络的复杂度，提高算法的计算效率。FDA-CNN 降低了庞大样本数据带来的过拟合可能性，能快速实现并行计算，不仅满足了目标定位的精度，而且在FDA雷达定位的实时性上也有很大的提高。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (6)

1.一种基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，包括：

将FDA雷达设置为两个正负频率偏置，并分别发射信号；

构造单频接收频率分集阵列为N阵元的均匀线阵，获取所述FDA雷达采集的K个目标点{(θ₁,R₁),…,(θ_k,R_k),…,(θ_K,R_K)}作为训练集，其中k为K个所述目标点中的任意目标；

获取所述训练集中的每个所述目标点的协方差矩阵，得到K个所述协方差矩阵，将所述K个协方差矩阵构成K个目标的初始数据集；

获取第k个目标对应的所述协方差矩阵，并将第k个目标的所述协方差矩阵在所述训练集中位置对应为(θ_k,R_k)，将第k个目标的所述协方差矩阵进行归一化，获取对应第k个目标的的归一化矩阵；

构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型，获得第K个目标的卷积神经网络的预测的目标位置

将第K个目标的卷积神经网络的预测的目标位置

与第K个真实目标的位置(θ_k,R_k)比较，计算两者的均方误差，并作为所述卷积神经网络模型的目标函数；

对所述目标函数进行迭代，获取所述卷积神经网络模型中目标定位的各项参数。

2.如权利要求1所述的基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，在获取获取对应第k个目标的的归一化矩阵之后，

对K个目标的所述第一数据集和所述训练集进行归一化，获取K个真实的目标位置的数据集。

3.如权利要求1所述的基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，在获取将所述K个协方差矩阵构成K个目标的初始数据集时，对协方差矩阵的实部和虚部进行分离。

4.如权利要求2所述的基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，在对所述目标函数进行迭代具体步骤中，包括

将第k个目标的目标个数循环加1，重复所述训练集中的每个所述目标点的协方差矩阵至获得所述目标函数之间的步骤，直到每个所述目标函数收敛最优时或达到最大迭代次数。

5.如权利要求1～4任一项所述的基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，构建卷积神经网络模型，将所述训练集输入所述卷积神经网络模型的步骤中，所述训练集的数据为所述初始数据集中的随机抽取的百分之七十数据。

6.如权利要求5所述的基于卷积神经网络的频率分集阵列的雷达目标定位方法，其特征在于，在获取所述卷积神经网络模型中目标定位的各项参数后，

将所述初始数据集中剩余的百分之三十数据作为测试集，将所述测试集的数据输入所述卷积神经网络模型后，对目标进行定位。

Images