基于广义深度神经网络模型的多频点统一测向方法和系统技术方案

本发明专利技术涉及一种基于广义深度神经网络模型的多频点统一测向方法和系统，属于无线电测向技术领域

【技术实现步骤摘要】
基于广义深度神经网络模型的多频点统一测向方法和系统


[0001]本专利技术属于无线电测向
，尤其涉及一种基于广义深度神经网络模型的多频点统一测向方法和系统
。

技术介绍

[0002]无线电测向是指测向站通过测量和计算电磁场参数，确定由测向站到辐射源的射线与指定的参考方法的夹角
。
无线电测向的应用包括军事应用和非军事应用两方面
。
军事应用方面，通过测向可以获得辐射源的方向信息，甚至其所处的地理位置信息
。
基于这些信息，对于军事通信等系统，可以初步判断敌方辐射源的部署或重要通信枢纽
、
通信节点的分布情况；可以实现跳频
、
扩频等信号分选，确定通信网台关系和通联情况，依次判定网台属性和威胁等级；可以引导窄波束干扰机瞄准接收方向或区域实施干扰，提高干扰的有效性和精准性，甚至可以引导火力打击
。
非军事应用方面，基于测向信息，可以确定干扰源或非法辐射源，进行无线电频谱监管；可以跟踪定位通信时的犯罪分子，用于抓捕和打击犯罪分子；可以把已知位置的辐射源用于运动平台导航；可以在指定方向接收与辐射信号，实现空分多址智能通信；可以用于射电天文学
、
地球遥感学科学研究领域，以及搜索救援和探测等民用领域
。
[0003]大多数测向方法都是假设测向系统具备信号参数高精度测量以及精准的参数响应模型，但实际工程应用中的复杂场景，通常都会存在各类误差
。
对于非理想场景，典型的方法包括外场造表法以及针对各类误差的校正方法，但这些校正方法仍然存在一些不足：首先，现有校正方法只针对某一种特定的误差因素，对于存在多个误差因素同时存在，其校正模型的构建较为复杂且难以有效校正；其次，现有方法校正样本数据需要与信号频点一一对应，即对不同的频点需要构建不同的校正样本数据，因此这类一频点一校正的模型就需要大量的校正数据，虽然工程实现较为简便，但前期校正过程太过繁琐
。

