CN113030847B - 一种用于双通道测向系统的深度学习数据集生成方法 - Google Patents

一种用于双通道测向系统的深度学习数据集生成方法 Download PDF

Info

Publication number
CN113030847B
CN113030847B CN202110395274.5A CN202110395274A CN113030847B CN 113030847 B CN113030847 B CN 113030847B CN 202110395274 A CN202110395274 A CN 202110395274A CN 113030847 B CN113030847 B CN 113030847B
Authority
CN
China
Prior art keywords
correction
data
array
channel
sample
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
CN202110395274.5A
Other languages
English (en)
Other versions
CN113030847A (zh
Inventor
司成可
唐文波
韩怡
陈林
郭贺松
徐亚军
丁学科
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.)
Tong Fang Electronic Science & Technology Co ltd
Civil Aviation Flight University of China
Original Assignee
Tong Fang Electronic Science & Technology Co ltd
Civil Aviation Flight University of China
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 Tong Fang Electronic Science & Technology Co ltd, Civil Aviation Flight University of China filed Critical Tong Fang Electronic Science & Technology Co ltd
Priority to CN202110395274.5A priority Critical patent/CN113030847B/zh
Publication of CN113030847A publication Critical patent/CN113030847A/zh
Application granted granted Critical
Publication of CN113030847B publication Critical patent/CN113030847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S3/02—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 using radio waves
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
    • 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
    • G01S3/02—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 using radio waves
    • G01S3/023—Monitoring or calibrating
    • G01S3/026—Simulating means therefor
    • 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
    • G01S3/02—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 using radio waves
    • G01S3/04—Details
    • G01S3/043—Receivers
    • 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
    • G01S3/02—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 using radio waves
    • G01S3/04—Details
    • G01S3/10—Means for reducing or compensating for quadrantal, site, or like errors
    • 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
    • G01S3/02—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 using radio waves
    • G01S3/04—Details
    • G01S3/12—Means for determining sense of direction, e.g. by combining signals from directional antenna or goniometer search coil with those from non-directional antenna
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，其实现包括以下步骤：S1：对部署的测角系统预先标定出待采集数据样本所对应的位置，并用水准仪标注校正源所在各标定位置相对接收阵列的角度；S2:在预先标定位置逐一发射校正信号，利用双通道测角系统接收校正源信号在各标定位置处的数据；S3：对采集的实测数据进行数据处理，构造出各校正源角度位置处的数据样本；S4：在实测数据样本基础上，利用实际双通道阵列流型，借助数值仿真手段模拟通道误差场景、不同信噪比场景下的数据样本，生成数据集。

