CN112183205B - 一种分布式雷达高精度角度测量方法及系统 - Google Patents

一种分布式雷达高精度角度测量方法及系统 Download PDF

Info

Publication number
CN112183205B
CN112183205B CN202010874672.0A CN202010874672A CN112183205B CN 112183205 B CN112183205 B CN 112183205B CN 202010874672 A CN202010874672 A CN 202010874672A CN 112183205 B CN112183205 B CN 112183205B
Authority
CN
China
Prior art keywords
signal
group delay
delay phase
neural network
convolutional neural
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.)
Active
Application number
CN202010874672.0A
Other languages
English (en)
Other versions
CN112183205A (zh
Inventor
王峰
吉丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010874672.0A priority Critical patent/CN112183205B/zh
Publication of CN112183205A publication Critical patent/CN112183205A/zh
Application granted granted Critical
Publication of CN112183205B publication Critical patent/CN112183205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种分布式雷达高精度角度测量方法及系统，获取双阵面宽带信号的群延迟相位和频谱图；将群延迟相位和频谱图进行特征联合，提取联合特征图；将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。优点：本发明将角度测量与卷积神经网络相结合，发射信号的入射角度不同，则接收阵列中接收的信号的频谱会产生不同的零点分布，同时群延迟相位也会有不同的斜率大小分布，将谱图零点和群延迟相位特征进行特征联合，采用卷积神经网络深度学习算法对联合特征进行特征提取并进行训练，利用训练好的神经网络即可实现对未知入射角度的识别分类，从而实现角度的无模糊分辨。

