一种单站移动自动定位方法与流程

本发明涉及无线电监测、以及创新的测向定位算法应用领域，具体而言，涉及一种单站移动自动定位方法。

背景技术：

当前无线电监测中对于干扰源的定位技术大多仍使用测向、交绘定位的方法，测向数据量大，但实际使用的数据量并不是太大，有很大一部分数据被丢弃。大多数数据的丢弃给定位结果带来了很大的不确定性，用户不能快速的定位干扰源，给频率管理带来了严重的损失。

技术实现要素：

本发明的目的在于提供一种单站移动自动定位方法，该方法为了剔除不准确的数据，选取高质量的测向数据，使大量的测向数据更加集中、准确，去掉发散的测向数据，使用改进的k-means聚类方法对测向所得示向线交点进行聚类分析，使得定位结果更加可靠、准确，有利于用户快速定位无线电干扰源等非法发射。

本发明是这样实现的：

一种单站移动自动定位方法，包括以下步骤：

s1、通过测向机获得发射源所在方位角的集合，存入移动站集合；

采用门限质量类筛选方法将脱离核心值的数据进行过滤，然后将采用排序动态插入筛选后的示向线的所有交点存储到交点集合中，；

s3、对步骤s2中得到的数据采用改进的k-means聚类算法进行分析，并选取三个点作为聚类的基础，并计算以该三个点为顶点的三角形的内切圆圆心和半径，将内切圆圆心和半径以对象的方式存入内切圆集合中；

s4、计算内切圆叠加的次数，进行统计运算，将叠加的次数作为内切圆的颜色赋值权重，在渲染的时候用该权重作为颜色深浅的尺度；

s5、将步骤s4中叠加的内切圆集合数据添加到热力图生成方法里面，生成热力图图层叠加到地图上进行展示，按热力图颜色深的区域即为干扰源位置。

进一步的，在步骤s1中，通过测向机获得发射源所在方位角的集合，存入移动站集合，具体包括：

通过单个移动监测站行进过程测向机获得发射源的来波方向，在地图上与罗盘标示后得到正北示向度，即可获得与正北方向的夹角，并存于移动站集合中。

进一步的，在步骤s2中，将预设范围内的示向线的所有交点存储到交点集合中，具体包括：

设定直线倾角为θ，设定移动监测站测向度转换为：bearing＝bearing-90°；

设定监测站1的坐标为：(x1，y1)，测向角度θ1，监测站2的坐标为：(x2，y2)，测向角度θ2，交点坐标为：(x，y)；

采用以下算法对三条示向线进行循环遍历，即可获得所有两两示向线的交点，并存储到交点集合中，所述算法为：

进一步的，在步骤s3中，所述k-means聚类算法具体包括：

s301、指定需要划分的簇的个数k值；

s302、随机选择k个初始数据对象点作为初始的聚类中心；

s303、计算其余的各个数据对象到这k个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所在的簇类中，并记录各个数据对象的编号；

s304、计算现在每个簇的中心，进行更新，判断新类的中心是否与原类的中心是否满足指定精度收敛函数，满足，则数据对象的调整已经结束，否则，返回到步骤s303中重新调整。

进一步的，在k-means聚类算法中，将数据聚类为n簇，再将n簇聚类为k簇，并逐渐归类为3簇，其中n>3，3<k<n。

进一步的，在步骤s3中，计算以该三个点为顶点的三角形的内切圆圆心和半径，将内切圆圆心和半径以对象的方式存入内切圆集合中，具体为：

设定三角形三个顶点坐标为a(xa，ya)，b(xb，yb)，c(xc，yc)，即得到三角三边长度a、b、c；

设定p＝(a+b+c)/2，继而可得三角形面积：

设定内切圆圆心坐标为(centerx，centery)，内切圆半径为：r＝s/p，则有：

和

即获得内切圆的圆心和半径。

进一步的，设定示向线的交点超过发射源电波的传输范围时，不再进行内切圆的绘制；

设定交点在监测站示向线反向延长线上，即监测站测向角度单位向量与监测站和某一交点连线的向量夹角为180°。

进一步的，在步骤s4中，还包括将得到的所有内切圆，根据位置关系以及半径大小计算器叠加次数，最后将叠加次数归一化，即得到最终的颜色赋值权重数据，所述根据位置关系以及半径大小计算器叠加次数，其位置关系只包括相交、内含和内切三种情况。

