CN113253196A - 一种多信号测向方法、装置和电子设备 - Google Patents
一种多信号测向方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113253196A CN113253196A CN202110608884.9A CN202110608884A CN113253196A CN 113253196 A CN113253196 A CN 113253196A CN 202110608884 A CN202110608884 A CN 202110608884A CN 113253196 A CN113253196 A CN 113253196A
- Authority
- CN
- China
- Prior art keywords
- signal
- incoming wave
- classification
- vector
- directions
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 230000004304 visual acuity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种多信号测向方法、装置和电子设备。本申请的电子设备包括存储器和处理器；多信号测向装置包括第一计算单元，分类处理单元和第二计算单元；多信号测向方法包括：获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。本申请的技术方案能够在不改变测向系统物理结构的前提下显著提升测向分辨力。
Description
技术领域
本申请涉及无线电测向技术领域，尤其涉及一种多信号测向方法、装置和电子设备。
背景技术
无线电测向是指测向站通过测量和计算电磁场参数，确定由测向站到辐射源的射线与指定参考方向之间的夹角。由电磁波的特性，辐射源的来波方向信息通常都体现在天线接收信号的幅度响应或相位响应上，因此根据获取方向所利用的不同信息响应分类，目前常用的无线电测向技术体制主要有幅度响应和相位响应型测向。而较现代化的子空间类测向，则利用信号的阵列响应信息。
其中，阵列响应型测向方法综合利用了测量数据的相位和幅度等信息实现信号的入射方向估计，具备同时对多个信号的测向处理能力，在评估其性能时不仅需要考虑测向误差，还需考虑测向分辨力等指标。随着如无人集群系统等密集目标的不断涌现，对阵列响应型测向系统的测向分辨力提出了更高的要求，而传统的阵列响应型测向方法，例如多信号分类测向方法等有时已难以满足测向分辨力的要求。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，以提升阵列响应型测向方法的测向分辨率。
本申请实施例采用下述技术方案：
本申请的一个方面，本申请实施例提供一种多信号测向方法，包括：获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
本申请的另一个方面，本申请实施例还提供一种多信号测向装置，包括：第一计算单元，获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；分类处理单元，用于将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；第二计算单元，用于根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
本申请的再一个方面，本申请实施例还提供一种电子设备，包括：存储器，存储计算机可执行指令；处理器，所述计算机可执行指令在被执行时，使所述处理器执行上述多信号测向方法。
本申请的又一个方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述多信号测向方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本申请实施例预先构建出分类模型，使分类模型基于信号的特征矢量，输出可能来波方向，进而在启动多信号测向时，计算出阵列天线接收到的信号的特征矢量，将其输入至训练后的分类模型中，通过分类模型的输出即可估计出信号的来波方向，在不改变测向系统的物理结构的前提下，即可获得高精度的测向结果，满足高精度测向分辨力的要求。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例示出的多信号测向方法流程图；
图2为本申请实施例示出的分类模型示意图；
图3为本申请实施例示出的来波方向估计过程示意图；
图4为本申请实施例示出的分类模型示意图；
图5为本申请实施例示出的两信号角度间隔20°时分类模型的输出结果示意图；
图6为本申请实施例示出的两信号角度间隔20°时基于MUSIC方法空间谱示意图；
图7为本申请实施例示出的两信号角度间隔8°时分类模型的输出结果示意图；
图8为本申请实施例示出的两信号角度间隔8°时基于MUSIC方法空间谱示意图；
