基于VGG16神经网络的航天测控系统干扰源波达方向估计方法技术方案

基于VGG16神经网络的航天测控系统干扰源波达方向估计方法,涉及基于VGG16神经网络的测控系统干扰源波达方向估计领域。是为了克服传统DOA估计算法复杂度高、效率低或误差大的缺点，以及在测控系统估计过程中由于人为因素带来的局限严重的问题。发明专利技术有效利用VGG16神经网络技术，通过VGG16神经网络的方法对已有数据集进行训练，从而得到VGG16神经网络模型，从而利用VGG16神经网络对干扰源DOA值进行估计。这种计算方法效率高，误差小，是一种更好的解决方案。

Estimation method of direction of arrival of interference source for Space TT & C system based on vgg16 neural network

The method of estimating the direction of arrival of interference sources in space TT & C system based on vgg16 neural network is related to the field of estimating the direction of arrival of interference sources in TT & C system based on vgg16 neural network. In order to overcome the shortcomings of traditional DOA estimation algorithm, such as high complexity, low efficiency or large error, and the serious limitations caused by human factors in the process of measurement and control system estimation. The invention effectively uses the vgg16 neural network technology, trains the existing data set through the method of vgg16 neural network, thus obtains the vgg16 neural network model, and estimates the DOA value of the interference source by the vgg16 neural network. It is a better solution with high efficiency and small error.

【技术实现步骤摘要】
基于VGG16神经网络的航天测控系统干扰源波达方向估计方法
：本专利技术涉及基于VGG16神经网络的测控系统干扰源波达方向估计领域。
技术介绍
：对航天飞行目标进行测量和控制的综合系统称之为航天测控系统，跟踪与数据中继卫星系统(TrackingandDataRelaySatelliteSystem,TDRSS)是20世纪航天测控技术的重大突破，是当前天基多目标测控系统的主流技术。而随着无线通信和航天技术的快速发展，空间电磁环境变得异常复杂，多种合作及非合作无线电信号同时存在于航天测控系统所应用的频段，给航天测控系统造成了极大的干扰。而测控通信系统关乎航天器姿态控制、轨道控制乃至其生死存亡，相对于一般通信与数传系统有着更高的通信可靠性和有效性要求，如何解决航天测控系统抗干扰的问题成了世界各主要航天大国的航天科技主攻方向之一。空域抗干扰是当前热门方向。而空域抗干扰首先要做的就是估计干扰源的波达方向DOA；目前，已有的估计干扰源的波达DOA方向的方法存在复杂度高、效率低、误差大，以及在测控系统估计过程中受人为因素局限严重。
技术实现思路
本专利技术的目的在于克服传统DOA估计算法复杂度高、效率低或误差大的缺点，以及在测控系统估计过程中由于人为因素带来的局限严重的问题，从而提供一种基于VGG16神经网络的航天测控系统干扰源波达方向估计方法。基于VGG16神经网络的航天测控系统干扰源波达方向估计方法，它包括以下步骤：步骤一：样本数据采集：通过阵列天线的各个阵元采集干扰信号。<br>步骤二：样本特征提取：数据集制作过程，DOA值作为已知，也可采用经典MUSIC算法，改进MUSIC算法等求得干扰信号DOA值。步骤三：神经网络的构建：本专利技术构建的VGG16神经网络共13个卷积层和3个全连接层。其中，输入层神经元数目按阵元数来确定，实际是将阵列天线接收到的信号传入VGG16神经网络；卷积层有13层，全部采用3*3卷积核尺寸，最大池化尺寸均采用2*2；输出层共有800个神经元：分别代表干扰源由-40度到40度，间隔0.1度，共计800个度数。步骤四：神经网络的训练：训练时，输入值：X(t)，X(t)为阵元输入信号矩阵，该神经网络中，传递函数我们选择s型非线性函数；神经网络的训练结果，我们设定输出层归一化为0.1；设θk*代表干扰源的DOA期望输出；而θk代表干扰源DOA值的实际网络输出；因此误差有：当满足上述式子的时候，神经网络停止训练；否则，神经网络反向传递，修改权值，直到满足上式，此时训练结束。步骤五：利用神经网络处理待测阵元数据：将阵列天线收集好的阵元数据用训练好的神经网络进行处理，对每一个数据，对其周围3×3的区域进行特征提取，利用神经网络计算输出值。如果输出值符合DOA估计，即0.1±0.1时，赋值为100；这样就很容易实现柱状图显示。步骤六：计算干扰源数目及DOA值，并予以柱状图显示。本专利技术有效利用VGG16神经网络技术，通过VGG16神经网络的方法对已有数据集进行训练，从而得到VGG16神经网络模型，从而利用VGG16神经网络对干扰源DOA(DirectionofArrival)值进行估计。这种计算方法效率高，误差小，在测控系统估计过程中受人为因素带来的局限小，是一种更好的解决方案。附图说明：下面结合附图和实例对本专利技术进一步说明。图1是本专利技术的基于VGG16的测控系统干扰源DOA估计方法流程图。图2是样本采集示意图。图3是单个神经元结构图。图4是神经网络结构图。具体实施方式：下面结合附图和具体实施方式对本专利技术作进一步描述：图1是本专利技术的基于VGG16的测控系统干扰源DOA估计方法流程图。它包括以下步骤：步骤一：样本数据采集：通过阵列天线的各个阵元采集干扰信号，确定排数，即采样频率。步骤二：样本特征提取：数据集制作过程，DOA值作为已知，也可采用经典MUSIC算法，改进MUSIC算法等求得干扰信号DOA值。步骤三：神经网络的构建：本专利技术构建的VGG16神经网络共13个卷积层和3个全连接层。其中，输入层神经元数目按阵元数来确定，实际是将阵列天线接收到的信号传入VGG16神经网络；卷积层有13层，全部采用3*3卷积核尺寸，最大池化尺寸均采用2*2；输出层共有800个神经元：分别代表干扰源由-40度到40度，间隔0.1度，共计800个度数。步骤四：神经网络的训练：训练时，输入值：X(t)，X(t)为阵元输入信号矩阵，该神经网络中，传递函数我们选择s型非线性函数；神经网络的训练结果，我们设定输出层归一化为0.1；设θk*代表干扰源的DOA期望输出；而θk代表干扰源DOA值的实际网络输出；因此有：当满足上述式子的时候，神经网络停止训练；否则，神经网络反向传递，修改权值，直到满足上式，此时训练结束。步骤五：利用神经网络处理待测阵元数据：将阵列天线收集好的阵元数据用训练好的神经网络进行处理，对每一个数据，对其周围3×3的区域进行特征提取，利用神经网络计算输出值。如果输出值符合DOA估计，即0.1±0.1时，赋值为100；这样就很容易实现柱状图显示。步骤六：计算干扰源数目及DOA值，并予以柱状图显示。如图2，是阵列天线与干扰源关系示意图。图中分为干扰源和阵列天线(仅为示意图)，阵列天线多个阵元同时接收到阵元A，B两个干扰源的信号，DOA值分别为A，B。如图3，是单个神经元结构图，输入为n个特征值，对n个输入加权求和，再通过传递函数，即可得到单个神经元的输出值。在本专利技术中，传递函数选择了s型非线性函数，如图4，是VGG16神经网络结构图。本专利技术构建的VGG16神经网络共分为三大层：输入层，隐含层(13层卷积层和3层全连接层)以及输出层。其中，输入层神经元数与阵元数相同，实现一个阵列天线阵元数据的输入，xk为输入层的第k个学习目标；卷积层均采用3*3卷积核，池化层均采用2*2最大池化；输出层共有800个神经元：分别代表-40度到40度的800个角度，将拟合问题转换为分类问题。本专利技术对比现有技术，有如下有益效果：传统的DOA估计方法由于谱峰搜索造成运算量大，且效率较低，而运算量相对小的DOA估计算法误差却变得很大。综合运算量，效率，误差等问题，本专利技术利用VGG16卷积神经网络进行干扰源DOA估计，这样可以大大提高精度，而且方便利用现有GPU等硬件进行加速，使得效率也大大提高，保证了测控系统抗干扰方案干扰源DOA估计的精度。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.基于VGG16神经网络的航天测控系统干扰源波达方向估计方法，其特征是：它包括以下步骤：/n步骤一、样本数据采集步骤：通过航天测控系统的阵列天线的各个阵元采集干扰信号；/n步骤二、样本特征提取步骤：根据步骤一采集的干扰信号提取样本特征；/n步骤三、VGG16神经网络构建步骤：根据步骤二提取的样本特征构建VGG16神经网络；/n步骤四、神经网络的训练步骤：对神经网络进行训练，获得训练好的VGG16神经网络神经网络；/n步骤五、航天测控系统干扰源波达方向估计步骤：将阵列天线收集好的阵元数据用训练好的神经网络进行波达方向估计，实现基于VGG16神经网络的航天测控系统干扰源波达方向估计。/n

