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

技术领域

本发明属于无线电测向技术领域，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。

背景技术

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。

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。

发明内容

鉴于上述的分析，本发明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。。

一方面，本发明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：

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。

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。

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

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)＝χ

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：

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；

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。

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。

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。

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

另一方面，本发明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：

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；

训练样本分区模块，用于将所述训练样本分区；

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；

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。

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：

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；

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。

本发明至少可以实现下述之一的有益效果：

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深度神经网络模型进行训练，得到二维角(方位角与俯仰角)测向模型，实现在非理想场景下的高精度测向。

2、通过对所述训练样本基于非均匀频段和非均匀角度进行近似分区，且所述深度神经网络模型的多层网络结构对应所述分区，避免了传统一频点一校正的大量校正数据，使得训练过程更加高效，实现了高效率构建测向模型。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例所述方法的流程示意图；

图2为本发明一个实施例DNN模型结构(训练阶段)图；

图3为本发明一个实施例非理想场景经验CDF比较图；

图4为本发明一个实施例对于1007.5MHz测试集的经验CDF比较图；

图5为本发明一个实施例1007.5MHz各入射角的测向RMS等值线；

图6为本本发明基于广义深度神经网络模型的多频点统一测向系统结构图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

方法实施例

实施例1

本发明的一个具体实施例，公开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：

第一步，训练样本采集，具体的，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。

在N阵元的天线阵列测向范围方位角[α

假设接收的信号x(t)，则其协方差矩阵为：

其归一化的上半对角阵：

为与

对应的输出为方位角与俯仰角的正余弦函数组成的矢量χ

第二步，训练样本分区，具体的，在每一分区内，训练样本的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；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；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，相邻分区的角度边界有重叠。

为了提高模型测向精度，需要考虑不同入射角的误差协方差矩阵，构建加权MSE损失函数(WMSE)。假设每组训练样本独立产生，则WMSE可表示为：

其中，N

根据第一步定义的输出，可知F(θ，f)＝χ

通过简单推导可得

其中，

上式表明协方差矩阵与入射角θ＝[α，β]相关，其角度信息蕴含在样本的训练标签中，这里称为带角度标签的损失函数。对于传统相位干涉仪测向，测向误差

由于WMSE损失函数的梯度计算较为复杂，因此基于WMSE损失函数的难以进行高效的训练。为使得训练过程更加高效，需要考虑WMSE的近似值。因此采用一种分区策略，使得在一定范围内频率和角度的不同组合的损失函数等加权，即：

其中，

其中，

max(Q

其中，ζ是通过工程实践或交叉熵确认方法得到的阈值。通过仿真分析发现满足10≤ζ≤20时模型具有较好性能。由于Q

由于在实际测向工程中，频率通常可直接测量得到，但是入射角θ事先未知需要估计，因此提出了两步分区策略：(a)所有数据基于其观测频段被分类为若干频率分区；(b)在每个频率分区内，将相关联的数据分类为若干角度分区。进一步的，为了避免分区边界附近的误分类，本发明提出相邻角度边界重叠5°。

第三步，深度神经网络模型构建及训练，具体的，构建用于测向的深度神经网络并基于训练样本对其网络参数进行训练。

基于第一步输出格式与第二步非均匀分区策略，针对二维测向的统一模型，提出一种广义深度神经网络(DNN)模型结构。DNN模型结构的训练阶段如图2所示。其中Z

由图2所示的模型结构，对应第二步非均匀分区策略，包含了N

第四步，测向推理，具体的，基于第三步训练所得的广义深度神经网络测向模型，结合前述步骤得到的分区后的训练样本通过测向角的优化迭代训练得到二维角测向模型，利用该模型对实际入射信号进行二维角测向。

具体的，对实际入射信号

由二维角测向模型，得到信号的方位角α＝arctan 2(sinα，cosα)与俯仰角β＝arctan 2(sinβ，cosβ)。

本实施例，公开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。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，并基于分区后的训练样本对所述深度神经网络模型进行训练，得到二维角(方位角与俯仰角)测向模型，最终获得入射信号的方位角和俯仰角，实现了对入射信号进行高精度测向。其中，对训练样本基于非均匀频段和非均匀角度进行近似分区，且深度神经网络模型的多层网络结构对应所述分区，避免了传统一频点一校正的大量校正数据，使得训练过程更加高效，实现了高效率构建测向模型。

