CN114371445A - 一种基于单无人机的多辐射源直接定位方法 - Google Patents
一种基于单无人机的多辐射源直接定位方法 Download PDFInfo
- Publication number
- CN114371445A CN114371445A CN202210035415.7A CN202210035415A CN114371445A CN 114371445 A CN114371445 A CN 114371445A CN 202210035415 A CN202210035415 A CN 202210035415A CN 114371445 A CN114371445 A CN 114371445A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- time
- space
- array
- matrix
- 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.)
- Pending
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
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于单无人机的多辐射源直接定位方法,无人机沿一定飞行轨迹,在K个感知时隙内接收多个辐射源信号并输出阵列响应快拍矢量;将各感知时隙内的阵列响应快拍矢量进行空时频扩展;计算各感知时隙内空时频阵列响应快拍矢量的协方差矩阵,提取出信号子空间及其对应特征值;利用加权信号子空间拟合思想引入目标函数;设计算法找出最大目标函数值对应的空间坐标位置,即为多个辐射源的位置估计。本发明在保持较好定位性能的前提下,能有效解除多辐射源直接定位中仅依赖空域信息的限制,运用空时频信号子空间拟合的方法实现多目标同时定位;仅需一架搭载小型均匀线性阵列的无人机即可完成,所需数据小、运作成本低,便于工程实现。
Description
技术领域
本发明属于无线通信技术的无源定位领域,具体是一种基于单无人机的多辐射源直接定位方法。
背景技术
位置信息为导航、通信、频谱空穴发掘、资源选择和分配等应用提供基本参考。基于GPS、北斗等卫星导航系统的天基平台可以通过广阔的覆盖区域监视并定位辐射源。然而,由于在城市或室内环境中卫星信号微弱,因而在此类环境中天基平台定位误差往往较大。基于雷达、激光雷达、声呐等有源设备的陆基平台,利用向外发射大功率信号定位辐射源。然而,传统陆基平台工作时容易受到其他电子设备的恶意干扰,而且由于观测站固定,因而受地面复杂环境影响大,且灵活性很差,在实际应用中受限。因此,研究基于无人机的空基平台定位具有十分重要的现实意义。
在单无人机定位问题中,常使用两步定位方法,即无人机在测量多辐射源的AOA、TDOA等中间参数后再进行定位。然而,两步定位过程中存在信息损失、数据相关性损失、“辐射源─参数”正确关联等不足,因而导致其定位精度与分辨能力受限。直接定位方法则通过信号处理后便可直接获取辐射源位置,而无需中间参数估计。与两步定位方法相比,直接定位方法过程更简单、在低信噪比条件下定位性能更好。
当前,基于单无人机的多辐射源直接定位方法主要利用空域信息,而忽略了时域信息对定位性能的影响。此外,也较少考虑单无人机定位系统在快速移动过程中,如多普勒频移、传播延迟对接收信号的影响,搭载天线阵列尺寸和处理数据量大小对无人机计算能力的影响。
发明内容
针对传统两步定位方法中定位精度与分辨能力受限的问题,本发明提出一种基于单无人机的多辐射源直接定位方法,运用空时频信号子空间拟合的方法,能有效解除多辐射源直接定位中仅依赖空域信息的限制,实现多目标同时定位。
为实现本发明目的,提供一种基于单无人机的多辐射源直接定位方法,包括以下步骤:
S1:无人机沿一定飞行轨迹,在K个感知时隙内接收多个辐射源信号并输出其阵列响应快拍矢量;
S2:将各感知时隙内的阵列响应快拍矢量进行空时频二维扩展;
S3:计算各感知时隙内空时频阵列响应快拍矢量的协方差矩阵,提取出信号子空间及其对应特征值;
S4:利用加权信号子空间拟合思想引入目标函数;
S5:设计算法找出最大目标函数值对应的空间坐标位置,即为多个辐射源的位置估计。
本发明与现有技术相比,其有益效果为:
1、利用联合空、时、频域信息和空时频模型扩展方法,将阵列输出响应模型扩展为具有更高维度的空时频阵列输出响应模型,有效解除了多辐射源直接定位中仅依赖空域信息的限制,从绝对定位误差和平均相对定位误差两个方面进行分析,本发明有效提升了定位精度;