Description

一种用于双通道测向系统的深度学习数据集生成方法
技术领域
本发明涉及航空无线电智能测角技术领域，具体涉及一种专门用于双通道测角系统的深度学习数据集生成方法。
背景技术
无线电测角技术主要用于测定无线电信号源的所在方位，是开展航空无线电导航、无线电干扰源排查等业务的重要技术手段。由于当前绝大多数的双通道测角系统选取了相关干涉仪测角技术，该测角技术通过利用不同角度上采集的标校信号构建角度指纹。所构造的角度指纹不仅包含了不同角度信号达到的固有相位差特征，还包括了天线方向图误差、接收机通道误差、阵元安装位置误差、以及射频连接线缆的长短误差等所有系统误差因素，因此，双通道测角技术解决方案除了具备测角精度高的特点外，还具有测角系统成本低、系统复杂度低、测角系统便于小型化设计、以及具有便携式外场部署等技术优势，因此，双通道测角系统已在机场终端区无线电干扰信号排查、频谱监测等领域广泛应用。当前市面上推出的双通道测角系统，大多借鉴了RS公司最先推出的双通道相关干涉仪测角技术方案，各种同类型双通道测角系统均是在此基础上研制开发的。然而，随着无线电用频数量逐步增多，用频波形灵活多样，实际测角环境比以往任何时候都更加复杂，采用传统的双通道测角解决方案已越来越难适应新的无线电用频环境。
近年来，以深度学习为基础的智能测角技术为复杂电磁环境下的测角任务提供了新的技术途径。通过利用深度神经网络强大的非线性学习能力，直接从训练数据集中学习到阵列输出和信号角度之间的非线性映射规律，较之于现有的双通道测角系统更好地提升了对复杂环境的适应能力。为此，有关学者利用深度神经网络如何实现无线电信号智能测角开展了大量研究工作，已开发出多种智能测角神经网络模型。具体上讲，2015年，新加坡南阳理工大学Xiong Xiao等人利用测角阵列通道接收信号间的广义互相关结果作为角度特征，然后通过浅层神经网络估计信号角度，获得了比传统测角方法更高的测角精度(X.Xiao,S.Zhao,X.Zhong,D.L.Jones,E.S.Chng,and H.Li,“A learning-based approachto direction of arrival estimation in noisy and reverberant environments,”inProc.IEEE Intl.Conf.on Acoustics,Speech and Signal Processing(ICASSP),April2015,pp.2814–2818.)；2016年，日本科学工业研究所Takeda等人通过对阵列协方差矩阵特征分解后的噪声子空间特征向量作为训练样本，采用多隐层深度神经网络进行无线电信号测角，进一步对之前Xiong Xiao等人的工作进行了技术改进(R.Takeda and K.Komatani,“Sound source localization based on deep neural networks with directionalactivate function exploiting phase information,”in Proc.IEEE Intl.Conf.onAcoustics,Speech and Signal Processing(ICASSP),March 2016,pp.405–409.)；2018年，新加坡国立大学Abeywickram等人利用自编码器神经网络实现了单通道条件下的小型无人机目标测角，进一步降低了测角系统通道间的相位同步和天线方向图保形要求(Abeywickrama S,Jayasinghe L,Fu H,et al.RF-based direction finding of UAVsusing DNN[C]//IEEE International Conference on Communication Systems(ICCS)2018.IEEE,2018.)；2018年，国防科技大学刘璋蒙等人也提出了提出一种利用自编码器和全连接网络相结合的深度测角神经网络模型，进一步提高了对阵列误差场景和未知测角场景的泛化能力(Z.Liu,C.Zhang,and P.S.Yu,“Direction-of-arrival estimation basedon deep neural networks with robustness to array imperfections,”IEEETransactions on Antennas and Propagation,2018,vol.66,no.12,pp.7315–7327.)；此外，国防科技大学吴刘丽等人在深度卷积神经网络基础上也提出了一种有效的深度测角神经网络模型(L.Wu,Z.Liu and Z.Huang,"Deep Convolution Network for Direction ofArrival Estimation With Sparse Prior,"in IEEE Signal Processing Letters,vol.26,no.11,pp.1688-1692,Nov.2019.)。然而，利用各种测角神经网络尽管可提升测角系统对复杂环境的自适应能力，但均需事先收集足够丰富的数据样本训练网络模型。如何生成数据样本质量高、数据分布一致性好、数据样本特征尽可能丰富多样的数据集，是实现智能测角神经网络能否用于复杂电磁环境下进行测角的关键所在。在实际测角场合中，很难事先获得大量丰富的实测数据样本，如果单纯地通过纯数值仿真模型生成数据集，尤其在训练样本和测试样本的数据分布特征存在较大差异时，必然存在仿真假设模型与实际复杂测角环境模型不一致的情况，这直接限制了智能测角网络的泛化能力和测角性能。
发明内容
本发明的目的在于针对当前双通道测角系统采取神经网络进行测角时会面临实测数据集不足的工程问题，在利用有限的实测数据集基础上，通过基于实测数据的数值仿真生成大量样本数据集，提出一种专门用于双通道智能测角系统中的数据集生成方法，尤其适用于未装电子罗盘的双通道测角系统(或双通道测角系统中的电子罗盘出现故障)的应用场合。
为了实现上述目的，本发明采取以下技术方案：
一种用于双通道测向系统的深度学习数据集生成方法，其实现包括以下步骤：
对部署的测角系统预先标定出待采集数据样本所对应的位置，并用水准仪标注校正源所在各标定位置相对接收阵列的角度；
在预先标定位置逐一发射校正信号，利用双通道测角系统接收校正源信号在各标定位置处的数据；
对采集各实测数据进行数据处理，构造出各校正源角度位置处的数据样本；
在实测数据样本基础上，利用实际双通道阵列流型，借助数值仿真手段模拟通道误差场景、不同信噪比场景下的数据样本。
具体的说，包括以下过程：
一种用于无需配备电子罗盘的双通道智能测角神经网络的数据集生成方法，具体实施流程包括以下步骤：
A.初始化系统参数设置；
