一种非视距环境下测试区域外辐射源单站定位方法

1.本发明涉及辐射源定位，特别是涉及一种非视距环境下测试区域外辐射源单站定位方法。


背景技术：

2.随着电子设备越来越广泛的应用，实际环境中的辐射源变多，这些辐射源向外发射信号作用于实际环境，使得区域电磁环境日益复杂。辐射源的增多可能会对生产生活带来不良影响，例如，未经许可使用的“黑电台”会造成信号之间的相互干扰最终导致通信质量下降，一些大功率发射设备向外发射的信号可能会对其他电子设备产生干扰，使其性能降级甚至损坏。因此亟需开展辐射源定位方法研究。但在城市环境下进行辐射源定位存在以下难点：1.城市环境是一个典型的非视距环境，所谓非视距环境，即是环境中存在大量障碍物，如高楼、人群、树木等，在这种环境下辐射源发射的电磁波不是按照自由空间的电波传播模型进行传播，而是在环境中不断发生反射、折射，导致最终设置的接收机接收到的信号参数可信度变差；2.在实际条件下并不能对实际环境中所有位置的发射信号进行接收，只能在有限区域及有限点位进行辐射源信号的采集，在这种测试条件下，可能会出现辐射源位于测试区域之外的情况。当辐射源在测试区域外，则说明只能接收到辐射源某个方位的辐射特性，而不能得到辐射源所有方向的发射信息，辐射源定位难度增大。因此结合实际情况，需要开展非视距环境下的测试区域外的辐射源定位方法研究。
3.现有辐射源定位方法分为两步定位法与直接定位法，两步定位法指第一步先从测试点位上的接收机接收到的信号中提取信号参数如信号强度、到达时间差、波达角等，第二步则利用提取的参数进行辐射源定位，较为典型的两步定位法有到达时间差法(time difference ofarrival,tdoa)、接收强度法(received signal strength，rss)、波达角测向法(angle of arrival，aoa)等。在非视距环境下，为了减小电磁波的反射、折射造成的接收信号偏差，一般进行卡尔曼滤波处理；直接定位法则不需要从接收信号中提取信息参数，而是将接收信号作为输入设计算法进行辐射源定位。两种方法在测试区域内存在障碍物时都会出现辐射源定位精度下降的问题，其主要原因即是电磁环境复杂，电磁波在传播过程中产生的反射、折射会使传统的电波传播模型失效，接收机接收到的信号可信度变差，而无论是基于信号参数提取的两步定位法还是基于接收信号的直接定位法，都对接收信号的可信度存在一定要求，因而利用传统的两步定位法或直接定位法来处理非视距环境下的辐射源定位问题存在一定的局限性。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种非视距环境下测试区域外辐射源单站定位方法，降低了对测试区域面积的需求，有效减小了实测数据不足对辐射源定位精度的影响。
5.本发明的目的是通过以下技术方案来实现的：一种非视距环境下测试区域外辐射
源单站定位装置，包括：
6.电磁仿真分析模块，基于已知的地理环境信息与实际场景中障碍物的电磁参数来构建电波传播模型，并基于该电波传播模型，完成电磁计算样本的收集，即确定测试区域与接收机点位，之后改变辐射源的位置，对接收机点位的电场强度进行多次电磁计算，记录辐射源的位置、功率及各接收机点位的电场强度；
7.信号采集模块，用于完成测试区域内各接收机点位的电场强度数据的实测；
8.数据传输模块，用于将信号采集模块采集到的信息传输到数据处理模块；
9.数据处理模块，用于进行实际环境卫星云图的建立与辐射源参数信息的存储，并对信号采集模块采集到的信息进行处理，基于实测与电磁仿真计算得到的测试区域内各接收机点位的电场强度数据完成实测数据向电磁仿真计算数据的拟合，完成以电磁仿真计算得到的测试区域内各接收机点位的电场强度数据为输入，以辐射源的位置与功率为输出的神经网络的搭建、训练与测试，最终输出辐射源信息参数，完成非视距环境下的测试区域外辐射源单站定位。
