一种基于神经网络的干涉仪角度解算方法与流程

本发明属于电子对抗数据处理技术领域，尤其是针对干涉仪电子侦察系统的角度计算方法，进一步还涉及干涉仪电子侦察系统的天线布阵方式与校准方法，以简化干涉仪电子侦察系统的校准流程，拓展布阵方式并提高测向精度。

背景技术：

电子侦察系统使用快速高精度、高识别率的无源被动探测技术进行战场监视和态势感知已成为现代战争重要的信息获取手段。干涉仪设备具有对它信号源进行定位测向的能力，同时具备系统精度高、灵敏度高、抗干扰性强、数据处理时间短、工作频率范围宽等优点而被广泛使用，其作为电子侦察系统重要组成部分，主要作用：1辐射源的分选、识别提供可靠依据(辐射源空间位置无法捷变)；2高精度的辐射源方位角测量并进一步实施无源定位；3为电子干扰和摧毁攻击提供引导。干涉仪测向系统利用电磁波到达测向天线阵各天线间信号的相位差来进而推测来波程差，根据天线间距和波程差确定来波方向。

根据干涉仪测向原理，其测向精度和相位测量精度、天线布阵方式等多方面因素有关。

干涉仪系统相位测量精度主要由天线相位特性、接收机相位一致性以及噪声导致的相位抖动等的影响，在传统的干涉仪角度测量方法中，在基线尺寸确定的条件下，相位抖动与测角精度近似为线性关系。

传统干涉仪系统布阵方式直接确定了角度解算的算法，即角度解算公式取决于天线布阵的方式与布阵参数。在不同应用场景下，对布阵方式及参数进行改变需要重新推导角度解算公式及参数。

在实际的测向中，还会出现多值模糊的问题，需要使用解模糊的算法找到真实的相位差。传统干涉仪采用的解模糊算法需要以角度和相位差的近似线性关系为前提，这种近似线性关系只存在于小的角度测量下，而在大角度测量条件下，相位差与角度的相关性不再是线性的，因此传统干涉仪在非线性的角度测量区域内解模糊准确性下降较为严重。

综上所述，传统干涉仪角度计算方法存在三方面缺陷：

[1]缺乏对相位抖动的有效抑制或基于统计、拟合的相位抖动适应算法，因此测角精度会直接受到系统的相位抖动强度影响；

[2]天线布阵形式单一，即对应用场景的适应性单一，在需要改变天线布阵时所需要的理论计算和验证工作较多，并且无法通过统一的算法实现对多种布阵方式的适应；

[3]适应的解模糊角度范围较小，在大角度解模糊时准确性下降严重。

技术实现要素：

要解决的技术问题

为了改善现有干涉仪在大带宽条件下的校正参数较多以及相位抖动引起的测角精度恶化较为严重的问题，本发明提出一种基于神经网络的干涉仪角度解算方法。

技术方案

一种基于神经网络的干涉仪角度解算方法，其特征在于步骤如下：

步骤1：利用干涉仪获取确定角度下的相位信息；对获得的信息进行预处理：

s101、在微波暗室中，将干涉仪安装于实验转台，利用转台调整干涉仪与信号源之间的角度，按照一定的角度间隔调整转台，利用干涉仪对信号的相位及频率进行测量，干涉仪的4个测量天线得到四个不同的相位值，同一信号对应一个频率值f；

s102、根据先验信息，删除一些明显是干扰信号的相位数据；

s103、干涉仪4个天线为横向分布，计算相邻位置天线的相位差，得到3组相位差数据ph＝[ph1,ph2,ph3]，对相位差数据和频率进行归一化处理：

步骤2：选择全连接网络作为训练模型，输入节点对应输入的相位差及频率值data＝[ph,f]，因此输入层节点数设置为4，输出神经元对应角度；网络层数可以设置为4-10层，每层神经元个数可以设置为20-200；训练时选用网络预测值与真实值的均方误差函数作为网络的损失函数：

其中，angi为转台的角度作为已知的信号角度，即真实值；angi′为网络预测值；

步骤3：对网络中的权值进行随机初始化，将训练数据输入到网络中进行网络训练，输入数据根据数据量的大小可以进行分批次训练，基于梯度的反向传播算法进行网络的训练直至损失函数收敛；

