一种基于神经网络计算的多目标直接定位方法技术

本发明专利技术属于无线电信号定位技术领域，尤其涉及一种基于神经网络计算的多目标直接定位方法。本发明专利技术公开了一种基于神经网络计算的多目标直接定位方法。首先，将所感兴趣的目标区域分解成若干扇区，并且利用多层前馈神经网络检测出存在目标的扇区。接着，当检测到某扇区内存在多个目标时，则将该扇区进一步分解成若干子扇区，以确保每个子扇区内最多仅出现一个目标，并再次利用多层前馈神经网络检测出存在目标的子扇区。然后，当多目标分布在不同扇区或者子扇区时，利用多层前馈神经网络依次对目标出现的扇区或者子扇区进行空域滤波。最后，利用径向基神经网络独立并行地对出现在不同扇区或者子扇区内的目标进行直接定位。

A multi-target direct location method based on Neural Network Computing

The invention belongs to the technical field of radio signal positioning, in particular to a multi-target direct positioning method based on neural network calculation. The invention discloses a multi-objective direct location method based on neural network calculation. Firstly, the target region of interest is decomposed into several sectors, and the sector with the target is detected by the multi-layer feedforward neural network. Then, when multiple targets are detected in a sector, the sector is further decomposed into several sub-sectors to ensure that there is only one target in each sub-sector at most, and the sub-sector with the target is detected again by the multi-layer feedforward neural network. Then, when the multi-target is distributed in different sectors or sub-sectors, the multi-layer feed-forward neural network is used to filter the sectors or sub-sectors in turn. Finally, the radial basis function neural network is used to locate the target in different sectors or sub-sectors independently and in parallel.

【技术实现步骤摘要】
一种基于神经网络计算的多目标直接定位方法
本专利技术属于无线电信号定位
，尤其涉及一种基于神经网络计算的多目标直接定位方法。
技术介绍
众所周知，无线信号定位技术广泛应用于通信、雷达、目标监测、导航遥测、地震勘测、射电天文、紧急救助、安全管理等领域，其在工业生产和军事应用中都发挥着重要的作用。对目标进行定位(即位置参数估计)可以使用雷达、激光、声纳等有源设备来完成，该类技术称为有源定位技术，它具有全天候、高精度等优点。然而，有源定位系统通常需要依靠发射大功率电磁信号来实现，因此极易暴露自己位置，容易被对方发现，从而遭到对方电子干扰的影响，导致定位性能急剧恶化，甚至会危及系统自身的安全性和可靠性。目标定位还可以利用目标(主动)辐射或者(被动)散射的无线电信号来实现，该类技术称为无源定位技术，它是指在观测站(也称传感器)在不主动发射电磁信号的情况下，通过接收目标辐射或者散射的无线电信号来估计目标的位置参数。与有源定位系统相比，无源定位系统具有不主动发射电磁信号、生存能力强、侦察作用距离远等优势，从而得到国内外学者的广泛关注和深入研究。一般来说，无源定位系统根据观测站数目可以分为单站无源定位系统和多站无源定位系统两大类，这两类定位系统各有其自身优势。具体来说，单站定位系统具有灵活性高、机动性强、系统简洁以及不需要站间通信与同步等优点，而多站定位系统则能够获得更多的观测信息，通过协同处理可以提高定位精度。本专利主要涉及多站无源定位体制。在多站无源定位系统中，一种较常见的定位体制是多站测向交汇定位，其中每个观测站安装天线阵列用于对目标信号源进行测向，然后中心站利用各站测向结果对目标进行定位。这种定位技术属于两步估计定位模式，即先从信号数据中估计定位参数(例如方位、时差、多普勒频率等参数)，然后再利用这些参数估计目标位置坐标。虽然这种两步估计定位模式应用广泛，但是仍然存在一些不足之处，其中包括：(1)从信息论的角度来看，两步定位模式难以获得渐近最优的估计精度，因为从原始数据到最终的估计结果之间每增加一步处理环节，就会损失一部分信息，从而影响最后的定位精度，尤其在低信噪比和小样本数条件下该现象更为明显。(2)两步定位模式中的第一步往往是各个观测站利用其采集到的信号数据独立地进行参数估计，这容易丢失各站采集数据之间的相关性，而损失的信息在第二步定位环节中是无法得到弥补的。(3)当多个目标同时存在时，两步定位模式存在“目标─量测”数据关联问题，即如何将信号测量参数与目标进行正确关联，从而完成后续的多目标定位，若数据关联错误，也会影响最终的定位精度。为了克服两步估计定位模式的缺点，一种较好的措施是采用单步定位(亦称直接定位)模式，即从信号数据域中直接提取目标的位置参数，而无需估计其它中间参数，这一定位思想最早是由以色列学者A.J.Weiss和A.Amar所提出。在多站测向交汇定位体制中，B.Demissie和M.Oispuu等学者提出了基于子空间融合的直接定位方法，该方法无需各个观测站获得测向结果，属于单步定位模式，能够取得较高的估计精度。然而，该方法需要通过网格搜索获得目标位置估计，计算量相对较大，并不利于实时定位。
技术实现思路
针对现有直接定位方法的实时运算量相对较大的问题，本专利技术提供了一种基于神经网络计算的多目标直接定位方法，以快速准确地对多目标进行定位。此外，为了减少神经网络的学习数据样本，本专利提供的方法将目标检测、空域滤波以及直接定位相结合，显著降低了样本数量。为了实现上述目的，本专利技术采用以下技术方案：一种基于神经网络计算的多目标直接定位方法，包括以下步骤：步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵步骤2：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量步骤3：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；步骤4：将实向量输入到步骤3中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6；步骤5：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；步骤6：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；步骤7：将实向量输入到步骤6中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；步骤8：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；步骤9：将步骤7中进行空域滤波之后的数据向量输入到步骤8中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。进一步地，所述步骤1包括：步骤1.1：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：式中ud表示第d个信号的位置向量；al(ud)表示第d个信号到达第l个阵列所产生的阵列流形向量；Al＝[al(u1)al(u2)…al(uD)]表示第l个阵列所对应的流形矩阵；sl(t)＝[sl,1(t)sl,2(t)…sl,D(t)]T表示信号复包络向量，其中sl,d(t)表示第d个信号到达第l个阵列的复包络；εl(t)表示第l个阵列上的加性噪声；步骤1.2：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：其中，xl(tj)第l个静止观测站在第j个快拍时的输出信号；步骤1.3：按照步骤1.1和步骤1.2的方式分别构造L个阵列输出协方差矩阵进一步地，所述步骤2包括：步骤2.1：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量步骤2.2：将步骤2.1得出的向量和向量进行合并，以形成实向量步骤2.3：将步骤2.2得出的L个实向量进行合并，以构造扩维向量步骤2.4：对扩维向量进行归一化得到实向量进一步地，所述步骤3包括：步骤3.1：将感兴趣的目标区域划分成K个扇区，在第k个扇区内选取Mk个离散位置点，记为共有个离散位置点；步骤3.2：对第k个扇区进行检测，以确定该扇区内的目标个数，其检测到的结果包括{0,1,…,D}共计D+1种可能性，因此针对每种可能性构造与之相对应的学习样本数据，利用构造的学习样本数据训练多层前馈神经网络，过程如下：步骤3.2.1：从离散位置集合中挑选出q个位置向量步骤3.2.2：从第k个扇区以外的离散位置集合中挑选出若干位置向量，挑选的离本文档来自技高网...