2、在保持较好定位性能的前提下,本发明仅需一架搭载小型均匀线性阵列的无人机沿一定轨迹飞行一段较短时间后,即可实现多目标同时定位,便于工程实现。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的单无人机多辐射源直接定位场景示意图。
图3为本发明方法的绝对定位误差对比图。
图4为本发明方法的相对定位误差对比图。
图5为本发明方法的定位散点示意图。
具体实施方式
如图1所示,一种基于单无人机的多辐射源直接定位方法,包括以下步骤:
S1:无人机沿一定飞行轨迹,在K个感知时隙内接收多个辐射源信号并输出其阵列响应快拍矢量;
S2:将各感知时隙内的阵列响应快拍矢量进行空时频二维扩展;
S3:计算各感知时隙内空时频阵列响应快拍矢量的协方差矩阵,提取出信号子空间及其对应特征值;
S4:利用加权信号子空间拟合思想引入目标函数;
S5:设计算法找出最大目标函数值对应的空间坐标位置,即为多个辐射源的位置估计。
本发明的具体实现如下:
步骤S1:无人机沿一定飞行轨迹,在K个感知时隙内接收多个辐射源信号并输出其阵列响应矢量;
考虑如图2所示的定位场景中存在一架搭载M元均匀线性阵列的无人机沿一定飞行轨迹运动。在无人机的视距范围内有Q个静止辐射源,发射中心频率为fc、初始相位为的窄带信号,将第q个辐射源的位置表示为该无人机在K个感知时隙内不同位置上接收多辐射源信号(同一时隙中的到达角度、传播延迟、多普勒频移保持不变),将第k个感知时隙内无人机的位置表示为通过阵列信号处理,均匀线性阵列在第k个感知时隙内的阵列响应矢量为
其中,是在第k个时隙内对第q个辐射源信号的阵列流形矢量,sqk(t-τk(pq))是在第k个时隙内接收第q个辐射源信号经传播延迟τk(pq)后的窄带信号(已合并信道衰落βqk),是在第k个时隙内接收第q个辐射源信号后由多普勒频率引起的相位变化,是在第k个时隙内的加性复高斯噪声,Ts是采样间隔时间,K是感知时隙数量,N是采样点数,n为第几个采样点,0≤n≤N-1,N*为正整数集。
M元均匀线性阵列的阵列流形矢量ak(pq)与信号到达角度θk(pq)有关,表示为
其中,{·}T表示矩阵或矢量的转置,d为阵列孔径的长度,λ=c/fc为波长(c为电磁波传播速度),θk(pq)与pq存在关系
sqk(t-τk(pq))主要对sqk(t)产生相位延迟,表示为
步骤S2:将各感知时隙内的阵列响应矢量进行空时频二维扩展;
第k个时隙内的所有阵列响应快拍矢量为
rk(hL+l)为在每个阵元上经过了时间延迟lτ(τ=Ts)和空间延迟mτd(τd=d/c)后的空时频阵列响应快拍矢量,其中mτd(τd=d/c)已包含在ak(pq)中。
其中,是第k个时隙内对Q个辐射源信号的空时频阵列流形矩阵,是Q个辐射源的位置,矩阵元素为空时频阵列流形矢量(表示克罗内克积),为时频域阵列流形矢量,是第k个时隙、第h段时间的空时频采样信号值,是第k个时隙、第h段时间的空时频加性复高斯噪声。L是快拍数量,H是时间段数量,且满足HLTs=NTs。
步骤S3:计算各感知时隙内空时频阵列响应矢量的协方差矩阵,提取出信号子空间及其对应特征值;
步骤S4:利用加权信号子空间拟合思想引入目标函数;
步骤S5:设计算法找出最大目标函数值对应的空间坐标位置,即为多个辐射源的位置估计。
算法1:空时频条件下基于粒子群优化和交替投影的定位算法(ST-PSO-AP)
ST-PSO-AP算法的基本思想如下所述:首先,通过粒子群优化算法(ParticleSwarm Optimization,PSO),在历经粒子群的数代更新和替代后,得到辐射源位置的粗略估计。然后,将粗略估计值作为初始值,利用交替投影算法(Alternative Projection,AP)精细化对辐射源位置的估计。最后,当达到收敛条件时,停止迭代并输出最终的辐射源位置估计值。
1.1初始化
考虑一个规模Np、代数Ng的粒子群,其中每个粒子i具有两种属性:速度和位置在粒子群更新和替代的过程中,通过比较当前个体最优粒子的适应度,寻找到全局最优粒子作为ST-PSO-AP算法的初始值。在每代粒子群中,适应度函数(目标函数)决定了当前的pBesti是否可以被新的位置Xi代替。每个粒子Vi和Xi的更新,遵循以下公式,
其中,w>0为惯性因子,用于调整可行解的搜索范围,c1为个体学习因子,c2为群体学习因子,r1和r2为[0,1]的随机数,用于减少搜索的随机性。
1.2交替迭代
将式(15)代入式(14)中,舍去与pq无关的项得到
算法2:空时频条件下基于循环神经网络的定位算法(ST-RNN)
ST-RNN算法的基本思想如下所述:空时频阵列响应矢量与感知时隙相互关联,利用长短期记忆网络(Long short-term memory,LSTM)的特征去学习空时频阵列响应矢量在时间上的长期相关性。通过已训练好的神经网络,便可以直接输出所有辐射源位置的估计值。