图9为本申请实施例示出的各个角度间隔情况下多信号测向方法的测向误差示意图；
图10为本申请实施例示出的多信号测向装置的结构框图；
图11为本申请实施例中电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请实施例示出的多信号测向方法流程图，如图1所示，本实施例的方法可以包括步骤S110至步骤S130：
步骤S110，获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号。
步骤S120，将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值。
这里分类值指示可能来波方向与信号方向真值之间的差异，分类值越大，对应的可能来波方向与信号方向真值之间的差异越小，反之，分类值越小，对应的可能来波方向与信号方向真值之间的差异越大。
步骤S130，根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
本申请提供的方案可以适用但不限于如下场景：利用阵列天线接收远场信号，获得信号的测量值，基于信号的测量值计算出能够表征信号幅度特征和相位特征的特征矢量，将计算出的特征矢量输入到训练后的分类模型中，使分类模型对特征矢量进行处理，利用分类模型输出全部可能来波方向以及各来波方向的分类值，分类值表示各可能来波方向与信号方向真值的差异，分类值越大，与信号方向真值的差异越小，这样就可以根据信号数选择较大分类值对应的可能来波方向作为信号来波方向估计值。
本申请实施例在获取信号的特征矢量时，先获取信号的幅度特征和相位特征，具体来说，可以利用阵列天线的N个阵元在同时刻接收信号，获得由N 个阵元接收到的信号构成的信号矢量，计算所述信号矢量的协方差矩阵，通过所述协方差矩阵获取信号的幅度特征和相位特征；然后利用幅度特征和相位特征构建出信号的特征矢量，具体来说，可以获取由所述协方差矩阵的上半对角阵元素构成的目标矢量，根据目标矢量的实部和虚部构建出所述特征矢量。
为了明确本申请提供的技术方案，结合下述实施例说明多信号测向方法。在本实施例中，预先构建训练样本，然后基于训练样本训练分类模型，在获得具有预期分类效果的分类模型之后，即可利用训练后的分类模型对阵列天线接收到的信号进行来波方向估计。
第一步，训练样本采集。
考虑Q个远场窄带信号入射到N(N>1)元阵列天线，这里阵列天线用N 通道调谐器同时接收信号，第i个信号可用如下的复包络形式表示：
在式(1)中，ui(t)是信号的幅度，
是信号的相位，ω是信号的频率。
在窄带远场信号源的假设下，对于阵列天线不同阵元之间的时间延迟τ，有：
基于式(1)和式(2)，显然下式(3)成立：
si(t-τ)≈si(t)e-jωτ i＝1,2,…,Q (3)
而第l个阵元接收到的信号可以表示为：
在式(4)中，gli是第l个阵元对第i个信号的增益，nl(t)是第l个阵元在 t时刻的噪声，τli是信号到达第l个阵元时相对参考阵元的时延。
基于上述式(3)和式(4)，N个阵元在t时刻接收到的信号可以组成一个列矢量：
在理想情况下，阵列中各阵元是各向同性的不受通道失配、天线互耦等因素影响的，对上述增益gl进行归一化处理后，式(5)可以简化为：
上述式(6)的矩阵形式为：
x(t)＝As(t)+n(t) (7)
在式(7)中，x(t)是N×1维接收数据矢量，n(t)是N×1维噪声数据矢量， s(t)是信号的Q×1维矢量，A为阵列天线的N×Q维流形矩阵(又称为导向矢量阵)，且A＝[a1 a2 …aQ]，其中，
这里，
c是光速，λ是波长。
对某来波方向为αi的单位矢量ri＝(cosαi，sinαi)T，相对于参考阵元(0,0)，信号到达第k个阵元uk＝(xk,yk,zk)T，k＝1,2,…,N的时延τki为：
基于上述式(7)，对于某信号x(t)，其协方差矩阵为：
在式(9)中，(x(t))H是x(t)的共轭转置。
由于信号的协方差矩阵包含了信号的幅度特征和相位特征，本实施例基于信号的协方差矩阵构建信号的特征矢量。具体是通过下述公式(10)构建特征矢量：
在式(10)中，目标矢量r＝[r12 r13 … r1N r23 … r2N … r(N-1)N]， real(r)＝[real(r12) real(r13) … real(r(N-1)N)]， imag(r)＝[imag(r12) imag(r13) … imag(r(N-1)N)]，real(rij)和imag(rij)分别是的实部与虚部，||r||是目标矢量r的模。
对于训练样本，一般在感兴趣的角度范围[αl,αu]内及在一定的来波方向数 [Ql,Qu]范围构建训练样本，其中αl与αu分别为感兴趣角度范围的下限和上限，Ql与Qu分别为来波方向数的下限和上限，其选择通常根据实际应用的需要确定。对于给定的来波方向数Qi(Ql≤Qi≤Qu)，基于一定范围内的角度间隔构建等间隔的来波方向训练样本，即一个训练样本对应的来波方向为：
αi,ai+Δαi,…,ai+(Qi-1)Δαi (11)
