本发明涉及雷达目标定位技术领域,特别是利用外辐射源的被动目标定位技术,更为具体地涉及一种基于深度神经网络的目标外辐射源被动定位方法。
背景技术:
目标外辐射源被动定位技术是利用第三方信号发射站作为机会照射源,通过对目标回波信号进行处理,实现目标无源定位。该定位技术具有低成本、抗干扰、隐蔽性强等优点,能够在无人机侦察与定位、要地防护等多种情形下应用。第三方信号辐射源通常包括移动通信基站、电视广播信号基站、导航卫星等,广泛分布于全球范围内。因此,目标外辐射源被动定位技术应用场景多、外辐射源部署广泛,具有较大的发展潜力。
在目标外辐射源被动定位这一技术方法中,目标位置与接收信号之间的关系复杂,且外辐射源信息未知,具有一定的挑战性。在此之中,外辐射源的被动目标定位方法是其中的关键技术。现有的外辐射源的被动目标定位方法一般需要利用外辐射源位置或者信号波形等信息,如到达时间法、到达时间差方法等,但在外辐射源信息缺失的条件下,上述方法缺少必要先验信息,无法实现对目标的有效定位。
技术实现要素:
针对现有技术存在的问题,本发明的目的是提供一种基于互逆深度神经网络的目标外辐射源被动定位方法。本发明通过标准散射球获取感兴趣区域的目标位置-接收信号数据对,利用互逆深度神经网络来学习目标位置与接收信号之间的映射关系,利用该映射关系实现目标外辐射源被动定位。
为了实现上述发明目的,本发明采用的技术方案是:
基于互逆深度神经网络的目标外辐射源被动定位方法,包括:
获取从接收信号数据的特征矢量到目标位置的映射关系;
提取接收机接收到的实时接收信号数据的特征矢量;基于从接收信号数据的特征矢量到目标位置的映射关系,得到实时接收信号数据对应的目标位置。
本发明中,获取从接收信号数据的特征矢量到目标位置的映射关系的方法,包括:
(1)获取感兴趣区域的目标位置-接收信号数据对;
(2)对目标位置-接收信号数据对进行处理,获取接收信号数据的特征矢量与目标位置的数据对作为训练数据,构成训练集;
(3)建立径向基神经网络,学习从目标位置到接收信号数据的特征矢量的映射关系;
(4)利用径向基网络生成数据,建立深度神经网络,学习从接收信号数据的特征矢量到目标位置的映射关系。
本发明步骤(1)中,将感兴趣区域均匀地划分为n个单元,将标准散射球依次放在每个单元的中心,n个标准散射球的位置坐标记为x={x1,x2,…,xn}。
当将标准散射球放置于第i个单元时,记录第i个标准散射球的位置坐标xi与m台接收机的接收信号数据为(si,1,…,si,m),构成目标位置-接收信号数据对,其中1≤i≤n。
n个标准散射球的位置坐标与m台接收机的接收信号数据为s:
s={(s1,1,…,s1,m),(s2,1,…,s2,m),…,(sn,1,…,sn,m)}。
本发明步骤(2)中,对于接收信号数据(si,1,…,si,m)中的每个si,j,计算一阶矩与二阶矩,其中1≤j≤m;利用接收机的接收信号数据与噪声统计矩的统计散度,降低训练数据维数,获取特征矢量;将特征矢量与目标位置的数据对作为训练数据,构成训练集。
对于每个接收信号数据
其中,
上标*表示对复数取共轭。p是求和式中的指标,这里代表对si,j中每一项的罗列。
设接收机测量噪声方差σ,求得接收机的接收信号数据与噪声间的kl(kullback-leibler)散度(kld)作为特征矢量
其中,i表示单位矩阵,kld的计算公式为
其中,矢量的上标h表示厄米特转置,tr(·)表示矩阵的迹,|·|表示矩阵的行列式,ln(·)表示自然对数函数。
本发明步骤(3)中,建立径向基神经网络
本发明步骤(4)中,随机生成若干坐标xt={x′1,x′2,...,x′n′},通过步骤(3)训练得到的径向基神经网络
γ={g(γ′1),g(γ′2),...,g(γ′n′)}
其中,g(γ′i)由x′i输入步骤(3)训练得到的径向基神经网络
建立深度网络
本发明第二步中,对于接收机的实时接收信号数据,首先计算接收信号数据的特征矢量γ,经过函数变换g(γ)后,将其输入训练得到的深度网络
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述基于互逆深度神经网络的目标外辐射源被动定位方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述的基于互逆深度神经网络的目标外辐射源被动定位方法的步骤。
本发明的有益技术效果:
目标外辐射源被动定位实质上是发掘接收信号与目标位置参数之间的映射关系。该映射关系蕴含于大量的数据之中,可利用数据驱动的方法获取。在外辐射源被动定位场景下,虽然辐射源信息未知,但可通过部署分布式接收机的方式,获取大量目标位置与接收信号的成对数据。利用测得的大量先验数据,借助于神经网络等数据驱动方法挖掘目标位置与空间电磁状态的关系,可实现复杂电磁环境下的目标定位。在本发明中,利用一对互逆的神经网络,通过样本数据的训练,学习目标位置参数与接收信号之间的映射及其逆映射,实现目标外辐射源被动定位。本发明所提出的方法可改善数据驱动方法对于训练数据集规模的要求,在训练数据稀少的情况下仍能实现对目标有效的定位。
