CN113514796B - 一种无源定位方法、系统和介质 - Google Patents

一种无源定位方法、系统和介质 Download PDF

Info

Publication number
CN113514796B
CN113514796B CN202110612352.2A CN202110612352A CN113514796B CN 113514796 B CN113514796 B CN 113514796B CN 202110612352 A CN202110612352 A CN 202110612352A CN 113514796 B CN113514796 B CN 113514796B
Authority
CN
China
Prior art keywords
signal
frequency
information
time
neural network
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
CN202110612352.2A
Other languages
English (en)
Other versions
CN113514796A (zh
Inventor
王敬超
夏瑞
邓博于
薛超
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.)
Institute of Network Engineering Institute of Systems Engineering Academy of Military Sciences
Original Assignee
Institute of Network Engineering Institute of Systems Engineering Academy of Military Sciences
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 Institute of Network Engineering Institute of Systems Engineering Academy of Military Sciences filed Critical Institute of Network Engineering Institute of Systems Engineering Academy of Military Sciences
Priority to CN202110612352.2A priority Critical patent/CN113514796B/zh
Publication of CN113514796A publication Critical patent/CN113514796A/zh
Application granted granted Critical
Publication of CN113514796B publication Critical patent/CN113514796B/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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种无源定位方法、系统和介质。所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述方法包括：步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。

