一种无源定位方法、系统和介质技术方案

本发明专利技术提供一种无源定位方法、系统和介质。所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述方法包括：步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置；步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。确定所述发射机的第二估计位置。确定所述发射机的第二估计位置。

【技术实现步骤摘要】
一种无源定位方法、系统和介质


[0001]本专利技术涉及电磁信号处理领域，尤其是涉及一种无源定位方法、系统和介质。

技术介绍

[0002]随着电磁作战空间重要性的不断提升，广范围、高精度、快速的无源定位需求不断提升。直接定位法(DPD)存在着计算效率低下、虚警点难以消除的问题。近年来，深度学习以大数据为驱动力，在多个领域的应用均取得了不错的效果，其中代表之一为卷积神经网络(CNN)。随着电磁信号监测系统的发展，定位数据有着海量化的发展趋势。因此，利用海量化数据，以深度学习为驱动力，结合DPD方法，减少其存在的不足给实际应用带来的困难，实现广范围、高精度、快速的无源定位是顺应大数据支持下无源定位的发展趋势。

技术实现思路

[0003]本专利技术结合射频定位数据的特点，针对DPD存在的问题，设计出基于CNN与DPD相结合的适用于广范围、高精度、快速的无源定位框架。
[0004]本专利技术第一方面提供了一种无源定位方法。所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层。所述方法包括：步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无源定位方法，其特征在于，所述方法基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述方法包括：步骤S1、接收机接收到由发射机发送的第一信号后，对所述第一信号进行解调以获取第二信号，所述第二信号为下变频信号；步骤S2、通过在时域和频域上的局部化处理，将所述第二信号从一维时域数据变换为二维时频数据；步骤S3、利用所述卷积神经网络，基于所述二维时频数据、所述接收机的位置信息和速度信息，确定所述发射机的第一估计位置，其中：所述卷积层用于提取所述二维时频数据的时频图像中的特征信息；所述池化层用于对所述时频图像中的特征信息进行降维处理；所述全连接层用于将经所述降维处理的特征信息与所述接收机的位置信息和速度信息进行融合，以输出所述发射机的第一估计位置；步骤S4、利用所述直接定位法，在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定所述发射机的第二估计位置。2.根据权利要求1所述的一种无源定位方法，其特征在于，所述步骤S2具体包括：利用小波变换，通过改变小波基本函数的频率和时延，使得变换后的信号不断逼近变换前的信号，以将所述一维时域数据变换为所述二维时频数据。3.根据权利要求1所述的一种无源定位方法，其特征在于，所述步骤S2具体包括：利用短时傅里叶变换，在时域轴移动窗函数对时域信息进行处理，经由傅里叶变换获取频域信息，使得所述时域信息与所述频域信息一一对应，以得到所述二维时频数据。4.根据权利要求1所述的一种无源定位方法，其特征在于，所述步骤S4具体包括：基于所述一维时域数据确定代价函数；在以所述第一估计位置为中心、以所述卷积神经网络的误差为半径的圆内，确定使得所述代价函数最大化的位置，作为所述发射机的第二估计位置。5.一种无源定位系统，其特征在于，所述系统基于直接定位法和卷积神经网络来实现，所述卷积神经网络包括卷积层、池化层、全连接层；所述系统...

【专利技术属性】
技术研发人员：王敬超，夏瑞，邓博于，薛超，
申请(专利权)人：军事科学院系统工程研究院网络信息研究所，
类型：发明
国别省市：