测向时差联合定位方法、系统、电子设备及存储介质技术方案

本公开的实施例提供一种测向时差联合定位方法、系统、电子设备及存储介质，属于电子侦察领域，所述方法包括：获取主基站和副基站的观测参数信息；将所述观测参数信息输入预先训练的目标辐射源定位模型，得到目标辐射源预测坐标。其中，所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。本公开的实施例相对于现有技术而言，通过采用训练深度神经网络得到目标辐射源定位模型的方法，替代了传统的迭代算法，增加了测向时差联合定位方法的准确度与可靠性，且不依赖先验信息，定位更加快速，拥有非常好的鲁棒性能。拥有非常好的鲁棒性能。拥有非常好的鲁棒性能。

【技术实现步骤摘要】
测向时差联合定位方法、系统、电子设备及存储介质


[0001]本公开的实施例属于电子侦察
，具体涉及一种测向时差联合定位方法、系统、电子设备及存储介质。

技术介绍

[0002]基于到达角(Angle of Arrival,AOA)的测向交会定位算法对目标进行定位至少需要两个观测站，定位系统对站间的时间同步要求不高，但当两条测向线夹角过小时易受角度观测误差的影响从而获得精度较低的定位结果；而基于到达时间差(TimeDifference of Arrival,TDOA)的时差法对目标的三维定位至少需要四个观测站，但其对各站间的时间同步要求严苛。因此，时差测向联合定位算法在时差定位的基础上增加方位测向，通过分布在不同地方的多个接收站对来自同一目标辐射源的非合作信号进行接收处理，从而获得目标辐射源的非合作信号到达不同接收站的时间差和角度，根据时间差和角度信息建立包含辐射源位置的相关定位方程，实现对目标辐射源位置的解算，弥补了测向定位的低精度定位结果和时差定位的时间同步严苛等缺点，取得了较好的定位结果。
[0003]对于传统的迭代方法，主要有以梯度下降法、牛顿法、高斯
‑
牛顿迭代法、列文伯格
‑
马夸尔特(Levenberg
‑
Marquardt)方法等为代表的局部优化算法，以及以粒子群算法、遗传进化算法等为代表的全局优化算法。其共同的特点为将目标辐射源的位置设置为待求解参数，通过最优化算法对目标函数进行迭代，使其低于设定的阈值或达到最大迭代步数停止迭代，从而得到最终的目标辐射源位置。其中，局部优化算法收敛速度快，但易受初值影响，对先验信息极度依赖；全局优化算法虽然在一定程度上减少了对初值选取的依赖，但仍受制于先验信息的准确度，且其迭代耗时更长。
[0004]因此，测向时差联合定位系统需要一个更加精准、快速且无需先验信息的的定位方法。此对于分布式无源定位电子侦察系统性能的提升非常关键。