附图说明
图1是本发明所述的互逆网络的训练流程示意图;
图2是基于本发明所述的深度网络定位流程示意图;
图3是本发明所述网络、同等结构深度网络与径向基网络在不同规模训练集下的均方根误差对比图;
图4是在规模为32×32的训练集的训练下,本发明所述的互逆网络测试误差图;
图5是在规模为32×32的训练集的训练下,径向基网络测试误差图;
图6是在规模为32×32的训练集的训练下,与互逆网络中的深度网络具有同等结构的网络测试误差图。
具体实施方式
为了便于本发明的实施,下面结合具体实例作进一步的说明。
本发明提供一种基于互逆深度神经网络的目标外辐射源被动定位方法,采用数据驱动的方法实现了目标外辐射源被动定位技术。具体而言,本发明通过设计一对互逆网络,降低了对训练数据量的需求,提高了训练效果,并且通过训练数据集的更新,有效地避免了过拟合带来的问题。本发明定位过程简单且效率高,具有良好的定位性能。此外,该方法不依赖于电磁环境中的辐射源信息,可以仅通过接收信号完成定位,具有利用通信基站完成目标定位的潜力。
实施例1:
互逆网络的训练流程如图1所示,下面结合具体实施方式对本发明进行详细说明。
第一步,通过训练互逆深度神经网络,获取从接收信号数据的特征矢量到目标位置的映射关系。
(1.1)获取感兴趣区域的目标位置-接收信号数据对。
将感兴趣区域均匀地划分为n个单元,将标准散射球依次放在每个单元的中心,n个标准散射球的位置坐标记为x={x1,x2,...,xn}。
当将标准散射球放置于第i个单元时,记录第i个标准散射球的位置坐标xi与m台接收机的接收信号数据为(si,1,…,si,m),构成目标位置-接收信号数据对,其中1≤i≤n。
n个标准散射球的位置坐标与m台接收机的接收信号数据为s:
s={(s1,1,…,s1,m),(s2,1,…,s2,m),...,(sn,1,...,sn,m)}。
(1.2)对目标位置-接收信号数据对进行处理,获取特征矢量与目标位置的数据对作为训练数据,构成训练集。
对于接收信号数据(si,1,...,si,m)中的每个si,j,计算一阶矩与二阶矩,其中1≤j≤m;利用接收机的接收信号数据与噪声统计矩的统计散度,降低训练数据维数,获取特征矢量;将特征矢量与目标位置的数据对作为训练数据,构成训练集。
对于每个接收信号数据
其中,
上标*表示对复数取共轭。p是求和式中的指标,这里代表对si,j中每一项的罗列。
设接收机测量噪声方差σ,求得接收机的接收信号数据与噪声间的kl(kullback-leibler)散度(kld)作为特征矢量
其中,i表示单位矩阵,kld的计算公式为
其中,矢量的上标h表示厄米特转置,tr(·)表示矩阵的迹,|·|表示矩阵的行列式,ln(·)表示自然对数函数。
(1.3)建立径向基神经网络,学习从目标位置到特征矢量的映射关系。
建立径向基神经网络
其中,wsp为径向基函数的宽度参数。
由于γi变化剧烈,首先对γi做函数变换
(1.4)利用径向基网络生成数据,建立深度神经网络,学习从特征矢量到目标位置的映射关系。
建立深度网络
此外,隐含层的每一层及输出层前都包含一个批正则化层。
随机生成若干坐标xt={x′1,x′2,...,x′n′},通过步骤(1.3)训练得到的径向基神经网络
γ={g(γ′1),g(γ′2),...,g(γ′n′)}
其中,g(γ′i)由x′i输入步骤(1.3)训练得到的径向基神经网络
利用生成的数据(x′i,g(γ′i))对深度网络
第二步,将实时接收到的接收信号数据,计算其特征矢量,并输入到第一步训练得到的互逆深度神经网络中,获得目标位置。
如图2所示,对于接收机的实时接收信号,首先计算接收信号的特征矢量γ,经过函数变换g(γ)后,将其输入训练得到的深度网络
实施例2:
通过仿真实验验证上述方法的有效性。定位场景为500m×500m的正方形区域,包含五个辐射源和四个接收机。其中,辐射源信息如下:
四个接收机的位置为(167,167),(167,333),(333,167),(333,333),接收机热噪声功率为-80dbm,辐射源信号功率为10db。接收数据长度l=4000,特征矢量维数lc=21。深度网络中,dn=10,hn=1000。训练集的规模分别为4×4,8×8,16×16,32×32,64×64,128×128,坐标数据均匀分布在定位场景中。测试集规模为10000,随机分布于定位场景中。
为验证本发明方法的有效性,将本发明所提方法与径向基网络、同本发明中深度网络具有相同结构的网络进行比较,三者在上述不同规模训练集的训练下,测试的均方根误差如图3所示。当训练集规模为32×32时,三种网络在训练集中的误差如图4-6所示。
实验结果表明,本发明所提方法在同等规模训练集的训练下,具有较好的定位精度,且当训练集规模减小时,估计精度无明显下降。特别是,当训练经规模为32×32时,本发明所提方法仍能有效定位,但是其他两种方法估计性能较差,存在明显的差异。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。