进一步的，其还包括置信椭圆算法获得干扰源位置，具体为：

将步骤s3中得到的所有内切圆不计半径存入置信椭圆计算集合中，并计算整体数据的置信范围，设置置信概率，并根据整体数据的置信范围绘制椭圆，即获得干扰源位置。

进一步的，设定当有新的数据添加进移动站集合时，即循环执行步骤s1至步骤s5

本发明的有益效果是：

(1)选取高质量的测向数据，使大量的测向数据更加集中、准确，去掉发散的测向数据，使用改进的k-means聚类方法对测向所得示向线交点进行聚类分析，使得定位结果更加可靠、准确，,有利于用户快速定位无线电干扰源等非法发射；

(2)适用于复杂环境下的干扰源定位，整体算法设计具有新颖性和实用性强，能快速获得准确的干扰源定位；

(3)采用热力图的展示方法，使得展示效果更加直观、优雅，便于用户更高效的获得定位结果。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明自动定位方法的流程图；

图2为本发明蜂窝矩阵寻址示意图；

图3为本发明六边形蜂窝寻址示意图；

图4为本发明的渐变色条带图；

图5为本发明的热力图效果图；

图6为本发明的聚类叠加热力图实测截图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例，请参阅图1，一种单站移动自动定位方法，包括以下步骤：

s1、通过测向机获得发射源所在方位角的集合，存入移动站集合；

采用门限质量类筛选方法将脱离核心值的数据进行过滤，然后将采用排序动态插入筛选后的示向线的所有交点存储到交点集合中，；

s3、对步骤s2中得到的数据采用改进的k-means聚类算法进行分析，并选取三个点作为聚类的基础，并计算以该三个点为顶点的三角形的内切圆圆心和半径，将内切圆圆心和半径以对象的方式存入内切圆集合中；

s4、计算内切圆叠加的次数，进行统计运算，将叠加的次数作为内切圆的颜色赋值权重，在渲染的时候用该权重作为颜色深浅的尺度；

s5、将步骤s4中叠加的内切圆集合数据添加到热力图生成方法里面，生成热力图图层叠加到地图上进行展示，按热力图颜色深的区域即为干扰源位置。

在本实施例中，请参阅附图2和附图3所示，步骤s2中所述采用筛选方法将脱离核心值的数据进行过滤，其包括蜂窝矩阵寻址的方法。

在本实施例中，由于由于监测站获得的测向角度是与正北方向的夹角，它与直角坐标系里面的直线斜率倾角有所不同，要得到正确计算结果需要对角度进行转换，同时设直线倾角θ，考虑到直线斜率函数的周期性，将监测站测向度转换为：bearing＝bearing-90°；将bearing作为最后的角度进行运算。

由于监测站的示向线该直线通过一个固定点，即监测站的坐标，该数值是已知的，因此直线方程是确定的，设监测站1的坐标为(x1，y1)，测向角度θ1，监测站2的坐标为：(x2，y2)，测向角度θ2，交点坐标为：(x，y)；

采用以下算法对三条示向线进行循环遍历，即可获得所有两两示向线的交点，并存储到交点集合中，所述算法为：

在本实施例中，设定三角形三个顶点坐标为a(xa，ya)，b(xb，yb)，c(xc，yc)，即得到三角三边长度a、b、c；

设定p＝(a+b+c)/2，继而可得三角形面积：

设定内切圆圆心坐标为(centerx，centery)，内切圆半径为：r＝s/p，则有：

和

即获得内切圆的圆心和半径。

在本实施例中，所述k-means聚类算法具体包括：

s301、指定需要划分的簇的个数k值；

s302、随机选择k个初始数据对象点作为初始的聚类中心；

s303、计算其余的各个数据对象到这k个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所在的簇类中，并记录各个数据对象的编号；