A1.根据任务需求设置系统工作参数，具体包括系统的数据样本采集起始角度(记为θstart，单位为度)和终止角度(记为：θstop，单位为度)；校正信号发射的角度间隔(记为Δθ，单位为度)；系统工作的起始频率(记为：fstart，单位为MHz)和终止频率(记为：fstop，单位为MHz)；校正频率间隔(记为：Δf，单位为MHz)；校正信号发射的最大功率值(记为：Pmax，单位为dBm)和最小功率值(记为Pmin，单位为dBm)；校正信号功率变化步进(记为：Δp，单位为dB)。初始化双通道测角系统天线阵元数(记为M)，阵列孔径尺寸(记为D，单位为m)；初始化校正源与阵列天线距离(记为R，单位为m，校正源与阵列天线距离满足视距传播条件(R≥2D2/(c/fstop))，c＝3×108m/s)；校正源预停留位置原始数据采集时间(记为T,单位为s，推荐范围为10～20s)；数据预处理分割长度间隔(记为N)；通道原始数据读取次数(记为L)；实测数据噪声与信号判定门限值等级(记为Thd，单位为dB，推荐值为{0.707,0.1,0.01})；初始化设置每种角度标签场景下采用蒙特-卡罗方法随机模拟生成样本个数(记为K)；阵元通道幅度抖动误差(记为I，单位为dB，推荐值范围为0.1～0.5dB)；阵元通道相位抖动误差(记为H，单位为rad，推荐范围为2～4rad)；阵元通道幅度抖动误差范围(记为Ma，单位为dB，推荐设置范围为[-I,I])；阵元通道幅度误差范围(记为E，单位为dB，推荐设置为E＝10I/20-10-I/20)、理论阵列流程重构样本库建库角度间隔(记为V，推荐范围为1～4)。
A2.生成校正信号频点集合(记为∏)；
以步骤A1中的起始频率fstart和终止频率fstop以及校正频率间隔Δf，按照关系式fm＝fmin+m·Δf(m取为0，1，2，…，
Figure BDA0003018371070000041
fstart≤fmin≤fm≤fstop)，
Figure BDA0003018371070000042
表示下取整操作，不妨记为
Figure BDA0003018371070000043
按照上述方式依次生成校正信号频点集合∏＝{f0,f1,...,fN}。
A3.生成校正信号功率集合(记为X)；
以步骤A1中的校正信号发射的最大功率值Pmax和最小功率值Pmin以及校正信号功率变化步进间隔Δp，按照关系式Pm＝Pn+n·Δp,(n取值为0，1，2，…，
Figure BDA0003018371070000044
Pmin≤Pn≤Pm≤Pmax)，
Figure BDA0003018371070000045
表示下取整操作，不妨记为
Figure BDA0003018371070000046
按照上述方式依次生成校正信号频点集合X＝{P0,P1,…,PM}。
A4.生成校正信号角度集合(记为Θ)；
以步骤A1中系统的数据样本采集起始角度θstart和终止角度θstop以及样本采集角度间隔Δθ，按照关系式θm＝θt+t·Δθ,(t取值为0，1，2，…，
Figure BDA0003018371070000047
θstart≤θt≤θm≤θstop)，
Figure BDA0003018371070000048
表示下取整操作，不妨记为
Figure BDA0003018371070000049
按照上述方式依次生成样本采集角度集合Θ＝{θ0,θ1,…,θT}。
A5.生成校正源位置集合(记为Γ)；
A51.采集系统原点和相对零度参考方向确定。
将测角天线阵列放置于训练样本待采集区域中心处并保持目视水平状态(该区域尽量空旷，最大视场角度范围依据样本采集角度集合Θ＝{θ0,θ1,…,θT}确定，测角阵列的最大视场范围为[θ0,θT))。将水准仪置于天线阵列下方中心处，粗调三脚架使水准仪处于目视水平状态，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。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(横坐标＝0，纵坐标＝0)(单位：米)。将水准仪所指向校正源第一个角度方向θ0作为纵轴参考方向(相对零度参考方向)、将与纵轴垂直并以顺时针方向作为横轴，以此构建直角坐标系，本地直角坐标系中的任意位置用坐标(x,y)表示。
A52.生成校正源位置集合。
打开双通道测角系统，设置中心频率为校正源发射频点，其它系统参数为默认状态。移动校正源直到测角系统显示该位置方位为θ0。固定校正源，将与水准仪配套标尺放置于校正源中心位置。通过仪器瞄准器旋转水平循环微动手轮，使圆水准泡位于标尺中心位置旋转仪器角度盘，使角度盘刻度值与当前测角系统显示方位值完全重合(示为θ0)作为第一个标定停留位置(x1,y1)，角度标签为θ0。该位置为所有校正源建库频点集合∏、功率集合X的初始位置并对该位置进行标记。接下来，依据样本采集角度集合Θ＝{θ0,θ2 …,θT}依次选定校正源预停留位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)并对每个位置进行标记。
B.校正源信号样本数据采集；
B1.首个校正功率条件下(P0)首个校正频点(f0)的实测数据采集；
B11.首个校正功率条件下该频点的第1个位置数据采集。打开双通道测角系统数据采集功能，双通道接收机系统同步采集停留该位置时的校正源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)。设置采集时间T，将天线阵列第一个阵元接收的通道数据(记为Ch1＝DataI_x1+j*DataQ_y1)，按照该方式完成天线阵列M个阵元接收的数据集标记。(数据集的形式记为：Ch1＝DataI_x1+j*DataQ_y1,Ch2＝DataI_x1+j*DataQ_y1,…,ChM＝DataI_x1+j*DataQ_y1)将实测样本数据集放入对应的文件夹中(文件名记为Train1＝{f0_P0_θ0})。
B12.首个校正功率条件下该频点的所有位置数据采集。依次移动校正源停留至位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)，重复执行步骤B11处理流程，依次获得所有位置数据集合(记为Φ,Φ＝{Train1,Train2,...,TrainT+1})，完成首个校正功率条件下该频点的所有位置数据采集过程并将其放入文件夹(记为f0_P0)中。
B2.首个校正功率条件下(P0)所有校正频点集合Π＝{f0,f1,…,fN}的实测数据采集；
依次按照校正频点集合Π设置校正源发射频率，重复步骤B1处理流程，依次获得所有校正频点数据集合(记为Η,Η＝{f0_P0,f1_P0,...,fN_P0}),完成首个校正功率条件下(P0)所有校正频点集合∏＝{f0,f1,…,fN}的实测数据采集过程。
B3.所有校正功率条件下X＝{P0,P1,…,PM}所有校正频点∏＝{f0,f1,…,fN}的实测数据采集；
依次按照校正频点集合∏，校正功率集合X设置校正源，重复步骤B1～B2处理流程，依次获得所有校正频点以及校正功率数据集合(记为Ω,Ω＝{f0_P0,f1_P0,...,fN_P0,f0_P1,