Description

一种分布式雷达高精度角度测量方法及系统
技术领域
本发明涉及一种分布式雷达高精度角度测量方法及系统，属于雷达阵列信号处理技术领域。
背景技术
分布式雷达采用分布式发射、接收、布阵等技术，使得雷达的生存能力与性能得到较大提高。分布式雷达采用分布式发射与接收技术，可以有效地避开地方电子侦察与干扰系统，采用分布式布阵更有助于多部雷达阵列或子阵随机组合成威力强大的新型阵列，因此分布式雷达在舰载与机载雷达等领域具有良好地应用前景。分布式阵列布置使得雷达可以在舰载、机载等特殊载体，多个阵面或子阵形成与载体共形的共形阵，但是雷达威力的发挥也涉及到许多问题，较为重要的一个问题便是信号角度测量。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种分布式雷达高精度角度测量方法及系统。
为解决上述技术问题，本发明提供一种分布式雷达高精度角度测量方法，获取双阵面宽带信号的群延迟相位和频谱图；
将群延迟相位和频谱图进行特征联合，提取联合特征图；
将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。
进一步的，所述获取双阵面宽带信号的群延迟相位和频谱的过程包括：
采用双子阵阵列接收宽带调频信号，对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。
进一步的，所述将群延迟相位和频谱进行特征联合的过程包括：
对群延迟相位和频谱图进行图像预处理得到灰度图，对灰度图进行特征联合得到信号的联合特征图。
进一步的，所述卷积神经网络模型的训练过程包括：
采用双子阵阵列分别依次接收入射角度范围从-60°～60°每间隔1°步进的发射信号；
分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
再对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图，同时将两个灰度特征图进行联合得到联合特征图；
将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。
一种分布式雷达高精度角度测量系统，包括：
获取模块，用于获取双阵面宽带信号的群延迟相位和频谱图；
提取模块，用于将群延迟相位和频谱图进行特征联合，提取联合特征图；
处理模块，用于将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。
进一步的，所述获取模块包括：
信号接收模块，用于采用双子阵阵列接收宽带调频信号；
计算模块，用于对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。
进一步的，所述提取模块包括：
预处理模块，用于对群延迟相位和频谱图进行图像预处理得到灰度图；
联合模块，用于对灰度图进行特征联合得到信号的联合特征图。
进一步的，所述处理模块包括模型训练模块，模型训练模块包括：
训练信号获取模块，用于采用双子阵阵列分别依次接收入射角度范围从-60°～60°每间隔1°步进的发射信号；
训练信号计算模块，用于分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
训练信号预处理模块，用于对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图；
训练信号联合模块，用于将两个灰度特征图进行联合得到联合特征图；
确定模块，用于将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。
本发明所达到的有益效果：
本发明将角度测量与卷积神经网络相结合，发射信号的入射角度不同，则接收阵列中接收的信号的频谱会产生不同的零点分布，同时群延迟相位也会有不同的斜率大小分布，因此将谱图零点和群延迟相位特征进行特征联合，采用卷积神经网络深度学习算法对联合特征进行特征提取并进行训练，最后利用训练好的神经网络即可实现对未知入射角度的识别分类，从而实现角度的无模糊分辨。
附图说明
图1是本发明的方法原理框图；
图2是蝙蝠双耳接收宽带干涉仪模型；
图3(a)是theta＝30°的干涉谱示意图；
图3(b)是theta＝30°的群延迟相位图；
图4(a)是theta＝45°的干涉谱示意图；
图4(b)是theta＝45°的群延迟相位图；
图5是基于卷积神经网络的角度识别原理框图；
图6是卷积神经网络设计框图；
图7(a)是卷积神经网络模型的原始输入图；
图7(b)是卷积神经网络模型的卷积层输出图；
图7(c)是卷积神经网络模型的池化层输出图；
图8(a)、8(b)、8(c)是不同入射角度的信号联合特征图；
图9是基于不同特征的角度识别正确率。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本发明提出一种分布式雷达高精度角度测量方法，是针对双阵面宽带信号的卷积神经网络测向方法，该方法将双阵面宽带信号的信号的群延迟相位和频谱进行特征联合，并结合卷积神经网络深度学习算法，从而实现入射角度的高精度测量。本文中设置入射信号为宽带调频信号，采用双子阵阵列接收信号，对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图，再对群延迟相位和频谱图进行图像预处理得到灰度图，同时进行特征联合得到信号的联合特征图，最后采用卷积神经网络算法对联合特征图进行训练、测试，从而得到测向角度。其测向方法原理框图如图1所示。
图1展示了基于卷积神经网络的高精度测向方法，具体实现步骤如下：
(1)采用双子阵阵列分别依次接收入射角度范围从-60°～60°每间隔1°步进的发射信号；
(2)分别对每次接收到的信号进行傅里叶变换和相位差计算，从而得到接收信号的频谱零点图和群延迟相位大小分布图；
(3)再对每个入射角度得到的信号频谱零点图和群延迟相位分别进行图像预处理，从而得到频谱和群延迟相位的灰度特征图，同时将两个特征图进行联合得到联合特征图；
(4)频谱特征和群延迟相位特征联合后，将所有入射角度的信号特征图样本输入到设计好的卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，从而得到训练后的卷积神经网络模型；
(5)完成卷积神经网络训练后，采用双子阵列接收未知入射角度的信号，再对该接收信号依次进行(2)、(3)步骤的操作，得到未知入射角度的信号联合特征图；
