一种基于神经网络的智能比幅测角方法、存储介质及设备技术

本发明专利技术公开了一种基于神经网络的智能比幅测角方法、存储介质及设备，间隔设置辐射源和采样实验，通过频点及角度测量频率和四个天线的测量幅值，预设角度作为数据的已知角度信息，完成数据采集；对采集的数据进行噪声数据剔除和数据转换；设计多层感知器神经网络模型；将处理后的数据划分为训练数据集和验证数据集，使用训练数据集对神经网络模型进行训练，最小化损失函数；使用验证数据集对训练好的神经网络模型进行性能验证；应用验证好的神经网络模型进行实际辐射源达到角估计。本发明专利技术将比幅测角的传统理论与先进的神经网络智能计算方法进行合理结合，能够实现更加精确的辐射源角度测量。

An intelligent amplitude comparison angle measurement method, storage medium and equipment based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的智能比幅测角方法、存储介质及设备
本专利技术属于雷达信号
，具体涉及一种基于神经网络的智能比幅测角方法、存储介质及设备。
技术介绍
雷达的方向测量是通过测量雷达辐射电磁波的到达角实现的，到达角的测量是电子侦察系统中的一个重要任务。通过该角度的测量可以实现信号分选，减轻主处理机的负担，可以实现对干扰机的方位引导以及对雷达进行无源定位等。目前常用的测向方法从时域上可以分为顺序测向法和同时测向法，按照到达角信息形成可以分为振幅法和相位法。顺序侧向法也称为搜索法测向，该方法存在严重缺陷：瞬时视野窄，截获时间长。因此，针对搜索法的缺陷，目前常用全向单脉冲测向技术，引入多个独立天线，通过相邻天线接受同一个信号的相对幅度来确定雷达所在方位。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于神经网络的智能比幅测角方法、存储介质及设备，利用神经网络自身强大的数据关系拟合能力，基于大量实测信号数据，对幅度比值和辐射源到达角之间的关系进行深度挖掘，所建立的神经网络模型可以适应内部及外部的噪声干扰，精确估计出辐射源的到达角。本专利技术采用以下技术方案：一种基于神经网络的智能比幅测角方法，包括以下步骤：S1、在0°～360°范围内，间隔设置辐射源和采样实验，通过频点及角度测量频率和四个天线的测量幅值，预设角度作为数据的已知角度信息，完成数据采集；S2、对步骤S1采集的数据进行噪声数据剔除和数据转换；S3、设计多层感知器神经网络模型；S4、将步骤S2处理后的数据划分为训练数据集T_set和验证数据集V_set，使用训练数据集T_set对步骤S3的神经网络模型进行训练，最小化损失函数；S5、使用验证数据集V_set对步骤S4训练好的神经网络模型进行性能验证；S6、应用步骤S5验证好的神经网络模型进行实际辐射源达到角估计。具体的，步骤S2中，首先剔除频率在预设频率为中心±pHz范围以外的数据，3≤p≤10，然后分别对采集数据的频率和转换幅值进行数据转换，表示转换角度。进一步的，设置频率f为2000～18000Hz，对频率数据进行归一化处理，f＝f/max(f)或f＝f/18000；使用幅度比值作为多层感知器网络的输入，转换方式为：具体的，步骤S3中，选择多层感知器网络作为基本网络模型；输入层设置为5个神经元，输出层设置为2个神经元；网络隐层单元结构的中间层设置为L，3≤L≤10；每层的神经元个数Numl满足10≤Numl≤250；设置神经网络模型损失函数f_loss。进一步的，选择了均方误差损失函数作为网络的损失函数，具体计算如下：其中，N为训练样本的数目，为网络输出的角度估计值，Angi为已知的实际角度值。具体的，步骤S4中，训练数据集T_set和验证数据集V_set按n1:n2的比例划分，n1＞3n2，然后将训练数据集T_set输入到网络中使用误差反向传播算法进行网络权值的更新，完成多层感知器网络的训练过程。具体的，步骤S5中，将验证数据集V_set中的数据输入到训练好的神经网络模型中，进行网络前向计算，得到网络输出统计网络估计角度值与真实角度值AngV_set的均方根误差验证模型的角度估计误差度。具体的，步骤S6中，将测角系统得到的数据进行频率归一化操作，幅值比值化操作及角度表示转换操作，然后将处理后的数据输入训练好的神经网络模型中，得到最终的角度估计值。本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。本专利技术的另一个技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于神经网络的智能比幅测角方法，将神经网络与比幅测角方法进行结合，精确拟合了幅度比值、频率与到达角之间的映射关系，可以很好地排除系统噪声及环境噪声的影响，获得更高精度的到达角测量结果。进一步的，步骤S2中通过删除可能的噪声信号可以提高网络训练的效果，对数据进行预处理，例如数据归一化，幅值转化为幅度比值，可以使数据更加匹配网络对输入数据的要求。进一步的，步骤S3中，使用了多层感知器网络，该网络结构比较简单，比较符合比幅测角问题的需要，网络输入层和输出层的设计与数据的结构保持一致。根据问题的规模，中间层的层数及神经元数目不宜太多。这样设计可以节省时间资源及对训练数据量的要求。进一步的，步骤S4中，对数据集进行了划分，由于网络训练对数据量的要求，一般训练集和验证集的比例n1:n2需要满足大于3：1的比例，具体的划分比值可以根据整体的数据量来进行设置。损失函数的设置为常用的均方误差，通过这样的设置，网络训练可以达到预测角度值与实际角度值非常接近的目的，更好拟合输入与输出之间的映射关系。进一步的，步骤S5中，利用验证数据集对训练好的网络进行性能验证，通过该步骤我们可以初步确认网络训练的效果，也可以指导网络参数的进一步优化。进一步的，通过步骤S6将训练好的网络模型用到实际的网络测试过程中，主要需要对测量数据进行一定预处理适应网络模型的要求，能够反映网络模型在真实环境中的实际性能。综上所述，本专利技术将比幅测角的传统理论与先进的神经网络智能计算方法进行合理结合，能够实现更加精确的辐射源角度测量。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为天线方位示意图；图2为本专利技术流程示意图；图3为全部样本上的分布直方图；图4为低频样本的分布直方；图5为中频样本上的分布直方图；图6为高频样本上的分布直方图。具体实施方式本专利技术提供了一种基于神经网络的智能比幅测角方法，进行数据采集及预处理，设计实验获取模型训练数据，根据经验知识剔除一定的噪声数据，为适应网络模型，对数据表示进行变换；在比幅测角的基础上结合神经网络学习方法，设计合理的神经网络模型并训练，选择合适的模型及参数，在训练数据上进行模型的训练，得到训练好的模型参数；再在训练好的模型上对测试数据进行测试，网络输出即辐射源的到达角。通过实验数据对模型进行训练，深度挖掘数据中的关键信息，准确拟合测量数据与角度之间的相关关系，从而实现精确的辐射源到达角估计，实验获得了估计误差小于3°的验证结果。请参阅图2，本专利技术一种基于神经网络的智能比幅测角方法，将神经网络技术与传统的比幅测角方法进行结合，利用神经网络的强大的数据信息挖掘能力，最终实现高精度的辐射源方位角测定；包括以下步骤：S1、设置实验装置进行数据采集在0°～360°范围内，以1°本文档来自技高网...