在式(11)中，Δαi是第i种角度间隔，且其上下限分别为Δαu和Δαl。同时，式(11)中的来波方向应满足αi≥αl，ai+(Qi-1)Δαi≤αu。
这样，对于来波方向数Qi，起始来波方向αi及角度间隔Δαi，考虑到分类模型的一个训练样本的标签应是唯一的，本实施例将分类模型的一组训练样本设计为包含Qi个样本的集合，即
在式(12)中，rd(αi,ai+Δαi,...,ai+(Qi-1)Δαi)是来波方向αi,ai+Δαi,...,ai+(Qi-1)Δαi对应的特征矢量，式(12)即对同一个特征矢量分次赋予Qi个标签。
由此，通过上述步骤即完成了训练样本的采集。
第二步，模型构建与训练。
本实施例中的的分类模型为基于深度神经网络构建的模型，分类模型采用长短期记忆(LSTM)网络进行分类测向，如图2所示，LSTM网络结构的分类模型包括输入层、LSTM层、全连接层、dropout层、全连接层、softmax层和输出层。
输入层包含N×(N-1)个神经元以接收特征矢量rd，输出层的神经元数等于全部可能来波方向，本实施例将全部可能来波方向绘制在M+1栅格中。分类模型可以采用常用的交叉熵函数作为代价函数，基于训练样本及随机梯度算法即可对LSTM网络进行训练，在得到预期的神经网络参数时，即完成分类模型的训练。
第三步，来波方向估计。
对于阵列天线接收到的信号，将该信号的特征矢量输入到分类模型后，分类模型输出的结果包括：
[output(αl),output(αl+Δα),…output(αu)]1×(M+1) (13)
在式(13)中，output(αl)，output(αl+Δα)，…output(αu)是分类模型输出的各可能来波方向对应的分类值。
在进行来波方向估计之前，本实施例采用预设信号数评估方法计算出信号的信号数，例如采用Akaike信息论(AIC)、最小长度描述长度(MDL)准则或有效监测(EDC)准则等方法计算出信号数QE，为开展多信号来波方向估计提供基础。
在进行来波方向时，本实施例根据全部可能来波方向的分类值，对全部可能来波方向按照与信号方向真值的接近程度进行排序，这里可以按照接近程度由大到小的顺序进行排序，得到下述排序结果：
[output1,output2,…outputM+1]1×(M+1) (14)
在式(14)中，output1,output2,…outputM+1是式(13)中各分类值排序后的另一种表示方式。
基于式(13)，式(14)中排序后的分类值对应的来波方向为：
[alpha1,alpha2,…alphaM+1]1×(M+1) (15)
在式(15)中，alpha1,alpha2,…alphaM+1是αl，αl+Δα，…αu排序后的另一种表示方式。
基于上述式(14)与式(15)，根据信号数从排序后的全部可能来波方向中筛选出与信号数对应的来波方向作为信号的来波方向估计值，具体是从排序后的全部可能来波方向中依次筛选出与信号方向真值最接近的QE个来波方向作为信号的来波方向估计值，所筛选出的QE个来波方向中任两个来波方向之间的角度间距大于角度阈值，QE为信号数。
如图3所示，才估计最后的来波方向时，图3中将alpha1作为估计来波方向的结果，置入来波方向估计集中是因为若接收到的信号为单信号，那么上述式(15)中的alpha1即为来波方向估计值，若接收到的信号为多信号，例如为双信号，那么上述式(15)中的alpha1与alpha2即为来波方向估计值。
在图3中，设置条件：alphaj与所有来波方向估计集中的角度阈值大于等于threshold(alpha)，是为了避免峰值附件的毛刺对来波方向估计结果产生影响，其中角度阈值threshold(alpha)可根据应用场景设置，例如根据已知来波方向间隔下限进行设置，或通过仿真遍历各种可能的角度阈值并选取使来波方向估计精度最高的阈值。
至此，通过图3中获得的来比方向估计集即可完成多信号测向的任务。
本实施例通过上述步骤实现可疑支持更高分辨力要求的多信号测向，为了说明本实施例多信号测向方法的有效性，以典型两信号测向场景为例，在该应用场景中，利用均匀五元线阵进行测向，设计阵元间距为α1。对于上述测向阵列，在-90°～90°范围内，以1°为步进选取第一个来波方向α1，并选取与第一个来波方向间隔Δαi的来波方向作为第二个来波方向，其中Δαi在5°、 6°、……80°范围内随机选取。
对于每一个α1，本实施例构建200个训练样本，其中每个信号调制样式为 QPSK，信噪比10dB，快拍数L＝1000。
图5和图6分别示出两信号角度间隔为20°时基于本实施例的分类模型输出及基于MUSIC(多信号分类测向)方法的空间谱。由图5和图6所示内容可知，当来波方向角度间隔较大时，两种方法均能很好地对两个来波方向进行分辨。
图7和图8分别示出两信号角度间隔为8°时本实施例的分类模型输出及基于MUSIC(多信号分类测向)方法的空间谱。由图6和图7所示内容可知，当来波方向角度间隔较小时，传统MUSIC方法存在无法分辨的可能，而此时本实施例仍能较好地分辨两个来波方向，且给出了较高的测向精度。
