一种基于神经网络的MIMO雷达目标定位方法及系统与流程

本发明属于雷达目标定位技术领域，具体涉及一种基于神经网络的mimo雷达目标定位方法及系统。

背景技术：

目前，mimo雷达利用发射机发射信号，接收机接收信号，然后进行信号处理，最后定位获得目标的精确位置，雷达定位是用来显示雷达接收到的目标反射信号，并确定目标位置。

影响雷达定位的因素有很多，噪声方差就是其中的一种，很多定位算法没有考虑到噪声的影响，不利于目标的准确定位。而神经网络，在信息融合领域得到了广泛的应用。

技术实现要素：

本发明的目的在于克服现有技术中的不足，提出了一种基于神经网络的mimo雷达目标定位方法及系统，采用elman神经网络对tdoa测量值进行修正，提高目标定位的准确度。

为解决上述技术问题，本发明提供了一种基于神经网络的mimo雷达目标定位方法，其特征是，包括以下过程：

s1，获取tdoa测量值；

s2，采用神经网络对tdoa测量值进行修正；

s3，根据修正后的tdoa值结合chan算法来估算得到目标位置坐标。

进一步的，tdoa是dtm和dtm的距离差，dtm表示发射天线m到目标的距离,dtm表示发射天线m到目标的距离。

进一步的，采用神经网络对tdoa测量值进行修正包括：

采用elman神经网络对tdoa测量值进行修正。

进一步的，采用elman神经网络对tdoa测量值进行修正的具体过程包括：

u(k-1)表示在(k-1)时刻网络输入层的输入，y(k)表示网络经过对u(k-1)的处理输出层的输出，x(k)表示在k时刻隐含层中信号的状态，xc(k)表示在k时刻时承接层神经元的状态，w¹为承接层和隐含层之间的连接权值，w²为隐含层和输入层之间的连接权值，w³为隐含层与输出层之间的连接权值；

1)初始化连接各个网络层之间的权值，其中初始值为(-1，1)的随机数；

2)将tdoa测量值选取k个样本输入网络中，然后按下式来计算隐含层、承接层以及输入层的输出：

x(k)＝f{w¹xc(k)+w²[u(k-1)]}

xc(k)＝x(k-1)

y(k)＝g[w³x(k)]

g(x)＝x

其中，f(x)是隐含层神经元的传递函数，g(x)是输出神经元的传递函数；

3)用elman神经网络的误差函数求出误差：

其中，神经网络第k步实际输出为yd(k)，e(k)表示误差；

4)当误差大于预定的阀值时，用误差去修正各个权值矩阵：

其中，η、γ分别为学习速度和动量系数，η、γ在0-1之间；

5)根据下式来计算全局误差，判断全局误差是否小于预先所规定的精度要求，若小于神经网络则收敛，可以存储当前计算得到的权值；若大于则执行判断是否达到最大迭代次数，是则退出，否则转到上述过程重新执行；

其中，e表示全局误差。

相应的，本发明还提供了一种基于神经网络的mimo雷达目标定位系统，其特征是，包括测量值获取模块、测量值修正模块和目标定位估算模块；

测量值获取模块，用于获取tdoa测量值；

测量值修正模块，用于采用神经网络对tdoa测量值进行修正；

目标定位估算模块，用于根据修正后的tdoa值结合chan算法来估算得到目标位置坐标。

进一步的，测量值获取模块中，tdoa是dtm和dtm的距离差，dtm表示发射天线m到目标的距离,dtm表示发射天线m到目标的距离。

进一步的，测量值修正模块中，采用神经网络对tdoa测量值进行修正包括：

采用elman神经网络对tdoa测量值进行修正。

进一步的，测量值修正模块中，采用elman神经网络对tdoa测量值进行修正的具体过程包括：

u(k-1)表示在(k-1)时刻网络输入层的输入，y(k)表示网络经过对u(k-1)的处理输出层的输出，x(k)表示在k时刻隐含层中信号的状态，xc(k)表示在k时刻时承接层神经元的状态，w¹为承接层和隐含层之间的连接权值，w²为隐含层和输入层之间的连接权值，w³为隐含层与输出层之间的连接权值；