【技术特征摘要】
1.基于VGG16神经网络的航天测控系统干扰源波达方向估计方法，其特征是：它包括以下步骤：
步骤一、样本数据采集步骤：通过航天测控系统的阵列天线的各个阵元采集干扰信号；
步骤二、样本特征提取步骤：根据步骤一采集的干扰信号提取样本特征；
步骤三、VGG16神经网络构建步骤：根据步骤二提取的样本特征构建VGG16神经网络；
步骤四、神经网络的训练步骤：对神经网络进行训练，获得训练好的VGG16神经网络神经网络；
步骤五、航天测控系统干扰源波达方向估计步骤：将阵列天线收集好的阵元数据用训练好的神经网络进行波达方向估计，实现基于VGG16神经网络的航天测控系统干扰源波达方向估计。


2.根据权利要求1所述的基于VGG16神经网络的航天测控系统干扰源波达方向估计方法，其特征在于步骤二中样本特征提取步骤中的：数据集制作过程中，采用DOA值作为已知或采用经典MUSIC算法求得干扰信号DOA值，作为干扰信号的样本特征。


3.根据权利要求1所述的基于VGG16神经网络的航天测控系统干扰源波达方向估计方法，其特征在于步骤三中征构建的VGG16神经网络具体为：
共包含13个卷积层和3个全连接层，其中：输入层神经元数目按阵元数来确定，实际是将阵列天线接收到的信号传入VGG16神经网络；卷积...

【专利技术属性】
技术研发人员：吴芝路，宋晓凯，尹振东，吴明阳，李波，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23