图9示出各个角度间隔情况下本实时例的测向误差(设置 threshold(alpha)＝4°)，可见在传统MUSIC方法已难以分辨的≤8°角度间隔范围内，本实施例仍能给出较高的测向精度。
综合上述，本实施例的多信号测向方法可以实现较高精度的多信号测向，能够满足较高分辨力的要求。
图10为本申请实施例示出的多信号测向装置的结构框图，如图10所示，本实施例的多信号测向装置包括：
第一计算单元1010，获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；
分类处理单元1020，用于将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；
第二计算单元1030，用于根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
在一些实施例中，第一计算单元1010，用于获取信号的幅度特征和相位特征，利用所述幅度特征和相位特征构建出信号的特征矢量。
在一些实施例中，第一计算单元1010，还用于利用阵列天线的N个阵元在同时刻接收信号，获得由N个阵元接收到的信号构成的信号矢量；计算所述信号矢量的协方差矩阵，通过所述协方差矩阵获取信号的幅度特征和相位特征；以及用于获取由所述协方差矩阵的上半对角阵元素构成的目标矢量；根据目标矢量的实部和虚部构建出所述特征矢量
在一些实施例中，第二计算单元1030是用于根据全部可能来波方向的分类值，对全部可能来波方向按照与信号方向真值的接近程度进行排序；根据信号数从排序后的全部可能来波方向中筛选出与信号数对应的来波方向作为信号的来波方向估计值。
在一些实施例中，第二计算单元1030具体是用于从排序后的全部可能来波方向中依次筛选出与信号方向真值最接近的QE个来波方向作为信号的来波方向估计值，所筛选出的QE个来波方向中任两个来波方向之间的角度间距大于角度阈值，QE为信号数。
在一些实施例中，第一计算单元1010具体是采用预设信号数评估方法计算出所述信号的信号数。
能够理解，上述多信号测向装置，能够实现前述实施例中提供的多信号测向方法的各个步骤，关于多信号测向方法的相关阐释均适用于多信号测向装置，此处不再赘述。
图11为本申请实施例中电子设备的结构示意图。请参考图11，在硬件层面，该电子设备包括处理器、存储器，可选地还包括网络接口。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还包括其他业务所需要的硬件，如阵列天线等。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成多信号测向装置。处理器，执行存储器所存放的程序实现如上文描述的多信号测向方法。
上述如本申请图1所示实施例揭示的多信号测向方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－ Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述多信号测向方法的步骤。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够实现图1所示的多信号测向方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种多信号测向方法，其特征在于，包括：
获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；
将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；
根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
2.如权利要求1所述方法，其特征在于，获取信号的特征矢量包括：
获取信号的幅度特征和相位特征；
利用所述幅度特征和相位特征构建出信号的特征矢量。
3.如权利要求2所述方法，其特征在于，获取信号的幅度特征和相位特征，包括：
利用阵列天线的N个阵元在同时刻接收信号，获得由N个阵元接收到的信号构成的信号矢量；
计算所述信号矢量的协方差矩阵，通过所述协方差矩阵获取信号的幅度特征和相位特征。
4.如权利要求3所述方法，其特征在于，利用所述幅度特征和相位特征构建出信号的特征矢量，包括：
获取由所述协方差矩阵的上半对角阵元素构成的目标矢量；
根据目标矢量的实部和虚部构建出所述特征矢量。
5.如权利要求1所述方法，其特征在于，所述分类模型为基于深度神经网络构建的分类模型。
6.如权利要求1所述方法，其特征在于，根据所述信号数和全部可能来波方向的分类值，确定信号的来波方向估计值，包括：
根据全部可能来波方向的分类值，对全部可能来波方向按照与信号方向真值的接近程度进行排序；
根据信号数从排序后的全部可能来波方向中筛选出与信号数对应的来波方向作为信号的来波方向估计值。
7.如权利要求6所述方法，其特征在于，根据信号数从排序后的全部可能来波方向中筛选出与信号数对应的来波方向作为信号的来波方向估计值，包括：