1)初始化连接各个网络层之间的权值，其中初始值为(-1，1)的随机数；

2)将tdoa测量值选取k个样本输入网络中，然后按下式来计算隐含层、承接层以及输入层的输出：

x(k)＝f{w¹xc(k)+w²[u(k-1)]}

xc(k)＝x(k-1)

y(k)＝g[w³x(k)]

g(x)＝x

其中，f(x)是隐含层神经元的传递函数，g(x)是输出神经元的传递函数；

3)用elman神经网络的误差函数求出误差：

其中，神经网络第k步实际输出为yd(k)，e(k)表示误差；

4)当误差大于预定的阀值时，用误差去修正各个权值矩阵：

其中，小γ分别为学习速度和动量系数，η、γ在0-1之间；

5)根据下式来计算全局误差，判断全局误差是否小于预先所规定的精度要求，若小于神经网络则收敛，可以存储当前计算得到的权值；若大于则执行判断是否达到最大迭代次数，是则退出，否则转到上述过程重新执行；

其中，e表示全局误差。

与现有技术相比，本发明所达到的有益效果是：本发明通过神经网络预处理tdoa测量值，而神经网络选择结构简单且稳定性高的elman神经网络，从而可以达到削弱tdoa测量值中非高斯噪声因素的影响，最后结合chan算法进行定位估算，提高定位估算的准确度

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的一种基于神经网络的mimo雷达目标定位方法，参见图1所示，包括以下过程：

s1，获取tdoa测量值。

假设分布式mimo雷达模型中有m个发射天线和n个接收天线。在三维坐标系中，第m个发射天线(简记为发射天线m)的坐标为tm＝(xtm，ytm，ztm)(m＝1，2，......，m)；第n个接收天线(简记为接收天线n)的坐标为rn＝(xrn，yrn，zrn)(n＝1，2，3，......，n)；目标位置坐标为x＝(x，y，z)。

针对目标定位问题构建信号模型，其中dtm表示第m个发射天线到目标的距离，drn表示第n个接收天线到目标的距离。分布式mimo雷达模型中第m个发射天线发射的离散基带信号表示为sm(t)。低通等效形式的传输波形集合为其中∫t|sm(t)|²dt＝1，e为总发射功率，t为波形周期，t表示时间。

第m个发射天线经过目标到达第n个接收天线的时间差τmn是：

其中c是光速。

toa被定义为信号从发射天线到接收天线所用时间，它由两部分组成：从发射天线到目标的时间和从目标到接收天线的时间。信号模型中，因为第m个发射天线(xtm，ytm，ztn)经过目标到达第n个接收天线(xrn，yrn，zrn)间有m×n路径，故可以列写出m×n个toa方程式。因为该方程式的数目远远超过未知数即目标数的个数，所以toa方程式是超定的。如若直接对所有toa方程式求解，则测量误差累积，最终的定位精度将劣于解单一toa方程。但若化简消除一些toa方程，则toa测量误差将抵消从而获得更好的精度。

统计mimo雷达的目标位置可由多个不同发射天线到接收天线的到达时间确定。选取发射天线m作为参考站，同时以统计mimo雷达(mimo雷达的一种类型)中的一个接收天线n作为坐标系原点构建一个空间直角坐标系。从接收天线n处观察统计mimo雷达系统，发射天线m(m＝1，2，…，m)经过目标到达第n个接收天线处有m个距离方程式，如下：

其中，dmn表示发射天线m经过目标到达第n个天线的距离。

发射天线m经过目标到达接收天线n的距离方程式dmn，如下：

相减以上两个方程式得：

那么所得到的m-1个方程式将距离方程式中的目标到接收天线n处的距离消除，且方程式包含发射天线m到目标的距离方程：

其中，dtm表示发射天线m到目标的距离。

定义tdoa(到达时间差)方程式是dtm和dtm的距离差：

dmm＝dtm-dtm

＝(dtm+drn)-(dtm+drn)

＝dmn-dmn

＝cτmn-cτmn

其中，c是光速。

根据tdoa可以估算出接收天线n处的(dmm的估计值)，如下：

式中是dmm的估计值，是τmn的估计值，τmn是第m个发射天线经过目标到达第n个接收天线的时间差，是τmn的估计值，τmn是第m个发射天线经过目标到达第n个接收天线的时间差；δmm是接收天线n处的估计误差，δmm服从高斯分布且均值为0，方差为

s2，采用神经网络对tdoa测量值进行修正。

elman神经网络通过储存内部状态，同时具备映射动态特征的功能，具有适应时变特性的能力，非常适用于动态系统的辨识。相较bp神经网络，elman神经网络避免了类似前馈型神经网络的劣势，具备记忆特性，同时结构简单且稳定性好。elman神经网络的基本结构为：u(k-1)表示在(k-1)时刻网络输入层的输入，y(k)表示网络经过对u(k-1)的处理输出层的输出，x(k)表示在k时刻隐含层中信号的状态，xc(k)表示在k时刻时承接层神经元的状态，w¹为承接层和隐含层之间的连接权值，w²为隐含层和输入层之间的连接权值，w³为隐含层与输出层之间的连接权值。利用elman神经网络建立模型的过程就是通过输入层的输入及期望目标输出的值来不断的修正权值w¹，w²，w³的过程。