2.1初始化
网络:输入层、LSTM层、全连接层、全连接层、Dropout层、全连接层、输出层
指定输入大小为LM×H的矩阵,并对序列进行归一化;依次通过200个隐藏单元的LSTM层、200个隐藏单元的全连接层、100个隐藏单元的全连接层、50%概率的Dropout层和4个隐藏单元的全连接层;最后输出2Q×H的矩阵。
2.2训练和测试网络
在训练期间,默认情况下,将训练数据分割成小批次并填充序列,使它们具有相同的长度;过多的填充会对网络性能产生负面影响;指定求解器为“Adam”,梯度阈值为1,最大训练周期数为60;为了减少小批次中的填充量,选择400的批次大小;为了确保数据仍然按照序列长度排序,指定不打乱数据顺序;在完成网络训练后,使用已训练好的网络去测试数据,并得到与之对应的
实施例:设置区域S=3500×5000m2内存在一架搭载M=5元均匀线性阵列的无人机,阵列的远场区域存在Q=2个辐射源。该无人机从位置[-1500,3000]T(m)出发,自西向东以v=[200,0]T(m/s)匀速运动,经K=9个感知时隙后到达位置[900,3000]T(m)。两个辐射源分别位于p1=[-1200,0]T(m)和p2=[1000,0]T(m),发射中心频率fc=200(MHz)、初始相位为的窄带信号。此外,其他参数设置如下:c1=c2=1.49445,w=0.8,Ng=40,Np=10,H=100,L=10,Nc=1600,ε=1×e-5,D=1000。
图3和图4分别为各算法的定位均方根误差和定位平均相对误差,记名称为两步定位、OWSSF、SF-OWSSF、STF-PSO-AP、STF-RNN。令信噪比以间隔为2dB的增长从SNR=-10dB到SNR=10dB变化,其中图3(a)为辐射源1时绝对误差与信噪比的对比,图3(b)为辐射源2时绝对误差与信噪比的对比;图4(a)为辐射源1时相对误差与信噪比的对比,图4(b)为辐射源2时相对误差与信噪比的对比。观察结果可知:(1)各算法的定位误差会随着信噪比的增加而呈现下降的趋势;(2)联合空时频域信息的定位算法(STF-PSO-AP和STF-RNN)的定位误差最小。
在均匀线性阵列的阵元数量和阵元间距保持不变的情况下,STF-PSO-AP和STF-RNN不仅比利用空域信息的OWSSF、利用空域和频域信息的SF-OWSSF定位误差要更小,而且所需的快拍数量也更少。这主要是因为空时频阵列流形矢量比一般阵列流形矢量扩大了L维,提供了更多的定位信息;(3)相较于其他算法,两步定位易受信噪比影响。在低信噪比时,两步定位的误差比直接定位算法的误差大。当信噪比增加时,虽然两步定位的误差会随之下降,但依旧比直接定位算法的误差大。由此说明,在低信噪比条件下,使用直接定位算法性能会更好。
图5为各算法的定位散点图,其中图5(a)为SNR=-10dB,图5(b)为SNR=10dB。观察可知:当SNR<0时,估计位置与真实位置差距较大,相较于定位速度,定位精度更容易受信噪比影响,此时应提升定位精度在定位过程中的权重;当SNR>0时,估计位置与真实位置差距较小,各定位算法的定位精度都较高,此时更应关注定位速度的提升,使整个定位过程具有精度高、速度快的特点。综合来看,相较于其他定位算法,STF-PSO-AP和STF-RNN在速度和精度方面都具有一定优势。
Claims (7)
1.一种基于单无人机的多辐射源直接定位方法,其特征在于,包括以下步骤:
(1)无人机沿一定飞行轨迹,在K个感知时隙内接收多个辐射源信号并输出其阵列响应快拍矢量;
(2)将各感知时隙内的阵列响应快拍矢量进行空时频扩展;
(3)计算各感知时隙内空时频扩展阵列响应快拍矢量的协方差矩阵,提取出信号子空间及信号子空间的对应特征值;
(4)利用加权信号子空间拟合思想引入目标函数;
(5)设计算法找出最大目标函数值对应的空间坐标位置,即为多个辐射源的位置估计。
6.根据权利要求5所述的基于单无人机的多辐射源直接定位方法,其特征在于,步骤(5)中,设计算法找出最大目标函数值对应的空间位置,如下所示,
空时频条件下基于粒子群优化和交替投影的定位算法
首先,通过粒子群优化算法,在历经粒子群的数代更新和替代后,得到辐射源位置的粗略估计;然后,将粗略估计值作为初始值,利用交替投影算法精细化对辐射源位置的估计;最后,当达到收敛条件时,停止迭代并输出最终的辐射源位置估计值;
1.1初始化
考虑一个规模Np、代数Ng的粒子群,其中每个粒子i具有两种属性:速度和位置在粒子群更新和替代的过程中,通过比较当前个体最优粒子的适应度,寻找到全局最优粒子作为初始值;在每代粒子群中,适应度函数决定了当前的pBesti是否可以被新的位置Xi代替;每个粒子Vi和Xi的更新,遵循以下公式:
其中,w>0为惯性因子,用于调整可行解的搜索范围,c1为个体学习因子,c2为群体学习因子,r1和r2为[0,1]的随机数,用于减少搜索的随机性;
1.2交替迭代
将式(7)代入式(6)中,舍去与pq无关的项得到
7.根据权利要求5所述的基于单无人机的多辐射源直接定位方法,其特征在于,步骤(5)中,设计算法找出最大目标函数值对应的空间位置,如下所示,
空时频条件下基于循环神经网络的定位算法
空时频阵列响应矢量与感知时隙相互关联,利用长短期记忆网络的特征去学习空时频阵列响应矢量在时间上的长期相关性;通过已训练好的神经网络,直接输出所有辐射源位置的估计值;
2.1初始化
网络:输入层、LSTM层、全连接层、全连接层、Dropout层、全连接层、输出层
指定输入大小为LM×H的矩阵,并对序列进行归一化;依次通过200个隐藏单元的LSTM层、200个隐藏单元的全连接层、100个隐藏单元的全连接层、50%概率的Dropout层和4个隐藏单元的全连接层;最后输出2Q×H的矩阵;
2.2训练和测试网络
在训练期间,默认情况下,将训练数据分割成小批次并填充序列,使它们具有相同的长度;过多的填充会对网络性能产生负面影响;指定求解器为“Adam”,梯度阈值为1,最大训练周期数为60;为了减少小批次中的填充量,选择400的批次大小;为了确保数据仍然按照序列长度排序,指定不打乱数据顺序;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035415.7A CN114371445A (zh) | 2022-01-13 | 2022-01-13 | 一种基于单无人机的多辐射源直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035415.7A CN114371445A (zh) | 2022-01-13 | 2022-01-13 | 一种基于单无人机的多辐射源直接定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114371445A true CN114371445A (zh) | 2022-04-19 |
Family
ID=81144309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035415.7A Pending CN114371445A (zh) | 2022-01-13 | 2022-01-13 | 一种基于单无人机的多辐射源直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114371445A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669819A (zh) * | 2019-03-07 | 2020-09-15 | 广州慧睿思通信息科技有限公司 | 空地协同的定位方法、设备、系统及存储介质 |
CN115267662A (zh) * | 2022-06-25 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN116106824A (zh) * | 2023-01-06 | 2023-05-12 | 南京航空航天大学 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
-
2022
- 2022-01-13 CN CN202210035415.7A patent/CN114371445A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669819A (zh) * | 2019-03-07 | 2020-09-15 | 广州慧睿思通信息科技有限公司 | 空地协同的定位方法、设备、系统及存储介质 |
CN115267662A (zh) * | 2022-06-25 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN115267662B (zh) * | 2022-06-25 | 2023-08-15 | 中国人民解放军战略支援部队信息工程大学 | 一种基于单运动阵列被动合成孔径的相关干涉仪直接定位方法 |
CN116106824A (zh) * | 2023-01-06 | 2023-05-12 | 南京航空航天大学 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