技术实现思路

[0004]鉴于上述的分析，本专利技术旨在提供一种基于广义深度神经网络模型的多频点统一测向方法和系统，基于机器学习较强的非线性建模能力，构建多频点统一测向模型，提出适用于二维角
(
方位角与俯仰角
)
测向的模型输出格式，同时避免传统一频点一校正的大量校正数据，实现在非理想场景下的高精度测向
。。
[0005]一方面，本专利技术提供了一种基于广义深度神经网络模型的多频点统一测向方法，具体包括如下步骤：
[0006]构建训练样本，其中，基于阵列接收信号的特征信息和频点信息得到训练样本的输入，基于所述信号对应的二维角度信息得到训练样本的输出；
[0007]对所述训练样本进行分区；
[0008]基于分区后的所述训练样本对深度神经网络模型的网络参数进行训练，得到二维角测向模型；其中，所述深度神经网络模型包括对应所述分区的多层网络结构；
[0009]利用所述二维角测向模型，对入射信号进行二维角测向，得到所述入射信号的方位角和俯仰角
。
[0010]进一步的，所述特征信息包括阵列接收信号的归一化上半对角阵构成的特征矢量信息，所述二维角度信息包括方位角与俯仰角的正弦和余弦函数组成的矢量信息
。
[0011]进一步的，所述输入信息包括，
f
复制
N(N
‑
1)
份的频点信息以及由所述阵列接收信号的归一化上半对角阵构成的特征矢量，表示为矢量
I
，其中
N
表示接收阵列阵元数，
x
(t)
表示阵列接收信号，表示
x
(t)
的协方差矩阵的归一化上半对角阵
。
[0012]进一步的，所述信号入射角
θ
与频率
f
的关系，满足函数
F(
θ
,f)
＝
χ2；其中，
θ
表示所述信号的入射角，
α
、
β
分别表示所述信号的方位角和俯仰角，
θ
＝
[
α
,
β
]；
χ2为所述二维角度信息，
χ2＝
[sin
α
,cos
α
,sin
β
,cos
β
]。
[0013]进一步的，基于非均匀频段和非均匀角度对所述训练样本进行分区，所述分区包括：
[0014]将所有样本数据基于其观测频段非均匀地分类为若干频段分区；
[0015]在每个频段分区内，将相关联的数据基于其对入射角的测向范围非均匀地分类为若干角度分区
。
[0016]进一步的，在每一分区内，入射角对应的误差协方差矩阵的最大值与最小值的比值不大于一预设值
。
[0017]进一步的，所述非均匀角度分区，相邻分区的角度边界有重叠
。
[0018]进一步的，所述深度神经网络模型，包括对应于所述若干频段分区的
N
f
层分类网络，其中
N
f
表示所述频段分区数目；在每层分类网络中包括对应于该频段分区中的若干角度分区的
N
z
个回归网络，
N
z
表示该频段分区中的角度分区数目；其中，所述回归网络用于对该角度分区的数据进行测向估计
。
[0019]另一方面，本专利技术还提供了一种基于广义深度神经网络模型的多频点统一测向系统，包括：
[0020]训练样本采集模块
,
用于采集深度神经网络的训练样本数据，基于阵列接收信号的特征信息和频点信息得到训练样本的输入，基于所述信号对应的二维角度信息得到训练样本的输出；
[0021]训练样本分区模块，用于将所述训练样本分区；
[0022]广义深度神经网络模型构建和训练模块，用于构建所述深度神经网络模型和基于分区后的所述训练样本对其网络参数进行训练，得到二维角测向模型；其中，所述深度神经网络模型包括对应所述分区的多层网络结构；
[0023]二维角测向模块，利用所述二维角测向模型，对实际入射信号进行二维角测向，得到所述入射信号的方位角和俯仰角
。
[0024]进一步的，所述训练样本分区模块，基于非均匀频段和非均匀角度对所述训练样本进行分区，所述分区包括：
[0025]将所有样本数据基于其观测频段非均匀地分类为若干频段分区；
[0026]在每个频段分区内，将相关联的数据基于其对入射角的测向范围非均匀地分类为若干角度分区
。
[0027]本专利技术至少可以实现下述之一的有益效果：
[0028]1、
通过构建广义深度神经网络模型，构建训练样本并对样本分区，基于分区后的训练样本对所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于广义深度神经网络模型的多频点统一测向方法
,
其特征在于，包括如下步骤：构建训练样本，其中，基于阵列接收信号的特征信息和频点信息得到训练样本的输入，基于所述信号对应的二维角度信息得到训练样本的输出；对所述训练样本进行分区；基于分区后的所述训练样本对深度神经网络模型的网络参数进行训练，得到二维角测向模型；其中，所述深度神经网络模型包括对应所述分区的多层网络结构；利用所述二维角测向模型，对入射信号进行二维角测向，得到所述入射信号的方位角和俯仰角
。2.
根据权利要求1所述的多频点统一测向方法，其特征在于，所述特征信息包括阵列接收信号的归一化上半对角阵构成的特征矢量信息，所述二维角度信息包括方位角与俯仰角的正弦和余弦函数组成的矢量信息
。3.
根据权利要求2所述的多频点统一测向方法，其特征在于，所述输入信息包括复制
N(N
‑
1)
份的频点信息以及由所述阵列接收信号的归一化上半对角阵构成的特征矢量，表示为矢量
I
；其中，
N
表示接收阵列阵元数，
x
(t)
表示阵列接收信号，表示
x
(t)
的协方差矩阵的归一化上半对角阵
。4.
根据权利要求3所述的多频点统一测向方法，其特征在于，所述信号入射角
θ
与频率
f
的关系，满足函数
F(
θ
,f)
＝
χ2；其中，
θ
表示所述信号的入射角，
α
、
β
分别表示所述信号的方位角和俯仰角，
θ
＝
[
α
,
β
]
；
χ2为所述二维角度信息，
χ2＝
[sin
α
,cos
α
,sin
β
,cos
β
]。5.
根据权利要求4所述的多频点统...

【专利技术属性】
技术研发人员：黄凯，尤明懿，陆安南，
申请(专利权)人：中国电子科技集团公司第三十六研究所，
类型：发明
国别省市：