elman神经网络的具体实现过程为：

1)初始化连接各个网络层之间的权值，其中初始值为(-1，1)的随机数；

2)将带有噪声的tdoa测量值选取k个样本输入网络中，然后按下式来计算隐含层、承接层以及输入层的输出：

x(k)＝f{w¹xc(k)+w²[u(k-1)]}

xc(k)＝x(k-1)

y(k)＝g[w³x(k)]

g(x)＝x

其中，f(x)是隐含层神经元的传递函数，g(x)是输出神经元的传递函数。

3)用elman神经网络的误差函数求出误差：

其中，神经网络第k步实际输出为yd(k)，e(k)表示误差。

4)当误差大于预定的阀值时，用误差去修正各个权值矩阵：

其中，η、γ分别为学习速度和动量系数，η、γ在0-1之间。

5)根据下式来计算全局误差，判断全局误差是否小于预先所规定的精度要求，若小于神经网络则收敛，可以存储当前计算得到的权值；若大于则执行判断是否达到最大迭代次数，是则退出，否则转到上述过程重新执行。

其中，e表示全局误差。

将在带有环境噪声的tdoa测量值输入到已经训练好的elman网络，通过elman神经网络对tdoa测量值进行上述处理过程；利用神经网络把误差修正，将已经修正后的tdoa值结合chan算法来估算得到目标位置坐标。

s3，根据修正后的tdoa值结合chan算法来估算得到目标位置坐标。

chan算法的基本原理是使用两步wls(加权最小二乘法)算法估计目标的位置参数，具有计算量较小且能够充分利用mimo雷达各个接收天线的tdoa测量值信息的优点。chan算法是一种具有表达式解的非递归算法，在使用chan算法对于tdoa方程进行求解时需要针对发射天线数目的不同具体分析。因为信号模型中建立的是空间直角坐标系，故发射天线的数目必须大于等于4时才具有求解意义。下面将对统计mimo雷达系统4个发射天线和4个以上发射天线的情况分别讨论：

(1)发射天线数目为4时

当统计mimo雷达系统模型中发射天线数目为4时列出三个tdoa方程，假设dtm已知，目标的位置可以由方程式aa＝b求解：

a＝[xyzdtm]

b＝[b1mb2m...b(m-1)m]^t

将其代入到中且令其中的m＝m，得到一个一元二次方程。将该方程的正根代入到方程式中，就可以求出目标位置估计参数。如若出现两个正根，则表明此方程出现了模糊解，需要对先验知识进行进一步确认。

(2)发射天线数目大于4时

当发射天线数目大于4时，tdoa方程数大于未知参数。因此首先将非线性方程组转换为线性方程组，通过采用wls得到一个初始位置参数；然后利用求得的初始位置参数估计以及已知的约束条件进行第二次wls估计，改进位置参数估计结果。

将方程式aa＝b变为：

v＝b-aa

其中：

v＝cbδ+0.5c²δθδ≈cbδ

δ＝[δ1m，δ2m，…，δ(m-1)m]^t

θ表示schur积(各元素分别相乘)。

因为设定目标处于远场环境中，所以第一次wls处理转换为约束最优化问题。将v＝b-aa进一步转换为：

v＝dκ⁰

其中d＝[-a，b]，κ⁰＝[a^t，1]^t。故第一次wls转换成求目标函数最小化问题。这些都是数学上的矩阵，解释不了

由于包含tdoa测量噪声且矩阵d由a和b构成，忽略二阶噪声项，则d可表示为：

d＝d^o+δd

则有

其中第一项(d⁰κ)^tψ(d⁰κ)为理想目标函数。当没有测量噪声时(即δd＝0)，取κ＝κ⁰，有d⁰κ⁰＝0，目标函数为0；但实际测量过程中存在噪声，使得δd干扰目标函数的值，κ偏离κ⁰，故求的期望可得：