CN116106824B (zh) * | 2023-01-06 | 2023-11-03 | 南京航空航天大学 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114371445A (zh) | 一种基于单无人机的多辐射源直接定位方法 | |
Wan et al. | Joint range-Doppler-angle estimation for intelligent tracking of moving aerial targets | |
CN106909779B (zh) | 基于分布式处理的mimo雷达克拉美罗界计算方法 | |
CN108872971B (zh) | 一种基于运动单阵列的目标定位方法与装置 | |
CN112712557B (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN109143275B (zh) | 一种基于粒子群的小型化阵列天线抗干扰实现方法 | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
CN112255629B (zh) | 基于联合uca的序贯esprit二维不相干分布源参数估计方法 | |
Qin et al. | A decoupled direct positioning algorithm for strictly noncircular sources based on Doppler shifts and angle of arrival | |
CN107290732A (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
Yin et al. | Direct localization of multiple stationary narrowband sources based on angle and Doppler | |
CN114415210A (zh) | 一种多维信息联合的卫星导航欺骗式干扰源直接定位方法 | |
Fan et al. | Localization based on improved sparse Bayesian learning in mmWave MIMO systems | |
Cao et al. | DNN-based peak sequence classification CFAR detection algorithm for high-resolution FMCW radar | |
He et al. | Adaptive cascaded high-resolution source localization based on collaboration of multi-UAVs | |
Cui et al. | Seeing is not always believing: Isac-assisted predictive beam tracking in multipath channels | |
CN106908760B (zh) | 基于阵列自相关矩阵的单站无源定位方法 | |
Öktem et al. | Power delay doppler profile fingerprinting for mobile localization in NLOS | |
CN115906923A (zh) | 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法 | |
CN115052246A (zh) | 一种未知衰减系数下基于多频率代价函数融合的宽带信号直接定位方法 | |
CN115310480A (zh) | 一种基于深度神经网络的doa估计算法性能分析方法 | |
CN112333629A (zh) | 一种互耦未知条件下分布式阵列多目标定位方法 | |
Yilong et al. | Emitter localization using a single moving observer based on UKF | |
Boiko et al. | Possibilities of the MUSIC Algorithm for WI-FI Positioning According to the IEEE 802.11 az Standard | |
Rice et al. | Experimental Evaluation of AoA Estimation for UAV to Massive MIMO |
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 |