(6)最后将未知入射角度的信号特征图输入到训练后的卷积神经网络模型中，进行识别分类，得到该信号的入射角度，从而实现角度的分辨。
至此基于卷积神经网络的高精度测向方法步骤全部完成，以下对双子阵列模型信号特征、卷积神经网络模型设计进行详细阐述。
双子阵列模型信号特征分析：
本发明研究的是多子阵高精度测角技术，主要利用不同子阵的优势和宽带发射信号，同时针对接收回波信号的谱图零点和群延迟相位特征实现角度的精准感知，以下将对宽带发射信号可用特征进行具体分析。图2展示了一种蝙蝠双耳接收宽带干涉仪模型，该阵列模型相当于有两个子阵。
假设两个子阵的间隔为D，连线的法线与目标的夹角为θ，则两个子阵收到的相位差
Figure BDA0002652271810000051
表示为：
Figure BDA0002652271810000052
其中，λ代表来波波长，同时由
Figure BDA0002652271810000053
求导得测角精度为：
Figure BDA0002652271810000054
通过上式可以分析，高频分量波长较短，测向误差小，低频分量波长大，测向误差大。而当发射调频信号时，波长为变量，角度则由一系列不同的波长构成多个测量值。相对于两子阵距离而言，在低频测量精度较低而在高频测量精度较高。若低频信号测角没有模糊，高频信号因为两子阵间隔大于半波长，因而存在测角模糊。而此时，可以基于低频信号实现解模糊处理。
通过上述分析可知，发射宽带调频信号测量角度时可解决测角模糊问题。宽带调频信号模型计算其时延为：
Figure BDA0002652271810000061
式中：τ为时延，ΔR为路程差，c为光速，D为天线间距，θ为入射角度。
假设两个子阵接收信号分别为：
Figure BDA0002652271810000062
Figure BDA0002652271810000063
式中，s(t)为发射信号，xi(t)为每个天线的接收信号，f为频率，τi为不同天线的时延。
若考虑按照相位差模型估计方位，两个信号的相位差可计算如下
Figure BDA0002652271810000064
式中，s(t)为发射信号，xi(t)为每个天线的接收信号，f为频率，τi为不同天线的时延，上标*为共轭符号。
可见当两个回声时差一定，则二者的相位差随着频率的变化而变化，是一种线性相位。群延迟相位虽然可以精确的测定时延，但是当时延超过采样点，则也会发生相位模糊。此时，采用傅里叶谱可以实现干涉零点位置的表征，从而通过零点在谱的位置实现信号角度的测量。
设f是有一系列频率fk,k＝1,2,3,…,N组成，则对接收信号求和
Figure BDA0002652271810000065
式中，s(t)为发射信号，xi(t)为每个天线的接收信号，fi为频率，τi为不同天线的时延，N是信号频率的个数，x(t)是总接收信号。
该信号即为双子阵信号的干涉谱，采用干涉谱可以清晰的观测到方位的变化。由分析可知，不同入射角度信号的谱图零点分布位置不一样，群延迟相位也不一样，图3(a)、图3(b)、4(a)、图4(b)中分别展示了入射角度为30°时得频谱零点图和群延迟相位图。
由上述分析可知，若只选择一种信号特征来测量角度会产生测角模糊问题。因此，本发明将信号的群延迟相位特征和频谱零点特征相结合进行感知从而实现信号入射角度的无模糊分辨。
卷积神经网络结构：
卷积神经网络结构一般由卷积层和池化层交替级联而成，其中卷积层通过与上一层的输入通过卷积核进行卷积运算得到多个特征子图，实现信号的特征提取，而池化层则是通过对卷积层输出的数据进行下采样实现特征降维，本发明中基于卷积神经网络的角度识别分类原理框图如图5所示。
根据上述分析可知，针对双子阵阵列模型，信号的群延迟相位特征虽然可以精确的测定信号时延，但是当信号时延超过采样点，会发生相位模糊，此时可采用傅里叶谱可以实现干涉零点位置的表征，从而通过零点在谱的位置实现信号角度的测量。只选取群延迟相位特征或者频谱零点特征单独进行感知可能会对最后的结果产生测角模糊问题，因此可以通过对两个信号特征进行联合得到联合特征平面，再通过设计的卷积神经网络对不同角度的信号联合特征进行训练、测试从而实现角度分辨测量。
上面给出了基于卷积神经网络的角度识别分类原理框图，本节具体设计了一个二维卷积神经网络。本发明中的卷积神经网络结构只包含一个输出层，一个卷积层，一个池化层，一个全连接层，一个输出层，参数量和计算量更少；同时本发明中卷积层和池化层的卷积核尺寸大小也与传统的网络不一样，传统的网络卷积核尺寸固定在3*3或者5*5，此时特征提取时卷积核是按照一个个方块进行移动的，无法直接具体展现了信号的固有特征，而本发明中的卷积核大小是224*5，特征提取时是直接对特征图一列数据进行平移，此时更能具体表征信号的特征，更有利于识别正确率的提高。
CNN中每一个卷积层的每个输出特征面的大小(即神经元的个数)o满足如下关系：
Figure BDA0002652271810000071
其中，i表示每一个输入特征面的大小，CW为卷积核的大小，CI表示卷积核在其上一层的滑动步长。
每个取样层的每一个输出特征面的大小(神经元个数)D为：
Figure BDA0002652271810000072
其中，取样核的大小为DW。
根据对宽带调频信号的特征计算分析，从而得到信号的干涉谱和群延迟相位特征平面，分别对两个特征图进行尺寸调整，尺寸过小会造成CNN识别率低，降低测角误差，因此本发明中特征图尺寸大小为112*112，再对调整后的特征平面进行图像预处理和特征联合从而得到联合特征图。卷积神经网络设计框图如图6所示，联合特征图作为CNN的输入，原始尺寸大小为224*112，卷积核大小为6@224×5，根据上述公式计算得卷积层得输出为6@1*108。卷积层对输入特征提取完成后，再通过取样层进行二次特征提取，取样层每一个特征面与卷积层每一个特征面一一对应，所以样层的输出为6@1*54。全连接层将前一层全部特征面的每一个像素依次展开排列，大小为324*1，最后进行比较判断得到角度识别分类结果。图7(a)、7(b)、7(c)中分别展示了卷积神经网络中输入层、卷积层、池化层得输出图像。
相应的本发明还提供一种分布式雷达高精度角度测量系统，包括：
获取模块，用于获取双阵面宽带信号的群延迟相位和频谱图；
提取模块，用于将群延迟相位和频谱图进行特征联合，提取联合特征图；
处理模块，用于将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。
进一步的，所述获取模块包括：
信号接收模块，用于采用双子阵阵列接收宽带调频信号；