f1_P1,...,fN_P1,...,f0_PM,f1_PM,...,fN_PM}),完成所有校正功率条件下所有校正频点的实测数据采集过程。
C.首个校正功率条件下(P0)首个校正频点(f0)的原始实测IQ数据处理；
C1：各通道数据读取；
对第一个实测样本数据集Train1＝{f0_P0_θ0}进行文件读取，提取第一个位置(x1,y1)角度标签θ0的值以行向量形式将其放入重构样本矩阵(记为S)中。从接收机输出的基带数据流中一次性读取交替放置间隔长度为N的基带I、Q数据，并且以“In+j*Qn”的形式构成复数数据向量，其中n＝1,2,...N/2。依照该流程，根据步骤A1中所设置每个通道基带I、Q数据读取次数L，即每个通道读取的复数数据向量总长度为L×N/2。重复对M个阵元接收的数据进行读取，获得矩阵维度为M×(L×N/2)的复数数据矩阵(记为R)。
C2：时域信噪比(SNR)等级标签构建；
C21：峰值提取。对获得的复数数据矩阵R中第一个位置长为N/2的复数数据向量进行傅里叶变换后，对每个数据样本进行求模处理(即，对每个信号样本的实部和虚部进行平方和再开方求得模值)，并将处理结果进行零频点移到频谱中间处理，提取零频点位置对应的峰值(最大值)。
C22：设定频域信号与噪声判定条件。将求模处理结果分别与最大值做比值处理,比值结果分别与门限值等级Thd进行比较，进行不同等级频域信号与噪声判定。若比值结果小于推荐值等级则判定为噪声否则视为信号，最终得到不同判定等级下的信号与噪声。
C23：时域信噪比等级标签构建。对判定为不同等级下的信号和噪声样本点分别进行平方和处理之后在进行比值，最后将比值结果取10倍以10为底的对数来获得不同等级下时域信噪比标签。
C24：信噪比标签样本矩阵构建。对获得不同等级下的时域信噪比标签值依次进行读取，将标签值结果按照判定等级排序重构成行向量，在重构样本矩阵S中拼接到对应角度标签位置。完成第一个位置(x1,y1)下原始实测I、Q数据重构处理后的时域信噪比(SNR)等级标签构建。
C3.校正数据样本生成；
对步骤C21求模处理的结果进行降序排列，取第一个位置结果(最大值)代替对应的复数数据向量，得到处理重构后大小为M×L的数据矩阵(记为Y)，完成第一个位置(x1,y1)下校正数据样本生成过程。
C4.原始实测I、Q数据处理；
重复步骤C1～C3依次完成所有位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)下时域信噪比(SNR)等级标签构建以及校正数据样本生成过程。
D.理论阵列流形模型构建；
D1.理想阵列流形模型构建；
D11：阵列天线给定方向求取。双通道测角系统阵列天线为全向天线(360°)，阵元数为M，进行比值处理后以0°方向作为第一个阵列方向基准，依次与比值结果相加完成M阵元给定方向求取{θ1,θ2,...θM}。
D12：阵列天线给定位置求取。双通道测角系统阵列天线为全向天线(360°)，阵元数为M，阵列半径孔径为R，以第一个阵列位置参考为基准对应的位置坐标分别为{(R sinθ1,Rcosθ1),(R sinθ2,R cosθ2),…,(R sinθM,R cosθM)}将位置结果分别取出以行向量的形式放入到矩阵中获得维度为M×2的位置矩阵(记为I)。
D13：阵元间复数电压样本库构建。设定建库间隔值V，以0°为角度建库基准，按照建库间隔值完成整个测角范围的建库，并将建库结果{0°,0+V,…,359°}依次放入维度为1×360/V的角度矩阵(记为X)中。依次取出X中每个位置对应的值分别做负余弦以及负正弦处理，将处理结果以列向量的形式放入到维度为2×360/V的复数电压矩阵(记为Q)中。
D14：阵列流形模型构建。依据目标校正源设定频率f0与光速c比值倒数得到对应波长λ。将λ依次与维度为M×2的位置矩阵I，维度为2×360/V的复数电压矩阵Q进行矩阵乘积运算，将运算结果与1/2π进行比值。最后将比值结果放入欧拉公式进行计算得到维度为(M×360/V)的阵列流形模型矩阵(记为E)。
D2.阵列幅-相误差下模型构建；
D21:阵列流形模型矩阵通道幅度误差构建。随机生成维度为M×1且元素值在(0,1)之间的数据矩阵(记为U)并将U中每个元素对应的值减去0.5得到矩阵(记为A)，按照阵列流形模型矩阵幅度误差矩阵(记为M，M＝A×2×E/0.574)处理流程完成阵列流形模型矩阵通道幅度误差构建。
D22:阵列流形模型矩阵通道相位误差构建。随机生成维度为M×1且元素值为正态分布随机数矩阵(记为B)，按照阵列流形模型矩阵相位误差矩阵(记为P，P＝B×H)处理流程完成阵列流形模型矩阵通道相位误差构建。
D23:阵列流形模型矩阵重构。对通道幅度误差矩阵M中对应的每个元素加1并生成M×M维对角矩阵(记为O)，与相位误差矩阵P进行欧拉公式处理结果相乘后再与维度为(M×360/V)的阵列流形模型矩阵E进行乘积运算，然后进行伪逆处理得到维度为(360/V×M)的阵列流形模型重构矩阵(记为T)。依据步骤A1中每种角度标签场景下采用蒙特-卡罗方法随机模拟生成样本个数K，重复步骤D2得到K个维度为360/V×M的不同阵列流形模型重构矩阵T。
E.半数值仿真样本生成；
E1：样本特征提取。将获得的阵列流形模型重构矩阵T分别与重构后大小为M×L的数据矩阵Y进行相乘计算获得K个维度为360/V×L的特征样本矩阵(记为W)。
E2：特征样本归一化处理。对特征样本矩阵W中每个位置对应的元素求模处理后分别与其中最大值做比值处理。
E3：半数值仿真样本生成。将比值处理后的特征样本矩阵W中每一行向量做均值化处理，获得K个维度为360/V×1的特征样本矩阵(记为Z)。之后进行复数相角求取，完成特征样本矩阵压缩重构。将带有角度标签和信噪比等级标签的重构样本矩阵S依据步骤A1中样本个数设置重复K次，将重构后的特征样本矩阵Z以行向量的形式依次拼接到对应信噪比标签位置获得K个多样化样本，完成首个校正功率条件下(P0)首个校正频点(f0)第一个位置(x1,y1)的半数值仿真样本生成过程。
F.批量数据样本生成；
F1：重复步骤C1～E3完成首个校正功率条件下(P0)首个校正频点(f0)的实测数据集f0_P0文件下所有位置Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)的半数值仿真样本生成过程。
F2：重复步骤C1～F1完成校正源所有校正功率条件下X＝{P0,P1,…,PM}所有校正频点∏＝{f0,f1,…,fN}的实测数据集Ω半数值仿真样本生成过程，生成批量数据样本。
本发明针对当前双通道测角系统如果采取神经网络进行测角时面临实测数据集不足的问题提供一种深度学习数据集生成的完整解决方案，提高了训练样本构造的灵活性和可实现性，解决了用于深度神经网络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是双通道测角系统实测数据采集总体框图；
图2实测数据处理总体框图；
