一种分布式雷达高精度角度测量方法及系统技术方案

本发明专利技术公开了一种分布式雷达高精度角度测量方法及系统，获取双阵面宽带信号的群延迟相位和频谱图；将群延迟相位和频谱图进行特征联合，提取联合特征图；将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。优点：本发明专利技术将角度测量与卷积神经网络相结合，发射信号的入射角度不同，则接收阵列中接收的信号的频谱会产生不同的零点分布，同时群延迟相位也会有不同的斜率大小分布，将谱图零点和群延迟相位特征进行特征联合，采用卷积神经网络深度学习算法对联合特征进行特征提取并进行训练，利用训练好的神经网络即可实现对未知入射角度的识别分类，从而实现角度的无模糊分辨。

【技术实现步骤摘要】
一种分布式雷达高精度角度测量方法及系统
本专利技术涉及一种分布式雷达高精度角度测量方法及系统，属于雷达阵列信号处理

技术介绍
分布式雷达采用分布式发射、接收、布阵等技术，使得雷达的生存能力与性能得到较大提高。分布式雷达采用分布式发射与接收技术，可以有效地避开地方电子侦察与干扰系统，采用分布式布阵更有助于多部雷达阵列或子阵随机组合成威力强大的新型阵列，因此分布式雷达在舰载与机载雷达等领域具有良好地应用前景。分布式阵列布置使得雷达可以在舰载、机载等特殊载体，多个阵面或子阵形成与载体共形的共形阵，但是雷达威力的发挥也涉及到许多问题，较为重要的一个问题便是信号角度测量。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种分布式雷达高精度角度测量方法及系统。为解决上述技术问题，本专利技术提供一种分布式雷达高精度角度测量方法，获取双阵面宽带信号的群延迟相位和频谱图；将群延迟相位和频谱图进行特征联合，提取联合特征图；将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络本文档来自技高网...

【技术保护点】
1.一种分布式雷达高精度角度测量方法，其特征在于，/n获取双阵面宽带信号的群延迟相位和频谱图；/n将群延迟相位和频谱图进行特征联合，提取联合特征图；/n将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。/n

【技术特征摘要】
1.一种分布式雷达高精度角度测量方法，其特征在于，
获取双阵面宽带信号的群延迟相位和频谱图；
将群延迟相位和频谱图进行特征联合，提取联合特征图；
将联合特征图输入到预先训练好的卷积神经网络模型，通过预先训练好的卷积神经网络模型进行识别分类，得到该信号的入射角度。


2.根据权利要求1所述的分布式雷达高精度角度测量方法，其特征在于，所述获取双阵面宽带信号的群延迟相位和频谱的过程包括：
采用双子阵阵列接收宽带调频信号，对接收到的信号分别进行计算得到不同入射角度信号的群延迟相位和频谱图。


3.根据权利要求1所述的分布式雷达高精度角度测量方法，其特征在于，所述将群延迟相位和频谱进行特征联合的过程包括：
对群延迟相位和频谱图进行图像预处理得到灰度图，对灰度图进行特征联合得到信号的联合特征图。


4.根据权利要求1所述的分布式雷达高精度角度测量方法，其特征在于，
所述卷积神经网络模型的训练过程包括：
采用双子阵阵列分别依次接收入射角度范围从-60°~60°每间隔1°步进的发射信号；
分别对每次接收到的信号进行傅里叶变换和相位差计算，得到接收信号的频谱零点图和群延迟相位分布图；
再对每个入射角度得到的信号频谱零点图和群延迟相位分布图分别进行图像预处理，得到频谱和群延迟相位的灰度特征图，同时将两个灰度特征图进行联合得到联合特征图；
将所有入射角度的联合特征图样本输入到卷积神经网络模型中，采用该网络模型对联合特征图进行特征提取和训练，确定训练好的卷积神经网络模型。


5.一种分布式雷达高精度角度测量系统，其特征在于，包括：
获取模块，用于...

【专利技术属性】
技术研发人员：王峰，吉丰，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32