Description

一种无源定位方法、系统和介质
技术领域
本发明涉及电磁信号处理领域，尤其是涉及一种无源定位方法、系统和介质。
背景技术
随着电磁作战空间重要性的不断提升，广范围、高精度、快速的无源定位需求不断提升。直接定位法(DPD)存在着计算效率低下、虚警点难以消除的问题。近年来，深度学习以大数据为驱动力，在多个领域的应用均取得了不错的效果，其中代表之一为卷积神经网络(CNN)。随着电磁信号监测系统的发展，定位数据有着海量化的发展趋势。因此，利用海量化数据，以深度学习为驱动力，结合DPD方法，减少其存在的不足给实际应用带来的困难，实现广范围、高精度、快速的无源定位是顺应大数据支持下无源定位的发展趋势。
发明内容
本发明结合射频定位数据的特点，针对DPD存在的问题，设计出基于CNN与DPD相结合的适用于广范围、高精度、快速的无源定位框架。
本发明第一方面提供了一种无源定位方法。所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层。所述方法包括：步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。
其中：所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；所述池化层用于对所述时频图像中的特征信息进行降维处理；所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置。
根据本发明第一方面提供的方法，所述步骤S2具体包括：利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
根据本发明第一方面提供的方法，所述步骤S2具体包括：利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
根据本发明第一方面提供的方法，所述步骤S4具体包括：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
本发明第二方面提供了一种无源定位系统。所述系统基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层。所述系统包括：解调单元，被配置为，接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；变换单元，被配置为，通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；第一确定单元，被配置为，利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；第二确定单元，被配置为，利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。
其中：所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；所述池化层用于对所述时频图像中的特征信息进行降维处理；所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置。
根据本发明第二方面提供的系统，所述解调单元具体被配置为：利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
根据本发明第二方面提供的系统，所述解调单元具体被配置为：利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
根据本发明第二方面提供的系统，所述第二确定单元具体被配置为：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
本发明第三方面提供了一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据本发明第一方面的一种无源定位方法中的步骤。
综上，本发明提出了一种基于CNN与DPD相结合的无源定位方案。通过电磁大数据训练得到的CNN模型快速给出粗略的目标估计点，缩小了DPD的搜索空间，在提高定位速度的同时，也避免了部分虚警点对定位结果的影响。相较于直接使用DPD，本方法能够更加高效地给出无源定位结果，满足广范围、高精度、快速的无源定位需求。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为根据本发明实施例的一种无源定位方法的流程图；
图2为根据本发明实施例的卫星基于无源定位方法来进行定位的示意图；以及
图3为根据本发明实施例的一种无源定位系统的结构图。
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。
本发明第一方面提供了一种无源定位方法，所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层。
图1为根据本发明实施例的一种无源定位方法的流程图，如图1所示，步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。
在步骤S1，接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号。在一些实施例中，发射机可以为卫星，第一信号为卫星发射的信号，接收机可以为另一卫星，第二信号为另一卫星接收到的经解调的下变频信号。
在步骤S2，通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据。在一些实施例中，采用数字信号处理中的时频变换方法，将接收机采集的一维时域数据变换为二维时频数据，以直观的图片形式展示信号时域和频域的信息。
在优选实施例中，利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
在优选实施例中，利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
具体地，可以采用短时傅里叶变换或小波变换得到二维时频信息。
短时傅里叶变换从傅里叶变换基础上演变而来，传统傅里叶变换在整个时间尺度上，基于正弦函数的组合对原信号进行逼近，只能将一维时域信息映射为频域信息，完成信息观察维度的转换，但却不能增加信息的维度。短时傅里叶变换则采用加窗函数对时域信息处理后再进行傅里叶变换，在进行操作时，逐步在时域轴移动窗函数再进行傅里叶变换得到频域信息，从而将时频信息一一对应，得到二维的时频图。
小波变换基于同样的目标，通过改变小波基本函数的频率与时延以逼近原始信号。小波变换在时域和频域都是局部的而传统的傅立叶变换只在频域上是局部的。短时间傅立叶变换也是时域和频域的局部化处理，但时频分辨率存在此消彼长的矛盾，且每次变换的时间窗口都固定，导致时频分辨率只有一个，而小波变换时间分辨率与频率分辨率之积为一常数，每次变换能通过多分辨率分析，以此能给出信号更好的表示。相较于传统傅里叶变换的改进版，即快速傅立叶变换，计算复杂度也更小，因此，一般情况下，优选小波变换。
在步骤S3，利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置。在一些实施例中，通过卷积操作，自动提取信号时频图中有关定位的特征信息，并在网络最后的全连接层完成对发射机位置速度和所提取信号特征的优化组合，输出定位坐标，以完成粗略的目标位置估计。
在优选实施例中，所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；所述池化层用于对所述时频图像中的特征信息进行降维处理；所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置。
CNN为神经网络的一种，基本原理为通过大量非线性函数的组合来拟合待求解的问题，拟合的基本过程可分为两步：信息前向传播和信息后向传播。在信息的前向传播中，每一层的数据通过与该层的卷积核进行卷积操作后经过一个非线性函数激活，将低维的信息扩展至高维的信息也即特征，同时通过最大池化层筛选掉较小的特征值，降低数据量的大小，提高数据的利用率，相较于全连接网络(FC)，CNN采用参数权值共享的方式，大大减少了网络的参数量，提高了计算速度。在信息的后向传播过程中，基于梯度下降法减少误差的思想，从后至前，误差逐层传递，用于更新各层的参数权重。以大量的数据为基础，通过不断循环以上两个过程，逐渐缩小网络前向传播的输出值与目标值的误差，即完成模型对数据的拟合。其中卷积层(conv)用于提取信号时频图像的特征信息、池化层(pool)用于减少时频图像的数据维度，全连接层(fc)用于组合卷积池化层输出的特征信息，并完成与接收机位置速度信息的融合，输出发射机粗略的估计位置(x坐标、y坐标、z坐标)。
在步骤S4，利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。在一些实施例中，基于CNN给出的粗略目标位置及误差范围，划分精细的网格，以穷举的方式将范围内的所有位置(网格点)代入代价函数，与接收机采集的时域信号进行计算，通过寻找使代价函数最大化的位置，完成最终精确的定位。
在优选实施例中，基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
DPD与传统的定位参数估计、联立方程求解相比，不需要对定位参数进行估计，而是直接对原始采样信号进行处理，利用信号中蕴含的辐射源位置信息，构建仅与辐射源位置相关的代价函数，通过穷尽搜索等优化算法实现定位。其基本思想为构建信道模型，根据信道噪声为高斯分布的先验知识，通过使噪声分布的高斯概率密度函数最大化来估计目标位置。以CNN模块输出的估计位置为中心，以CNN的误差为半径的圆内逐点计算，基于接收的时域信号，计算代价函数，寻找使代价函数最大化的位置，以得到精确的目标位置估计。
图2为根据本发明实施例的卫星基于无源定位方法来进行定位的示意图，如图2所示，当前卫星(作为接收机)接收数据，通过小波变换将接收到的数据从一维时域数据转换为二维时频数据。随后基于卷积神经网络CNN的卷积层、池化层和全连接层来对发射机(可以是发射所述数据的另一卫星或者其他地面数据站等)的位置进行粗略估计，其中卷积层用于提取特征，池化层用于降低数据维度，全连接层用于根据卫星的位置和速度，将特征数据进行融合。接下来基于CNN融合的结果，在以粗略估计的位置为中心、以CNN的误差为半径的圆内(将原求解空间发幅度限定在现求解空间内)，基于卫星接收的数据，利用直接定位算法来确定发射机的精确位置，作为最终估计的结果。
综上，本发明第一方面的无源定位方法，其通过电磁大数据训练得到的CNN模型快速给出粗略的目标估计点，缩小了DPD的搜索空间，在提高定位速度的同时，也避免了部分虚警点对定位结果的影响。相较于直接使用DPD，本方法能够更加高效地给出无源定位结果，满足广范围、高精度、快速的无源定位需求。
本发明第二方面提供了一种无源定位系统。所述系统基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层。
图3为根据本发明实施例的一种无源定位系统的结构图，如图3所示，所述系统300包括：解调单元301，被配置为，接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；变换单元302，被配置为，通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；第一确定单元303，被配置为，利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；第二确定单元304，被配置为，利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。
其中：所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；所述池化层用于对所述时频图像中的特征信息进行降维处理；所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置。
根据本发明第二方面提供的系统，所述解调单元302具体被配置为：利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
根据本发明第二方面提供的系统，所述解调单元302具体被配置为：利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
根据本发明第二方面提供的系统，所述第二确定单元304具体被配置为：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
本发明第三方面提供了一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据本发明第一方面的一种无源定位方法中的步骤。
综上，本发明提出了一种基于CNN与DPD相结合的无源定位方案。通过电磁大数据训练得到的CNN模型快速给出粗略的目标估计点，缩小了DPD的搜索空间，在提高定位速度的同时，也避免了部分虚警点对定位结果的影响。相较于直接使用DPD，本方法能够更加高效地给出无源定位结果，满足广范围、高精度、快速的无源定位需求。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (7)