图3是基于双通道测角系统实测数据集的多样化样本集构造流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
一种用于双通道测向系统的深度学习数据集生成方法，其实现包括以下过程：
A1.根据任务需求设置系统工作参数，具体包括系统的数据样本采集起始角度(记为θstart，单位为度)和终止角度(记为：θstop，单位为度)；校正信号发射的角度间隔(记为Δθ，单位为度)；系统工作的起始频率(记为：fstart，单位为MHz)和终止频率(记为：fstop，单位为MHz)；校正频率间隔(记为：Δf，单位为MHz)；校正信号发射的最大功率值(记为：Pmax，单位为dBm)和最小功率值(记为Pmin，单位为dBm)；校正信号功率变化步进(记为：Δp，单位为dB)。初始化双通道测角系统天线阵元数(记为M)，阵列孔径尺寸(记为D，单位为m)；初始化校正源与阵列天线距离(记为R，单位为m，校正源与阵列天线距离满足视距传播条件(R≥2D2/(c/fstop))，c＝3×108m/s)；校正源预停留位置原始数据采集时间(记为T,单位为s，推荐范围为10～20s)；数据预处理分割长度间隔(记为N)；通道原始数据读取次数(记为L)；实测数据噪声与信号判定门限值等级(记为Thd，单位为dB，推荐值为{0.707,0.1,0.01})；初始化设置每种角度标签场景下采用蒙特-卡罗方法随机模拟生成样本个数(记为K)；阵元通道幅度抖动误差(记为I，单位为dB，推荐值范围为0.1～0.5dB)；阵元通道相位抖动误差(记为H，单位为rad，推荐范围为2～4rad)；阵元通道幅度抖动误差范围(记为Ma，单位为dB，推荐设置范围为[-I,I])；阵元通道幅度误差范围(记为E，单位为dB，推荐设置为E＝10I/20-10-I/20)、理论阵列流程重构样本库建库角度间隔(记为V，推荐范围为1～4)。
A2.生成校正信号频点集合(记为Π)；
以步骤A1中的起始频率fstart和终止频率fstop以及校正频率间隔Δf，按照关系式fm＝fmin+m·Δf,(m取值为0，1，2，…，
Figure BDA0003018371070000101
)，·表示下取整操作，不妨记为
Figure BDA0003018371070000102
按照上述方式依次生成校正信号频点集合∏＝{f0,f1,…,fN}。
A3.生成校正信号功率集合(记为X)；
以步骤A1中的校正信号发射的最大功率值Pmax和最小功率值Pmin以及校正信号功率变化步进间隔Δp，按照关系式Pm＝Pn+n·Δp,(n取值为0，1，2，…，
Figure BDA0003018371070000103
)，·表示下取整操作，不妨记为
Figure BDA0003018371070000104
按照上述方式依次生成校正信号频点集合X＝{P0,P1,…,PM}。
A4.生成校正信号角度集合(记为Θ)；
以步骤A1中系统的数据样本采集起始角度θstart和终止角度θstop以及样本采集角度间隔Δθ，按照关系式θm＝θt+t·Δθ,(t取值为0，1，2，…，
Figure BDA0003018371070000105
)，·表示下取整操作，不妨记为
Figure BDA0003018371070000111
按照上述方式依次生成样本采集角度集合Θ＝{θ0,θ1,…,θT}。
A5.生成校正源位置集合(记为Γ)；
A51.采集系统原点和相对零度参考方向确定。
将测角天线阵列放置于训练样本待采集区域中心处并保持目视水平状态(该区域尽量空旷，最大视场角度范围依据样本采集角度集合Θ＝{θ0,θ1,…,θT}确定，测角阵列的最大视场范围为[θ0,θT))。将水准仪置于天线阵列下方中心处，粗调三脚架使水准仪处于目视水平状态，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。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(横坐标＝0，纵坐标＝0)(单位：米)。将水准仪所指向校正源第一个角度方向θ0作为纵轴参考方向(相对零度参考方向)、将与纵轴垂直并以顺时针方向作为横轴，以此构建直角坐标系，本地直角坐标系中的任意位置用坐标(x,y)表示。
A52.生成校正源位置集合。
打开双通道测角系统，设置中心频率为校正源发射频点，其它系统参数为默认状态。移动校正源直到测角系统显示该位置方位为θ0。固定校正源，将与水准仪配套标尺放置于校正源中心位置。通过仪器瞄准器旋转水平循环微动手轮，使圆水准泡位于标尺中心位置旋转仪器角度盘，使角度盘刻度值与当前测角系统显示方位值完全重合(示为θ0)作为第一个标定停留位置(x1,y1)，角度标签为θ0。该位置为所有校正源建库频点集合∏、功率集合X的初始位置并对该位置进行标记。接下来，依据样本采集角度集合Θ＝{θ0,θ2 …,θT}依次选定校正源预停留位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)并对每个位置进行标记。
B.校正源信号样本数据采集；
B1.首个校正功率条件下(P0)首个校正频点(f0)的实测数据采集；
B11.首个校正功率条件下该频点的第1个位置数据采集。打开双通道测角系统数据采集功能，双通道接收机系统同步采集停留该位置时的校正源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)。设置采集时间T，将天线阵列第一个阵元接收的通道数据(记为Ch1＝DataI_x1+j*DataQ_y1)，按照该方式完成天线阵列M个阵元接收的数据集标记。(数据集的形式记为：Ch1＝DataI_x1+j*DataQ_y1,Ch2＝DataI_x1+j*DataQ_y1,…,ChM＝DataI_x1+j*DataQ_y1)将实测样本数据集放入对应的文件夹中(文件名记为Train1＝{f0_P0_θ0})。
B12.首个校正功率条件下该频点的所有位置数据采集。依次移动校正源停留至位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)，重复执行步骤B11处理流程，依次获得所有位置数据集合(记为Φ,Φ＝{Train1,Train2,...,TrainT+1})，完成首个校正功率条件下该频点的所有位置数据采集过程并将其放入文件夹(记为f0_P0)中。
B2.首个校正功率条件下(P0)所有校正频点集合∏＝{f0,f1,…,fN}的实测数据采集；
依次按照校正频点集合∏设置校正源发射频率，重复步骤B1处理流程，依次获得所有校正频点数据集合(记为Η,Η＝{f0_P0,f1_P0,...,fN_P0}),完成首个校正功率条件下(P0)所有校正频点集合∏＝{f0,f1,…,fN}的实测数据采集过程。
B3.所有校正功率条件下X＝{P0,P1,…,PM}所有校正频点∏＝{f0,f1,…,fN}的实测数据采集；