计算模块，用于对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。
进一步的，所述提取模块包括：
预处理模块，用于对群延迟相位和频谱图进行图像预处理得到灰度图；
联合模块，用于对灰度图进行特征联合得到信号的联合特征图。
进一步的，所述处理模块包括模型训练模块，模型训练模块包括：
训练信号获取模块，用于采用双子阵阵列分别依次接收入射角度范围从-60°～60°每间隔1°步进的发射信号；
训练信号计算模块，用于分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
训练信号预处理模块，用于对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图；
训练信号联合模块，用于将两个灰度特征图进行联合得到联合特征图；
确定模块，用于将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。
实施例
针对信号入射角度的识别，分别构建训练和测试数据，仿真中发射信号使用宽带调频信号，信号采样率为600MHz，线性调频信号带宽为300MHz，时宽为20us，训练集中信号入射角度分别从-60°～60°，每隔1°步进，测试集中随机选取40个角度。仿真中根据上述参数构建发射信号和接收信号，并对接收信号进行处理得到得到谱图零点和群延迟相位特征并进行联合得到联合特征图。图6展示了三个不同角度的联合特征图，由图8(a)(theta＝-60°)、图8(b)(theta＝-30°)、图8(c)(theta＝0°)可知，不同入射角度的联合特征差异明显，因此可采用卷积神经网络来进行识别分类。
表1基于联合特征的卷积神经网络角度测量
Figure BDA0002652271810000091
入射角度范围为-60°～60°的信号的联合特征平面构建完成后组成训练样本，并将数据输入到CNN中进行提取和训练，得到一个训练好的分类网络，最后利用分类网络对测试集中的样本进行识别，从而实现角度测量。具体结果如表1和图9所示，针对谱图零点和群延迟相位联合特征，随着卷积神经网络训练次数的增加，当训练次数大于70次时，此时的角度识别率已实现了大于99％的正确率。同时由图9可知，相比对单个特征进行感知，联合特征对于测角精度更加精确，选择单个特征对于角度的测量误差更大。仿真结果表明：针对分布式多阵面雷达的角度测量精度问题，可采用卷积神经网络模型实现对回波信号的谱图零点和群延迟相位联合特征的精确感知，并可实现角度的精确测量。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种分布式雷达高精度角度测量方法，其特征在于，
获取双阵面宽带信号的群延迟相位和频谱图；
将群延迟相位和频谱图进行特征联合，提取联合特征图；
将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度；
所述卷积神经网络模型的训练过程包括：
采用双子阵阵列分别依次接收入射角度范围从-60°~60°每间隔1°步进的发射信号；
分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
再对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图，同时将两个灰度特征图进行联合得到联合特征图；
将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。
2.根据权利要求1所述的分布式雷达高精度角度测量方法，其特征在于，所述获取双阵面宽带信号的群延迟相位和频谱的过程包括：
采用双子阵阵列接收宽带调频信号，对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。
3.根据权利要求1所述的分布式雷达高精度角度测量方法，其特征在于，所述将群延迟相位和频谱进行特征联合的过程包括：
对群延迟相位和频谱图进行图像预处理得到灰度图，对灰度图进行特征联合得到信号的联合特征图。
4.一种分布式雷达高精度角度测量系统，其特征在于，包括：
获取模块，用于获取双阵面宽带信号的群延迟相位和频谱图；
提取模块，用于将群延迟相位和频谱图进行特征联合，提取联合特征图；
处理模块，用于将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度；
所述处理模块包括模型训练模块，模型训练模块包括：
训练信号获取模块，用于采用双子阵阵列分别依次接收入射角度范围从-60°~60°每间隔1°步进的发射信号；
训练信号计算模块，用于分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
训练信号预处理模块，用于对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图；
训练信号联合模块，用于将两个灰度特征图进行联合得到联合特征图；
确定模块，用于将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。
5.根据权利要求4所述的分布式雷达高精度角度测量系统，其特征在于，所述获取模块包括：
信号接收模块，用于采用双子阵阵列接收宽带调频信号；
计算模块，用于对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。
6.根据权利要求4所述的分布式雷达高精度角度测量系统，其特征在于，所述提取模块包括：
预处理模块，用于对群延迟相位和频谱图进行图像预处理得到灰度图；
联合模块，用于对灰度图进行特征联合得到信号的联合特征图。
CN202010874672.0A 2020-08-27 2020-08-27 一种分布式雷达高精度角度测量方法及系统 Active CN112183205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010874672.0A CN112183205B (zh) 2020-08-27 2020-08-27 一种分布式雷达高精度角度测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010874672.0A CN112183205B (zh) 2020-08-27 2020-08-27 一种分布式雷达高精度角度测量方法及系统