1.一种无源定位方法，其特征在于，所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述方法包括：
步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；
步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；
步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置，其中：
所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；
所述池化层用于对所述时频图像中的特征信息进行降维处理；
所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置；
步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置；
其中，所述步骤S4具体包括：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
2.根据权利要求1所述的一种无源定位方法，其特征在于，所述步骤S2具体包括：
利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
3.根据权利要求1所述的一种无源定位方法，其特征在于，所述步骤S2具体包括：
利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
4.一种无源定位系统，其特征在于，所述系统基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述系统包括：
解调单元，被配置为，接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；
变换单元，被配置为，通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；
第一确定单元，被配置为，利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置，其中：
所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；
所述池化层用于对所述时频图像中的特征信息进行降维处理；
所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置；
第二确定单元，被配置为，利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置；
其中，所述第二确定单元具体被配置为：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。
5.根据权利要求4所述的一种无源定位系统，其特征在于，所述解调单元具体被配置为：
利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。
6.根据权利要求4所述的一种无源定位系统，其特征在于，所述解调单元具体被配置为：
利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。
7.一种存储有指令的非暂时性计算机可读介质，其特征在于，当所述指令由处理器执行时，执行根据权利要求1-3中任一项所述的一种无源定位方法中的步骤。
CN202110612352.2A 2021-06-02 2021-06-02 一种无源定位方法、系统和介质 Active CN113514796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110612352.2A CN113514796B (zh) 2021-06-02 2021-06-02 一种无源定位方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110612352.2A CN113514796B (zh) 2021-06-02 2021-06-02 一种无源定位方法、系统和介质

Publications (2)

Publication Number Publication Date
CN113514796A CN113514796A (zh) 2021-10-19
CN113514796B true CN113514796B (zh) 2022-07-08

Family

ID=78065202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110612352.2A Active CN113514796B (zh) 2021-06-02 2021-06-02 一种无源定位方法、系统和介质

Country Status (1)

Country Link
CN (1) CN113514796B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299170B (zh) * 2023-02-23 2023-09-01 中国人民解放军军事科学院系统工程研究院 一种基于深度学习的多目标无源定位方法、系统、介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100394210C (zh) * 2002-08-07 2008-06-11 日本电信电话株式会社 用于确定物体位置的定位系统和方法
CN108037520B (zh) * 2017-12-27 2021-01-22 中国人民解放军战略支援部队信息工程大学 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法
US10985951B2 (en) * 2019-03-15 2021-04-20 The Research Foundation for the State University Integrating Volterra series model and deep neural networks to equalize nonlinear power amplifiers
CN111551893A (zh) * 2020-06-19 2020-08-18 天津大学 一种深度学习与集成神经网络的室内定位方法
CN111707260B (zh) * 2020-06-24 2022-09-06 电子科技大学 一种基于频域分析及卷积神经网络的定位方法
CN112147573A (zh) * 2020-09-14 2020-12-29 山东科技大学 一种基于csi的幅值和相位信息的无源定位方法

Also Published As

Publication number Publication date
CN113514796A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN107729916B (zh) 一种基于isodata的干扰源分类识别算法
CN109490826B (zh) 一种基于无线电波场强rssi的测距与位置定位方法
CN111541511A (zh) 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN113271539B (zh) 一种基于改进的cnn模型的室内目标定位方法
Siyang et al. WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping
WO2022099999A1 (zh) 一种室内定位方法、装置、设备及存储介质
CN103824302A (zh) 基于方向波域图像融合的sar图像变化检测方法
CN113514796B (zh) 一种无源定位方法、系统和介质
CN113850838A (zh) 船舶航行意图获取方法、装置、计算机设备及存储介质
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN115908547A (zh) 一种基于深度学习的无线定位方法
Lei et al. DeFLoc: Deep learning assisted indoor vehicle localization atop FM fingerprint map
CN114814776A (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN118245873A (zh) 用于跨房间非视距声信号识别的域适应神经架构搜索方法
CN116482680B (zh) 一种身体干扰识别方法、装置、系统和存储介质
CN115469303A (zh) 一种检测人体姿态和生命体征的认知生物雷达方法与装置
CN107170004A (zh) 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法
Tang et al. A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms
CN110751201A (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
CN113608190B (zh) 基于奇异空间三特征的海面目标检测方法及系统
CN108415005A (zh) 一种无源定位时延估计方法及装置
CN114841195A (zh) 航电空间信号建模方法和系统
Lei et al. Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm
CN118731921B (zh) 基于otfs的多目标检测方法、系统、存储介质及设备
Yu et al. ReCPos: Deep Learning Network for 5G NR High-precision Positioning

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