步骤4：将干涉仪的观测到的相位信息和信号频率经过数据预处理之后输入训练好的网络，利用模型进行前向运算就能得到信号角度的预测值。

步骤1中所述的一定的角度为1°。

步骤2中所述的全连接网络可以替换为递归网络、残差网络。

有益效果

本发明提出的一种基于神经网络的干涉仪角度解算方法，通过多层神经网络拟合干涉仪的解模糊和角度解算过程，由设计合理的神经网络训练方法生成针对每部干涉仪产品的角度计算参数矩阵，替代现有干涉仪相位的校正参数和角度计算方程；同时，采用神经网络训练后生成的参数矩阵进行角度计算时其计算量为确定次数的乘加运算，与现有方法计算量相当，不影响干涉仪在使用过程中的实时性。与现有技术相比较具有以下有益效果：

1、通过神经网络为每部干涉仪产品定制化的进行训练，在训练过程中，将初始相位以参数化的形式进行训练，省去了初始相位校正的工作，同时定制化的训练过程可精确拟合每部干涉仪产品的相位-到达角曲线，由于神经网络层数较多时可以拟合高阶函数，因此相位抖动与测角误差不再为简单的线性关系，而是经过拟合的高阶函数曲线，与单部干涉仪的相位特性更为接近，因此可一定程度提高测角精度。

2、与现有干涉仪测角算法相比，本发明在训练过程中采用输入相位值和到达角信息，由算法自身训练拟合相位-到达角函数，因此在针对几种典型布阵方式时，无需计算布阵条件下相位与到达角关系方程，因此在实际使用中，算法对布阵方式不敏感，可对多种典型布阵方式测角算法进行拟合。

3、由于多层神经网络拟合的测角曲线为高阶非线性函数，因此可对现有测角方程中大角度测量时的非线性区域拟合，因此通过本发明的算法可实现比现有角度计算方法更大的角度测量范围，并且在该范围内，测角精度不会产生较大恶化。

附图说明

图1是本发明的算法训练框图

图2是本发明采用的神经网络结构示意图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明实施方式主要分为三个阶段：神经网络模型搭建、网络模型训练以及网络模型实际应用。具体实施步骤如下：

s1、训练数据的收集：

训练数据的收集主要包括：利用干涉仪获取确定角度下的相位信息；对获得的信息进行预处理，以适用于后期的神经网络训练。

s101、将干涉仪安装于实验转台，利用转台调整干涉仪与信号源之间的角度，按照1度间隔调整转台，利用干涉仪对信号的相位及频率进行测量，四个测量天线得到四个不同的相位值，同一信号对应一个频率值f。转台的角度作为已知的信号角度(ang)。为保证训练精度，该训练过程建议在微波暗室中开展。

s102、根据先验信息，删除一些明显是干扰信号的相位数据。

s103、由相位数据得到相位差数据。干涉仪4个天线为横向分布，计算相邻位置天线的相位差，可以得到3组相位差数据ph＝[ph1,ph2,ph3]，对相位差数据进行归一化处理，同时也对频率进行归一化操作，具体操作如下：

s2、神经网络模型搭建

该阶段主要根据实际的干涉仪角度结算问题，搭建合适的神经网络模型。

s201、选取基本网络架构。可以选择基本的全连接网络，如图2所示，也可以选择其它的网络架构，例如递归网络、残差网络等。

s202、设计网络具体结构。输入节点对应输入的相位差及频率值data＝[ph,f]，因此输入层节点数设置为4，输出神经元对应角度，根据角度的表示方法，可以设置为1个神经元或是两个神经元。网络层数可以设置为4-10层，每层神经元个数可以设置为20-200。

s203、网络损失函数设置，本发明主要针对相位差与角度之间的关系，因此，选用网络预测值与真实值的均方误差函数作为网络的损失函数。

s3、神经网络模型训练

s301、选择模型训练算法，本发明选用目前常用的基于梯度的反向传播算法来进行网络的训练。当损失函数稳定收敛之后，网络的训练过程结束。

s302、对网络中的权值进行随机初始化。

s303、将训练数据data输入到网络中进行网络训练，输入数据根据数据量的大小可以进行分批次训练，不降低效果的情况下，提升训练速度，如果有gpu设备也可以进行并行加速。

s4、该神经网络模型的实际应用

在前面阶段，通过数据的采集、网络的构架及训练可以得到训练好的神经网络模型，该模型中的参数很好地拟合了干涉仪的测量数据(相位、频率)与信号源角度之间的复杂关系。在实际应用中，只需要将干涉仪的测试数据(包括相位及信号频率)进行预处理操作，然后将相位差及频率值输入训练好的模型，利用模型进行前向运算就能得到信号角度的预测值。