【技术保护点】
1.一种基于神经网络的智能比幅测角方法，其特征在于，包括以下步骤：/nS1、在0°～360°内间隔设置辐射源和采样实验，通过频点及角度测量频率和四个天线的测量幅值，预设角度作为数据的已知角度信息，完成数据采集；/nS2、对步骤S1采集的数据进行噪声数据剔除和数据转换；/nS3、设计多层感知器神经网络模型；/nS4、将步骤S2处理后的数据划分为训练数据集T_set和验证数据集V_set，使用训练数据集T_set对步骤S3的神经网络模型进行训练，最小化损失函数；/nS5、使用验证数据集V_set对步骤S4训练好的神经网络模型进行性能验证；/nS6、应用步骤S5验证好的神经网络模型进行实际辐射源达到角估计。/n

【技术特征摘要】
1.一种基于神经网络的智能比幅测角方法，其特征在于，包括以下步骤：
S1、在0°～360°内间隔设置辐射源和采样实验，通过频点及角度测量频率和四个天线的测量幅值，预设角度作为数据的已知角度信息，完成数据采集；
S2、对步骤S1采集的数据进行噪声数据剔除和数据转换；
S3、设计多层感知器神经网络模型；
S4、将步骤S2处理后的数据划分为训练数据集T_set和验证数据集V_set，使用训练数据集T_set对步骤S3的神经网络模型进行训练，最小化损失函数；
S5、使用验证数据集V_set对步骤S4训练好的神经网络模型进行性能验证；
S6、应用步骤S5验证好的神经网络模型进行实际辐射源达到角估计。


2.根据权利要求1所述的方法，其特征在于，步骤S2中，首先剔除频率在预设频率为中心±pHz范围以外的数据，3≤p≤10，然后分别对采集数据的频率和转换幅值进行数据转换，表示转换角度。


3.根据权利要求2所述的方法，其特征在于，设置频率f为2000～18000Hz，对频率数据进行归一化处理，f＝f/max(f)或f＝f/18000；使用幅度比值作为多层感知器网络的输入，转换方式为：


4.根据权利要求1所述的方法，其特征在于，步骤S3中，选择多层感知器网络作为基本网络模型；输入层设置为5个神经元，输出层设置为2个神经元；网络隐层单元结构的中间层设置为L，3≤L≤10；每层的神经元个数Numl满足10≤Numl≤250；设置神经网络模型损失函数f_loss。


5.根据权利...

【专利技术属性】
技术研发人员：陈璞花，孙杰，焦李成，刘芳，古晶，李玲玲，刘红英，唐旭，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61