依次按照校正频点集合Π，校正功率集合X设置校正源，重复步骤B1～B2处理流程，依次获得所有校正频点以及校正功率数据集合(记为Ω,Ω＝{f0_P0,f1_P0,...,fN_P0,f0_P1,
f1_P1,...,fN_P1,...,f0_PM,f1_PM,...,fN_PM}),完成所有校正功率条件下所有校正频点的实测数据采集过程。
C.首个校正功率条件下(P0)首个校正频点(f0)的原始实测IQ数据处理；
C1：各通道数据读取；
对第一个实测样本数据集Train1＝{f0_P0_θ0}进行文件读取，提取第一个位置(x1,y1)角度标签θ0的值以行向量形式将其放入重构样本矩阵(记为S)中。从接收机输出的基带数据流中一次性读取交替放置间隔长度为N的基带I、Q数据，并且以“In+j*Qn”的形式构成复数数据向量，其中n＝1,2,...N/2。依照该流程，根据步骤A1中所设置每个通道基带I、Q数据读取次数L，即每个通道读取的复数数据向量总长度为L×N/2。重复对M个阵元接收的数据进行读取，获得矩阵维度为M×(L×N/2)的复数数据矩阵(记为R)。
C2：时域信噪比(SNR)等级标签构建；
C21：峰值提取。对获得的复数数据矩阵R中第一个位置长为N/2的复数数据向量进行傅里叶变换后，对每个数据样本进行求模处理(即，对每个信号样本的实部和虚部进行平方和再开方求得模值)，并将处理结果进行零频点移到频谱中间处理，提取零频点位置对应的峰值(最大值)。
C22：设定频域信号与噪声判定条件。将求模处理结果分别与最大值做比值处理,比值结果分别与门限值等级Thd进行比较，进行不同等级频域信号与噪声判定。若比值结果小于推荐值等级则判定为噪声否则视为信号，最终得到不同判定等级下的信号与噪声。
C23：时域信噪比等级标签构建。对判定为不同等级下的信号和噪声样本点分别进行平方和处理之后在进行比值，最后将比值结果取10倍以10为底的对数来获得不同等级下时域信噪比标签。
C24：信噪比标签样本矩阵构建。对获得不同等级下的时域信噪比标签值依次进行读取，将标签值结果按照判定等级排序重构成行向量，在重构样本矩阵S中拼接到对应角度标签位置。完成第一个位置(x1,y1)下原始实测I、Q数据重构处理后的时域信噪比(SNR)等级标签构建。
C3.校正数据样本生成；
对步骤C21求模处理的结果进行降序排列，取第一个位置结果(最大值)代替对应的复数数据向量，得到处理重构后大小为M×L的数据矩阵(记为Y)，完成第一个位置(x1,y1)下校正数据样本生成过程。
C4.原始实测I、Q数据处理；
重复步骤C1～C3依次完成所有位置集合Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)下时域信噪比(SNR)等级标签构建以及校正数据样本生成过程。
D.理论阵列流形模型构建；
D1.理想阵列流形模型构建；
D11：阵列天线给定方向求取。双通道测角系统阵列天线为全向天线(360°)，阵元数为M，进行比值处理后以0°方向作为第一个阵列方向基准，依次与比值结果相加完成M阵元给定方向求取{θ1,θ2,...θM}。
D12：阵列天线给定位置求取。双通道测角系统阵列天线为全向天线(360°)，阵元数为M，阵列半径孔径为R，以第一个阵列位置参考为基准对应的位置坐标分别为{(R sinθ1,Rcosθ1),(R sinθ2,R cosθ2),…,(R sinθM,R cosθM)}将位置结果分别取出以行向量的形式放入到矩阵中获得维度为M×2的位置矩阵(记为I)。
D13：阵元间复数电压样本库构建。设定建库间隔值V，以0°为角度建库基准，按照建库间隔值完成整个测角范围的建库，并将建库结果{0°,0+V,…,359°}依次放入维度为1×360/V的角度矩阵(记为X)中。依次取出X中每个位置对应的值分别做负余弦以及负正弦处理，将处理结果以列向量的形式放入到维度为2×360/V的复数电压矩阵(记为Q)中。
D14：阵列流形模型构建。依据目标校正源设定频率f0与光速c比值倒数得到对应波长λ。将λ依次与维度为M×2的位置矩阵I，维度为2×360/V的复数电压矩阵Q进行矩阵乘积运算，将运算结果与1/2π进行比值。最后将比值结果放入欧拉公式进行计算得到维度为(M×360/V)的阵列流形模型矩阵(记为E)。
D2.阵列幅-相误差下模型构建；
D21:阵列流形模型矩阵通道幅度误差构建。随机生成维度为M×1且元素值在(0,1)之间的数据矩阵(记为U)并将U中每个元素对应的值减去0.5得到矩阵(记为A)，按照阵列流形模型矩阵幅度误差矩阵(记为M，M＝A×2×E/0.574)处理流程完成阵列流形模型矩阵通道幅度误差构建。
D22:阵列流形模型矩阵通道相位误差构建。随机生成维度为M×1且元素值为正态分布随机数矩阵(记为B)，按照阵列流形模型矩阵相位误差矩阵(记为P，P＝B×H)处理流程完成阵列流形模型矩阵通道相位误差构建。
D23:阵列流形模型矩阵重构。对通道幅度误差矩阵M中对应的每个元素加1并生成M×M维对角矩阵(记为O)，与相位误差矩阵P进行欧拉公式处理结果相乘后再与维度为(M×360/V)的阵列流形模型矩阵E进行乘积运算，然后进行伪逆处理得到维度为(360/V×M)的阵列流形模型重构矩阵(记为T)。依据步骤A1中每种角度标签场景下采用蒙特-卡罗方法随机模拟生成样本个数K，重复步骤D2得到K个维度为360/V×M的不同阵列流形模型重构矩阵T。
E.半数值仿真样本生成；
E1：样本特征提取。将获得的阵列流形模型重构矩阵T分别与重构后大小为M×L的数据矩阵Y进行相乘计算获得K个维度为360/V×L的特征样本矩阵(记为W)。
E2：特征样本归一化处理。对特征样本矩阵W中每个位置对应的元素求模处理后分别与其中最大值做比值处理。
E3：半数值仿真样本生成。将比值处理后的特征样本矩阵W中每一行向量做均值化处理，获得K个维度为360/V×1的特征样本矩阵(记为Z)。之后进行复数相角求取，完成特征样本矩阵压缩重构。将带有角度标签和信噪比等级标签的重构样本矩阵S依据步骤A1中样本个数设置重复K次，将重构后的特征样本矩阵Z以行向量的形式依次拼接到对应信噪比标签位置获得K个多样化样本，完成首个校正功率条件下(P0)首个校正频点(f0)第一个位置(x1,y1)的半数值仿真样本生成过程。
F.批量数据样本生成；
F1：重复步骤C1～E3完成首个校正功率条件下(P0)首个校正频点(f0)的实测数据集f0_P0文件下所有位置Γ＝(x2,y2),(x3,y3),…,(xT+1,yT+1)的半数值仿真样本生成过程。
F2：重复步骤C1～F1完成校正源所有校正功率条件下X＝{P0,P1,…,PM}所有校正频点∏＝{f0,f1,…,fN}的实测数据集Ω半数值仿真样本生成过程，生成批量数据样本。
按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述结构设计的前提下，为解决同样的技术问题，即使在本发明上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。