其中右式中的两项均为非负定且与κ相关。当最小化时，其中的κ^te[δd^tψδd]κ使κ偏离κ⁰，产生估计偏差。为了解决此种问题，这里假设κ^te[δd^tψδd]κ为一个常数，故求最小值问题转换成一个约束最优化问题。即：

minimizing(dκ)^tψ(dκ)subjecttoκ^tφκ＝ξ

其中φ＝e[(dκ)^tψ(dκ)]；常量ξ仅对κ有倍数影响，可以为任意值。

采用拉格朗日(lagrange)乘数法求解该约束最优问题。采用lagrange乘子后得到目标函数：

f(κ，ι)＝(dκ)^tψ(dκ)+ι(ξ-κ^tφκ)

对其求导并令导数为0，

d^tψdκ＝ιφκ

将其左乘κ^t，根据约束条件κ^tφκ＝ξ，可得：

则目标函数最小化的解κ就是广义方程组(d^tψd，φ)的广义特征值l取最小值时对应的特征向量。

以上假设x，y，z，dtm是相互独立的，但事实上x，y，z，dtm是相关的。利用它们之间的关系进行第二次wls定位以改进定位效果。对拉格朗日乘数法得到的第一次wls估计的位置参数a1中的参数进行如下变换：

其中x1、y1、z1、dtm，1为目标的量测值，为拉格朗日乘数法估计的a1的元素γx、γy、γz、γdtt为测量噪声。由

转换为矩阵形式为：

ef＝p

其中

因为存在一定的误差，所以第一次wls估计的位置参数a1对于方程式ef＝p并不适用。设误差表达式为：

ψ1＝p⁰-ef

故参照ψ＝e(vv^t)＝c²bqb推出：

γ＝e[ψ1ψ1^t]＝4b′cov(r)b′

其中

cov(r)≈(a^tγ^-1a)^-1

b′中的可以用第一次wls估计值近似表示。故可得目标位置的估计a的ml估计为：

a2＝(e^tγ^-1e)^-1e^tγ^-1f

由此可获得目标位置的估计参数。

tdoa测量值误差(真实值与测量值比较)较小，尤其是在测量值噪声为理想高斯分布的状况下，chan算法在的定位精度非常好，而在实际环境下，tdoa测量噪声为非高斯噪声时，chan算法的定位精度会受到很大的影响。因此，可以考虑通过神经网络预处理tdoa测量值，而神经网络选择结构简单且稳定性高的elman神经网络，从而可以达到削弱tdoa测量值中非高斯噪声因素的影响，最后结合chan算法进行定位估算。

相应的，本发明还提供了一种基于神经网络的mimo雷达目标定位系统，其特征是，包括测量值获取模块、测量值修正模块和目标定位估算模块；

测量值获取模块，用于获取tdoa测量值；

测量值修正模块，用于采用神经网络对tdoa测量值进行修正；

目标定位估算模块，用于根据修正后的tdoa值结合chan算法来估算得到目标位置坐标。

进一步的，测量值获取模块中，tdoa是dtm和dtm的距离差，dtm表示发射天线m到目标的距离，dtm表示发射天线m到目标的距离。

进一步的，测量值修正模块中，采用神经网络对tdoa测量值进行修正包括：

采用elman神经网络对tdoa测量值进行修正。

进一步的，测量值修正模块中，采用elman神经网络对tdoa测量值进行修正的具体过程包括：

u(k-1)表示在(k-1)时刻网络输入层的输入，y(k)表示网络经过对u(k-1)的处理输出层的输出，x(k)表示在k时刻隐含层中信号的状态，xc(k)表示在k时刻时承接层神经元的状态，w¹为承接层和隐含层之间的连接权值，w²为隐含层和输入层之间的连接权值，w³为隐含层与输出层之间的连接权值；

1)初始化连接各个网络层之间的权值，其中初始值为(-1，1)的随机数；

2)将tdoa测量值选取k个样本输入网络中，然后按下式来计算隐含层、承接层以及输入层的输出：

x(k)＝f{w¹xc(k)+w²[u(k-1)]}

xc(k)＝x(k-1)

y(k)＝g[w³x(k)]

g(x)＝x

其中，f(x)是隐含层神经元的传递函数，g(x)是输出神经元的传递函数；

3)用elman神经网络的误差函数求出误差：

其中，神经网络第k步实际输出为yd(k)，e(k)表示误差；

4)当误差大于预定的阀值时，用误差去修正各个权值矩阵：

其中，η、γ分别为学习速度和动量系数，η、γ在0-1之间；

5)根据下式来计算全局误差，判断全局误差是否小于预先所规定的精度要求，若小于神经网络则收敛，可以存储当前计算得到的权值；若大于则执行判断是否达到最大迭代次数，是则退出，否则转到上述过程重新执行；

其中，e表示全局误差。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。