从排序后的全部可能来波方向中依次筛选出与信号方向真值最接近的QE个来波方向作为信号的来波方向估计值，所筛选出的QE个来波方向中任两个来波方向之间的角度间距大于角度阈值，QE为信号数。
8.如权利要求1所述方法，其特征在于，获取信号的信号数，包括：
采用预设信号数评估方法计算出所述信号的信号数。
9.一种多信号测向装置，其特征在于，包括：
第一计算单元，获取信号的特征矢量和信号数，所述信号为利用阵列天线接收到的远场信号；
分类处理单元，用于将所述信号的特征矢量输入到训练后的分类模型中，通过分类模型的输出获得信号的全部可能来波方向及各来波方向的分类值；
第二计算单元，用于根据所述信号数和各来波方向的分类值，确定信号的来波方向估计值。
10.一种电子设备，其特征在于，包括：
存储器，存储计算机可执行指令；
处理器，所述计算机可执行指令在被执行时，使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110608884.9A CN113253196B (zh) | 2021-06-01 | 2021-06-01 | 一种多信号测向方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110608884.9A CN113253196B (zh) | 2021-06-01 | 2021-06-01 | 一种多信号测向方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113253196A true CN113253196A (zh) | 2021-08-13 |
| CN113253196B CN113253196B (zh) | 2024-05-21 |
Family
ID=77185746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110608884.9A Active CN113253196B (zh) | 2021-06-01 | 2021-06-01 | 一种多信号测向方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113253196B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023143562A1 (zh) * | 2022-01-29 | 2023-08-03 | 维沃移动通信有限公司 | 来波方向估计方法、终端及网络侧设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991566A (zh) * | 2019-03-28 | 2019-07-09 | 中国电子科技集团公司第三十六研究所 | 一种测向方法、测向装置和测向系统 |
| CN110390073A (zh) * | 2019-08-19 | 2019-10-29 | 西北工业大学 | 一种矢量传感的多通道空间合成方位滤波方法 |
| CN111273263A (zh) * | 2019-06-25 | 2020-06-12 | 哈尔滨工程大学 | 基于信息融合的自主探测声纳多目标doa估计方法 |
| CN111913155A (zh) * | 2020-09-21 | 2020-11-10 | 南京理工大学 | 基于阵列雷达的二维doa估计方法 |
| CN112639511A (zh) * | 2020-12-01 | 2021-04-09 | 华为技术有限公司 | 一种信源数量估计的方法、装置和存储介质 |
-
2021
- 2021-06-01 CN CN202110608884.9A patent/CN113253196B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991566A (zh) * | 2019-03-28 | 2019-07-09 | 中国电子科技集团公司第三十六研究所 | 一种测向方法、测向装置和测向系统 |
| CN111273263A (zh) * | 2019-06-25 | 2020-06-12 | 哈尔滨工程大学 | 基于信息融合的自主探测声纳多目标doa估计方法 |
| CN110390073A (zh) * | 2019-08-19 | 2019-10-29 | 西北工业大学 | 一种矢量传感的多通道空间合成方位滤波方法 |
| CN111913155A (zh) * | 2020-09-21 | 2020-11-10 | 南京理工大学 | 基于阵列雷达的二维doa估计方法 |
| CN112639511A (zh) * | 2020-12-01 | 2021-04-09 | 华为技术有限公司 | 一种信源数量估计的方法、装置和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| JIAJUN HU: "Multi-Source Classification: A DOA-Based Deep Learning Approach", 2020 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND APPLICATION (ICCEA), 29 May 2020 (2020-05-29), pages 463 - 467 * |