Claims (5)

1.一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，其实现包括以下步骤：
S1：对部署的测角系统预先标定出待采集数据样本所对应的位置，并用水准仪标注校正源所在各标定位置相对接收阵列的角度；
S2:在预先标定位置逐一发射校正信号，利用双通道测角系统接收校正源信号在各标定位置处的数据；
S3：对采集的实测数据进行数据处理，构造出各校正源角度位置处的数据样本；
S4：在实测数据样本基础上，利用实际双通道阵列流型，借助数值仿真手段模拟通道误差场景、不同信噪比场景下的数据样本，生成数据集；
S41：理想阵列流形模型构建，依次包括以下过程：
阵列天线给定方向求取、阵列天线给定位置求取、阵元间复数电压样本库构建、阵列流形模型构建；
S42：阵列幅-相误差下模型构建，依次包括以下过程：
阵列流形模型矩阵通道幅度误差构建；阵列流形模型矩阵通道相位误差构建；阵列流形模型矩阵重构；
S43：半数值仿真样本生成，依次包括以下过程：
样本特征提取、特征样本归一化处理、半数值仿真样本生成；
S44：批量数据样本生成，依次包括以下过程：
重复步骤，完成首个校正功率条件下，首个校正频点的实测数据集文件下所有位置的半数值仿真样本生成过程；
重复步骤完成校正源所有校正功率条件下，所有校正频点的实测数据集Ω半数值仿真样本生成过程，生成批量数据样本。
2.根据权利要求1所述的一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，上述步骤S1的实现包括以下过程：
S11：根据任务需求设置测角系统工作参数；
S12：根据参数，按照关系式生成校正信号频点集合；
S13：根据参数，按照关系式生成校正信号功率集合；
S14：根据参数，按照关系式生成校正信号角度集合；
S15：根据参数，按照关系式生成校正源位置集合。
3.根据权利要求2所述的一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，上述步骤S2的实现包括以下过程：
S21：首个校正功率条件下，首个校正频点的实测数据采集；
S22：首个校正功率条件下，所有校正频点集合的实测数据采集；
S23：所有校正功率条件下，所有校正频点的实测数据采集。
4.据权利要求3所述的一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，上述步骤S3实现包括以下过程：
S31:各通道数据读取；
S32：时域信噪比等级标签构建；
S33：校正数据样本生成；
S34:得到首个校正功率条件下，首个校正频点的原始实测IQ数据处理。
5.据权利要求2所述的一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，上述步骤S11中的参数包括参数包括起始角度qstart、终止角度qstop、校正信号发射的角度间隔Dq、系统工作的起始频率fstart、系统工作的终止频率fstop、校正频率间隔Df、校正信号发射的最大功率值pmax、校正信号发射的最小功率值pmin、校正信号功率变化步进Dp、初始化双通道测角系统天线阵元数M、阵列孔径尺寸D、初始化校正源与阵列天线距离R、校正源与阵列天线距离满足视距传播条件(R32D2/(c/fstop)，c＝3′108m/s)、校正源预停留位置原始数据采集时间T、数据预处理分割长度间隔N、通道原始数据读取次数L、实测数据噪声与信号判定门限值等级Thd、初始化设置每种角度标签场景下采用蒙特-卡罗方法随机模拟生成样本个数K、阵元通道幅度抖动误差I、阵元通道相位抖动误差H、阵元通道幅度抖动误差范围Ma、阵元通道幅度误差范围E、理论阵列流程重构样本库建库角度间隔V。
CN202110395274.5A 2021-04-13 2021-04-13 一种用于双通道测向系统的深度学习数据集生成方法 Active CN113030847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110395274.5A CN113030847B (zh) 2021-04-13 2021-04-13 一种用于双通道测向系统的深度学习数据集生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110395274.5A CN113030847B (zh) 2021-04-13 2021-04-13 一种用于双通道测向系统的深度学习数据集生成方法