【技术保护点】
1.一种基于神经网络计算的多目标直接定位方法，其特征在于，包括以下步骤：步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵

【技术特征摘要】
1.一种基于神经网络计算的多目标直接定位方法，其特征在于，包括以下步骤：步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵步骤2：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量步骤3：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；步骤4：将实向量输入到步骤3中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6；步骤5：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；步骤6：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；步骤7：将实向量输入到步骤6中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；步骤8：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；步骤9：将步骤7中进行空域滤波之后的数据向量输入到步骤8中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。2.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤1包括：步骤1.1：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：式中ud表示第d个信号的位置向量；al(ud)表示第d个信号到达第l个阵列所产生的阵列流形向量；Al＝[al(u1)al(u2)…al(uD)]表示第l个阵列所对应的流形矩阵；sl(t)＝[sl,1(t)sl,2(t)…sl,D(t)]T表示信号复包络向量，其中sl,d(t)表示第d个信号到达第l个阵列的复包络；εl(t)表示第l个阵列上的加性噪声；步骤1.2：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：其中，xl(tj)第l个静止观测站在第j个快拍时的输出信号；步骤1.3：按照步骤1.1和步骤1.2的方式分别构造L个阵列输出协方差矩阵3.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤2包括：步骤2.1：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量步骤2.2：将步骤2.1得出的向量和向量进行合并，以形成实向量步骤2.3：将步骤2.2得出的L个实向量进行合并，以构造扩维向量步骤2.4：对扩维向量进行归一化得到实向量4.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤3包括：步骤3.1：将感兴趣的目标区域划分成K个扇区，在第k个扇区内选取Mk个离散位置点，记为共有个离散位置点；步骤3.2：对第k个扇区进行检测，以确定该扇区内的目标个数，其检测到的结果包括{0,1,…,D}共计D+1种可能性，因此...

【专利技术属性】
技术研发人员：王鼎，尹洁昕，唐涛，杨宾，杜剑平，陈鑫，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南,41