技术实现思路

[0005]本公开的实施例旨在至少解决现有技术中存在的技术问题之一，提供一种测向时差联合定位方法、系统、电子设备及存储介质。
[0006]本公开一方面提供一种测向时差联合定位方法，用于通过一个主基站和一个副基站实现目标辐射源定位，所述方法包括：
[0007]分别获取所述主基站和所述副基站的观测参数信息；其中，所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息；
[0008]分别将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型，得到目标辐射源预测坐标；其中，所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
[0009]可选的，所述目标辐射源定位模型采用以下步骤训练得到：
[0010]生成所述训练参数信息的样本集；其中，每个所述训练参数信息样本都包括基站
位置信息、观测角度信息、基站时差信息和目标辐射源坐标；
[0011]分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，对应的所述目标辐射源坐标作为输出，训练所述深度神经网络，得到训练好的所述目标辐射源定位模型。
[0012]可选的，所述基站位置信息包括所述主基站与所述副基站的位置坐标以及基站位置测量标准差；和/或，
[0013]所述观测角度信息包括所述主基站与所述副基站的测量方位角、测量俯仰角以及方位角测量标准差和俯仰角测量标准差；和/或，
[0014]所述基站时差信息包括所述副基站相对于所述主基站的测量时间差以及时差测量标准差。
[0015]可选的，所述将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，所述目标辐射源坐标作为输出，训练所述深度神经网络，包括：
[0016]预先配置所述深度神经网络的损失函数、隐藏层数和隐藏神经元个数、最大训练次数、网络训练优化器、学习率以及批量大小；
[0017]将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，所述目标辐射源坐标作为输出，训练配置好的所述深度神经网络；
[0018]当所述深度神经网络的训练达到所述最大训练次数时停止训练，并取训练中所述损失函数最小的网络参数作为所述深度神经网络的训练结果。
[0019]可选的，所述损失函数C满足下述关系式：
[0020][0021]其中，n为所述训练参数信息样本的总数，求和运算遍历每个所述样本的输入x，y(x)为所述每个所述样本中x对应的输出，a
L
(x)为所述深度神经网络最终层输出的神经元激活值向量。
[0022]可选的，将所述样本集输入训练好的目标辐射源定位模型，输出目标辐射源计算坐标，并计算定位相对误差，用于评价所述目标辐射源定位模型的精度；
[0023]所述定位相对误差re满足下述关系式：
[0024][0025]其中，re表示定位相对误差，(x
cal
,y
cal
,z
cal
)表示输出的所述目标辐射源计算坐标，(x
real
,y
real
,z
real
)表示所述样本中的所述目标辐射源坐标，表示所述主基站的坐标，σ表示所述目标辐射源计算坐标与所述目标辐射源坐标之间的距离，表示所述主基站的坐标与所述目标辐射源坐标之间的距离。
[0026]本公开另一方面提供一种测向时差联合定位系统，用于通过一个主基站和一个副基站实现目标辐射源定位，其特征在于，所述系统包括：
[0027]获取模块，用于获取所述主基站和所述副基站的观测参数信息；其中，所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息；
[0028]定位模块，用于将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型，得到目标辐射源预测坐标；其中，所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
[0029]可选的，所述系统还包括训练模块，所述训练模块用于：
[0030]生成所述训练参数信息的样本集；其中，每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标；
[0031]分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，对应的所述目标辐射源坐标作为输出，训练所述深度神经网络，得到训练好的所述目标辐射源定位模型。
[0032]本公开另一方面提供一种电子设备，包括：
[0033]至少一个处理器；以及，
[0034]与所述至少一个处理器通信连接的存储器，用于存储一个或多个程序，当所述一个或多个程序被所述至少一个处理器执行时，能使得所述至少一个处理器实现如上所述的测向时差联合定位方法。
[0035]本公开最后一方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测向时差联合定位方法，其特征在于，用于通过一个主基站和一个副基站实现目标辐射源定位，所述方法包括：分别获取所述主基站和所述副基站的观测参数信息；其中，所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息；分别将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型，得到目标辐射源预测坐标；其中，所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。2.根据权利要求1所述的方法，其特征在于，所述目标辐射源定位模型采用以下步骤训练得到：生成所述训练参数信息的样本集；其中，每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标；分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，对应的所述目标辐射源坐标作为输出，训练所述深度神经网络，得到训练好的所述目标辐射源定位模型。3.根据权利要求2所述的方法，其特征在于，所述基站位置信息包括所述主基站与所述副基站的位置坐标以及基站位置测量标准差；和/或，所述观测角度信息包括所述主基站与所述副基站的测量方位角、测量俯仰角以及方位角测量标准差和俯仰角测量标准差；和/或，所述基站时差信息包括所述副基站相对于所述主基站的测量时间差以及时差测量标准差。4.根据权利要求3所述的方法，其特征在于，将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，所述目标辐射源坐标作为输出，训练所述深度神经网络，包括：预先配置所述深度神经网络的损失函数、隐藏层数和隐藏神经元个数、最大训练次数、网络训练优化器、学习率以及批量大小；将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入，所述目标辐射源坐标作为输出，训练配置好的所述深度神经网络；当所述深度神经网络的训练达到所述最大训练次数时停止训练，并取训练中所述损失函数最小的网络参数作为所述深度神经网络的训练结果。5.根据权利要求4所述的方法，其特征在于，所述损失函数C满足下述关系式：其中，n为所述训练参数信息样本的总数，求和运算遍历每个所述样本的输入x，y(x)为所述每个所述样本中x对应的输出，a
L
(x)为所述深度神经网络最终层输出的神经元激活值向量。6.根...

【专利技术属性】
技术研发人员：谢吴鹏，刘光宏，葛建军，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：