Publications (2)

Publication Number Publication Date
CN113030847A CN113030847A (zh) 2021-06-25
CN113030847B true CN113030847B (zh) 2023-04-25

Family

ID=76456712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110395274.5A Active CN113030847B (zh) 2021-04-13 2021-04-13 一种用于双通道测向系统的深度学习数据集生成方法

Country Status (1)

Country Link
CN (1) CN113030847B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780107B (zh) * 2021-08-24 2024-03-01 电信科学技术第五研究所有限公司 一种基于深度学习双输入网络模型的无线电信号检测方法
CN117826071B (zh) * 2024-03-06 2024-05-28 成都大公博创信息技术有限公司 基于中频触发实现多采集模块宽带校准的测向系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5936575A (en) * 1998-02-13 1999-08-10 Science And Applied Technology, Inc. Apparatus and method for determining angles-of-arrival and polarization of incoming RF signals
CN108169731A (zh) * 2017-12-26 2018-06-15 天津大学 基于单近场校正源的拖曳线列阵阵形估计方法和装置
CN110133577A (zh) * 2019-05-23 2019-08-16 成都理工大学 基于时频残差网络的单基互质mimo阵列doa估计算法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5262789A (en) * 1992-04-30 1993-11-16 General Electric Company Source identification system for closely separated spatial sources
US5629626A (en) * 1994-07-12 1997-05-13 Geo-Centers, Inc. Apparatus and method for measuring buried ferromagnetic objects with a high accuracy of position and in synchronization with a sync pulse provided by a global positioning system
US5990834A (en) * 1997-08-29 1999-11-23 Codar Ocean Sensors, Ltd. Radar angle determination with music direction finding
US7057573B2 (en) * 2001-11-07 2006-06-06 Advanced Telecommuications Research Institute International Method for controlling array antenna equipped with a plurality of antenna elements, method for calculating signal to noise ratio of received signal, and method for adaptively controlling radio receiver
US6806837B1 (en) * 2002-08-09 2004-10-19 Bae Systems Information And Electronic Systems Integration Inc. Deep depression angle calibration of airborne direction finding arrays
WO2008032255A2 (en) * 2006-09-14 2008-03-20 Koninklijke Philips Electronics N.V. Sweet spot manipulation for a multi-channel signal
CN103064056B (zh) * 2012-12-19 2014-11-05 同方电子科技有限公司 一种干扰环境下的天线阵列阵元位置误差测定方法
EP2824479B1 (en) * 2013-07-12 2016-07-06 Ingenieria de Sistemas Para La Defensa de Espana, S.A. Method and system for locating a moving vehicle
US10288716B2 (en) * 2016-09-09 2019-05-14 Raytheon Company Systems and methods for direction finding based on minimum distance search to principal components
CN108983143A (zh) * 2018-05-23 2018-12-11 长江大学 有色噪声背景下双基地mimo雷达角度估计方法
US11456809B2 (en) * 2018-05-31 2022-09-27 Electronics And Telecommunications Research Institute Position estimation method for estimating position of interference signal source and position estimation system for performing the method
CN110133576B (zh) * 2019-05-23 2020-11-27 成都理工大学 基于级联残差网络的双基互质mimo阵列方位估计算法
CN110967665A (zh) * 2019-10-07 2020-04-07 西安电子科技大学 一种多个外辐射源下运动目标回波的doa估计方法
CN111427035A (zh) * 2020-03-25 2020-07-17 湖南国科锐承电子科技有限公司 一种基于子带微多普勒差异的雷达实测数据集扩充方法
CN112213688B (zh) * 2020-09-03 2023-07-14 中国民用航空飞行学院 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法
CN112098926B (zh) * 2020-09-15 2023-06-09 中国民用航空飞行学院 一种利用无人机平台的智能测角训练样本生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5936575A (en) * 1998-02-13 1999-08-10 Science And Applied Technology, Inc. Apparatus and method for determining angles-of-arrival and polarization of incoming RF signals
CN108169731A (zh) * 2017-12-26 2018-06-15 天津大学 基于单近场校正源的拖曳线列阵阵形估计方法和装置
CN110133577A (zh) * 2019-05-23 2019-08-16 成都理工大学 基于时频残差网络的单基互质mimo阵列doa估计算法

Also Published As

Publication number Publication date
CN113030847A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
EP3254133B1 (en) Direction finding using signal power
CN113030847B (zh) 一种用于双通道测向系统的深度学习数据集生成方法
CN106658713B (zh) 基于多参数估计的单基站移动用户定位方法
CN110764053A (zh) 一种基于水下传感器网络的多目标被动定位方法
CN106646350B (zh) 一种单只矢量水听器各通道幅度增益不一致时的修正方法
CN112130111B (zh) 一种大规模均匀十字阵列中单快拍二维doa估计方法
CN103017728B (zh) 干扰环境下天线阵列方向向量的测定方法
CN111132007B (zh) 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法
CN110045322B (zh) 一种基于高分辨测向语图智能识别的短波自动测向方法
CN105974362B (zh) 一种联合估计信号参数和位置的高精度被动定位方法
CN108983169B (zh) 一种基于数字高程模型的米波雷达地形修正方法
CN110703259A (zh) 基于运动声源的水下声学基阵通道间相位一致性校准方法
CN108318855A (zh) 基于均匀圆阵的近场和远场混合信号源定位方法
CN108089146A (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
CN112240957B (zh) 一种卫星导航干扰测向中天线幅相特性校正方法
Suo et al. Single acoustic vector sensor DOA enhanced by unsaturated bistable stochastic resonance with linear amplitude response constrained
CN109241565B (zh) 天线球面近场测量中采样位置误差校正方法和装置
CN112533284B (zh) 一种基于到达角的近远场统一定位方法
CN115150737A (zh) 确定到达角的方法、设备和非易失性存储介质
CN113271542A (zh) 一种基于蓝牙及可见光的室内移动终端定位方法
RU2668566C2 (ru) Однопозиционный мультипликативный разностно-относительный способ определения координат местоположения источников радиоизлучения
Elbir et al. Direction finding and localization for far-field sources with near-field multipath reflections
US12028150B2 (en) Communication control apparatus and method of artificial satellite
RU2666519C2 (ru) Однопозиционный способ определения координат местоположения источников радиоизлучения
Inatomi et al. Hidden Markov model based localization using array antenna

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