Publications (2)

Publication Number Publication Date
CN112183205A CN112183205A (zh) 2021-01-05
CN112183205B true CN112183205B (zh) 2022-08-26

Family

ID=73924465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010874672.0A Active CN112183205B (zh) 2020-08-27 2020-08-27 一种分布式雷达高精度角度测量方法及系统

Country Status (1)

Country Link
CN (1) CN112183205B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175560A (zh) * 2019-05-24 2019-08-27 哈尔滨工程大学 一种雷达信号脉内调制识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11205443B2 (en) * 2018-07-27 2021-12-21 Microsoft Technology Licensing, Llc Systems, methods, and computer-readable media for improved audio feature discovery using a neural network

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175560A (zh) * 2019-05-24 2019-08-27 哈尔滨工程大学 一种雷达信号脉内调制识别方法

Also Published As

Publication number Publication date
CN112183205A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN107683423B (zh) 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术
CN109188344B (zh) 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法
CN104898119B (zh) 一种基于相关函数的动目标参数估计方法
CN111352107B (zh) 基于多通道数字和差的单脉冲跟踪与成像方法
CN108089146B (zh) 一种对预估角误差鲁棒的高分辨宽带波达方向估计方法
Chen et al. LFM signal detection and estimation based on deep convolutional neural network
Gardill et al. A multi-layer perceptron applied to number of target indication for direction-of-arrival estimation in automotive radar sensors
CN108107427A (zh) 基于超分辨技术的机载/弹载阵列雷达前视成像方法
CN113671485B (zh) 基于admm的米波面阵雷达二维doa估计方法
Yao et al. Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis
CN112183205B (zh) 一种分布式雷达高精度角度测量方法及系统
CN109613474B (zh) 一种适用于短距离车载雷达的测角补偿方法
FR3104733A1 (fr) Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes
CN116184343A (zh) 基于相控阵雷达的三维空间蜂群目标检测及信息估计方法
CN115754969A (zh) 基于宽窄带结合和差单脉冲的识别雷达方法及系统
CN113341371B (zh) 一种基于l阵和二维esprit算法的doa估计方法
Fan et al. A meta-learning-based approach for hand gesture recognition using FMCW radar
CN114325700A (zh) 一种星载多通道sar动目标成像方法
CN110412535B (zh) 一种序贯的空时自适应处理参数估计方法
Yang et al. A detection and information extraction approach for uav swarm
CN111239682A (zh) 一种电磁发射源定位系统及方法
CN114609604B (zh) 无人机集群目标检测及目标轮廓、集群规模估计方法
CN111929674B (zh) 一种基于神经网络的智能比幅测角方法、存储介质及设备
TWI677696B (zh) 一種雷達估測目標方位之方法
Yang et al. A Multi-Channel Radar Forward-Looking Imaging Algorithm Based on Super-Resolution Technique

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