实施例2

本发明的另一个具体实施例，公开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的应用，具体包括如下步骤：

第一步，训练样本采集，具体的，主要考虑1000MHz～1050MHz频段，方位角α∈[0°，360°]，俯仰角β∈[30°，90°]，利用四元阵来对信号的来波方向进行仿真。阵元位置分别为，s

同时考虑现实工程中常见的阵元之间互耦影响以及接收通道之间的幅相不一致，由于存在这两类误差，则天线阵列接收的信号可表示如下：

x(t)＝C

其中，互耦矩阵C

A为导向矢量，其中，

n(t)为阵列接收的噪声数据矢量；

表示接收通道之间的幅相不一致，I

其中，g

g

d

第二步，训练样本分区，具体的，本实施例将区域划分如下：

第三步，深度神经网络模型构建及训练，具体的，基于第二步根据上式给出的角度与频率分区策略，本实施例考虑使用2个分类网络和6个回归网络来进行测向。每个卷积滤波的核函数维度为5×1×1，且每个卷积层有128个滤波器。分类网络中的第一个全连接层输出维数为16，基于每个给定的频率维，第二个全连接层输出维度为3。此外，回归网络的前两个全连接层输出维数分别为16和4。这里规定第二个全连接层的输出维数为4是基于χ

具体的，训练样本按如下准则产生：a)样本频点按5MHz步进从1000MHz至1050MHz遍历；b)俯仰角β按2°步进从30°至88°遍历，另外增加ε∈[0°，2°]的随机扰动；c)方位角α按2°步进从0°至358°遍历，另外增加ε

具体的，产生测试样本(称为测试组1)，使得频率范围从1000MHz到1050MHz，步长5MHz，β按2°步进从30°至88°遍历，α按10°步进从0°至359°遍历。生成测试样本的递归也重复10次。测试样品的总数为11*30*36*10＝118800。

第四步，测向推理，具体的，基于第三步训练所得的广义深度神经网络测向模型，得到二维角测向模型，利用该模型对实际入射信号进行二维角测向。对实际入射信号

由二维角测向模型，得到信号的方位角α＝arctan 2(sinα，cosα)与俯仰角β＝arctan 2(sinβ，cosβ)。

图3给出了本实施例所提方法在复杂加收系统的测向性能，此外给出了传统MUSIC算法和传统干涉仪的测向性能。图3的结果显示，对于复杂接收系统MUSIC和传统干涉仪明显测向误差较大。

针对1007.5MHz，生成了另一组测试样本，该样本未被训练集覆盖。对于未见频率的测试集，性能如图4所示。图4中的结果与图3中的结果相比没有明显的降低，这证明了方法的良好泛化能力，而频率特定网络则无法实现该泛化能力。

此外，基于1007.5MHz的结果，各入射角度测向误差的均方根(RMS)的等值线如图5所示。这显示了广义深度神经网络(DNN)对于复杂接收系统仍然具有较高的测向精度，并支持使用基于理想系统的CRLB来引导角度和频率分区。

系统实施例

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:训练样本采集模块，训练样本分区模块，广义深度神经网络模型构建和训练模块，二维角测向模块。

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；其中，所获得到的训练样本的输入和输出以及具体获取的过程可参照上述方法实施例中的相应描述。

训练样本分区模块，用于将所述训练样本分区基于非均匀频段和非均匀角度对所述训练样本进行分区，包括：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；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。其中，非均匀的分类为若干频段分区和非均匀的分类为若干角度分区的方法和过程可参照上述方法实施例中的相应描述。

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。其中，深度神经网络模型的结构和训练方法可参照上述方法实施例中的相应描述。

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。其中，得到入射信号的方位角和俯仰角的方法可参照上述方法实施例中的相应描述。

由于该基于广义深度神经网络模型的多频点统一测向系统与基于广义深度神经网络模型的多频点统一测向方法，基于相同的发明构思，相关之处可相互借鉴，因此可实现相同的技术效果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。