s304、计算现在每个簇的中心，进行更新，判断新类的中心是否与原类的中心是否满足指定精度收敛函数，满足，则数据对象的调整已经结束，否则，返回到步骤s303中重新调整。

k-means聚类算法是一种常用的基于分类的聚类分析方法，该聚类算法的最终目标就是根据输入参数k，把数据对象分成k个簇。k-means聚类算法属于一种动态聚类算法，也称作逐步聚类法，该算法的一个比较显著的特点就是迭代过程，每次都要考察对每个样本数据的分类正确与否，如果不正确，就要进行重新调整。当调整完所有数据对象之后，再来修改中心，再进入下一次迭代。若在一个迭代中，所有的数据对象都被正确的分类，就不会有新的调整，聚类中心也不再改变，聚类准则函数也表明已经收敛，那么该算法就成功结束。实际计算中设计的迭代较多，我们会在保证一定精度的情况下限制迭代次数，避免内存消耗过多。

k-means聚类算法的具体过程为：

在聚类中，给定样本集合为{x(1),…x(m)},每个

k-means算法是将样本数据聚类成k个簇，具体算法描述如下：

a、随机选取k个聚类质心点为

b、重复下面过程直到收敛：

对于每一个样例i，计算其应该属于的类

c、对于每一个类j，重新计算该类的质心：

k-means面对的第一个问题是如何保证收敛，前面的算法中强调结束条件就是收敛，可以证明的是k-means完全可以保证收敛性。下面我们定性的描述一下收敛性，我们定义畸变函数如下：

j函数表示每个样本点到其质心的距离平方和。k-means是要将j调整到最小。假设当前j没有达到最小值，那么首先可以固定每个类的质心μj，调整每个样例的所属的类别c⁽ⁱ⁾来让j函数减少，同样，固定c⁽ⁱ⁾，调整每个类的质心μj也可以使j减小。这两个过程就是内循环中使j单调递减的过程。当j递减到最小时，μ和c也同时收敛。

由于畸变函数j是非凸函数，意味着我们不能保证取得的最小值是全局最小值，也就是说k-means对质心初始位置的选取比较敏感，但一般情况下k-means达到的局部最优已经满足需求。如果担心该结果收敛于局部最优，则可以选取不同的初始值运行多次k-means聚类算法，然后取其中最小的j值对应的μ和c输出。同时，这样也会降低运算效率，增大运算时间，实际应折中考虑。

在此k-means算法中：

输入：初始数据集示向线交点集合和簇的数目k；

输出：k个簇，满足均方根误差准则函数收敛。

因为我们后面要用的是内切圆算法，故只需将数据点聚类3簇，也可以先将数据聚类为n(n＞3)簇，再将n簇聚类为k(3＜k＜n)簇，递归聚类为3簇，就可以进行后续的内切圆算法了。

在无线电监测测向定位中，聚类分析算法可以避免小概率误差，即偶尔的示向线异常数据不会对全局的聚类结果造成严重的影响，这样进一步保证了内切圆算法的稳定性与健壮性。同时随着持续的测向数据的更新，聚类中心会随之产生波动，进而导致内切圆的圆心位置会产生相应的变化，因此，在讨论内切圆算法后，又添加了内切圆的叠加热力图算法。

本实施例的热力图算法为将步骤s3中得到的叠加内切圆集合传入热力图图层绘制方法，得到最终的热力图效果，请参阅附图4所示，最后叠加在地图上就可以得到最终的定位结果以及展示效果。

本实施例对于大量测向数据的处理，请参阅附图5所示，为了剔除不准确的数据，选取高质量的测向数据，使大量的测向数据更加集中、准确，去掉发散的测向数据，采用了测向质量和电平门限的筛选方法，使用改进的k-means聚类方法对测向所得示向线交点进行聚类分析得到热力图基础数据。在之前聚类算法的基础上，采用全新的热力图缓冲算法来展现效果更优的热力图，实测效果如附图6所示。缓冲算法是近邻分析的一种，结合了核密度分析的一部分方法，为了识别某一地理实体或空间物体对其周围地物的影响度，而在其周围建立的具有一定半径范围的区域，区域内的值具有核心代表性，多区域的值具有梯度性。

以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。