| 田语柔: "MIMO雷达多目标角度估计算法研究", 《中国优秀硕士学位论文全文数据库》, vol. 2019, no. 1, 15 January 2019 (2019-01-15), pages 136 - 1720 * |
| 陆安南: "相位干涉仪测向模糊与误差统计分析", 《中国电子科学研究院学报》, vol. 13, no. 1, 31 December 2018 (2018-12-31), pages 42 - 46 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023143562A1 (zh) * | 2022-01-29 | 2023-08-03 | 维沃移动通信有限公司 | 来波方向估计方法、终端及网络侧设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113253196B (zh) | 2024-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brodeski et al. | Deep radar detector | |
| Marcos et al. | The propagator method for source bearing estimation | |
| Swindlehurst et al. | Maximum likelihood methods in radar array signal processing | |
| CN109959892B (zh) | 一种均匀圆阵双通道干涉仪测向方法、装置和系统 | |
| Viberg et al. | Analysis of the combined effects of finite samples and model errors on array processing performance | |
| CN109557539B (zh) | 机载无源雷达地面动目标检测方法、装置以及电子设备 | |
| CN107870314B (zh) | 基于极化敏感阵列的完备电磁分量加权融合测向优化方法 | |
| CN110031793B (zh) | 一种干涉仪测向方法、装置和系统 | |
| KR19990078194A (ko) | 방향탐지기와방향탐지기의측정결과처리장치 | |
| CN108802669B (zh) | 二维波达方向估计方法、二维波达方向估计装置及终端 | |
| CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN109765526A (zh) | 一种基于空间谱的目标搜索方法及装置 | |
| CN113253196B (zh) | 一种多信号测向方法、装置和电子设备 | |
| CN109061556B (zh) | 一种基于弹性网络的稀疏迭代波达角估计方法 | |
| CN113935402A (zh) | 时差定位模型的训练方法、装置及电子设备 | |
| US11774574B2 (en) | Methods and system for determining an angle of a detection | |
| US20220120854A1 (en) | Methods and Systems for Calibrating a Radar Sensor | |
| Huang et al. | Direction of arrival based on the multioutput least squares support vector regression model | |
| CN111723686A (zh) | 一种信号个数估计方法、装置、电子设备和存储介质 | |
| CN114460531A (zh) | 一种均匀线阵music空间谱估计方法 | |
| CN116256716B (zh) | 基于加权线性拟合的毫米波雷达超分辨方法和系统 | |
| CN117557917B (zh) | 水质检测方法和装置 | |
| Chen et al. | A frequency estimator for real valued sinusoidal signals using three dft samples | |
| CN115022963B (zh) | 基于蓝牙的室内定位方法及装置 | |
| CN115460693B (zh) | 基于蓝牙的定位方法及装置 |
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 |