10.优选地，所述信号采集模块包括三轴正交偶极子探头，安装在能够编程控制并规划路径的无人车巡测平台上；
11.所述无人车巡测平台通过远程控制或按照已有程序在固定轨迹巡航并在划定的接收机点位停止，待完全静止后进行数据采集。
12.所述三轴正交偶极子探头置于无人车顶部，与车顶垂直，在无人车完全处于静止状态后收集电场各方向的分量。
13.优选地，所述数据处理模块对信号采集模块采集到的信息进行的处理包括：
14.提取工作频段内的电场强度各方向分量、对电场强度的模值进行计算，并基于无辐射源条件下区域电磁环境数据，利用时域窗方法对工作区内有辐射源的情况下实测所得数据进行滤波。
15.一种非视距环境下测试区域外辐射源单站定位方法，包括以下步骤：
16.s1.定义工作并建立电磁仿真模型；
17.s2.建议修正网络的输入样本集和输出样本集；
18.s3.检测信号采集模块的稳定性，然后测量无辐射源情况下工作区内电磁环境，再实测获得修正网络输入样本集，并搭建修正网络；
19.s4.建立辐射源定位网络输入样本集和输出样本集，搭建辐射源定位网络并进行优化；
20.s5.利用修正网络和优化后的辐射源定位网络进行辐射源定位。
21.进一步地，所述步骤s1包括以下子步骤：
22.s101.定义工作环境:在数据处理模块中建立当前实际环境即工作区的卫星云图，在实际环境中划定测试区域，并在测试区域中设置k个接收机点位，选定测试频段,对测试区域及接收机点位的设置遵循以下原则：
23.1)接收机点位上不存在障碍物，并且接收机点位能够均匀分布于测试区域；
24.2)测试区域面积不小于工作区总面积的1/4；
25.s102.建立电磁仿真模型：在数据处理模块中基于卫星云图建立工作区环境模型，获取工作区中的障碍物在工作频段下的电磁参数，所述电磁参数包括介电常数ε、电导率σ，
并在电磁仿真分析模块中建立对应工作区环境模型的电磁仿真模型，对电磁仿真模型中各物体的电磁参数进行设置。
26.进一步地，所述步骤s2包括以下子步骤：
27.s201.建立修正网络输出样本集:设置n个典型位置和功率的辐射源，将其记为txi(xi,yi,pi),i＝1,2,3
…
n；其中(xi,yi)为辐射源坐标，pi为辐射源的发射功率，将以上信息存储于数据处理模块，这n个辐射源的信息参数即是修正网络的输出样本集；
28.s202.建立修正网络输入样本集：将第i个辐射源txi作为激励源，使用电磁仿真分析模块对测试区域内划定的k个接收机点位在工作频段内的电场强度进行电磁计算，并建立第i个电磁计算辐射源电场强度矩阵，记为将ai按行依次写入电磁仿真计算矩阵记为a，矩阵a即为修正网络输入样本集，存储于数据处理模块。
29.进一步地，所述步骤s3包括：
30.s301.将信号采集模块安装于无人车巡测平台，检查信号采集模块的稳定性，
31.在测试区域内随机选择一个点位，使用信号采集模块对该个点位的电场强度进行多次测量，并多次测量结果的均方根误差；
32.重复选取n个点位，对于每个点位按照上述步骤计算均方根误差；
33.若所有均方根误差小于设定阈值，认为其稳定；
34.s302：实测获得修正网络输入样本集：
35.设k个接收机点位均匀排布成行列的点位阵列，令
36.将第i个辐射源txi作为激励源，按照其辐射源信息参数设置于工作区中，使用信号采集模块来测量工作频段下测试区域内划定的k个接收机点位的电场强度，根据接收机点位位置建立初始数据矩阵ui＝{e
i11
,e
i12
…
,e
i1m
；e
i21
,e
i22
…
,e
i2m
；
…eim1
,e
im2
…
,e
imm
},对矩阵u通过时域滤波方法在数据处理模块中进行处理，建立第i个实测滤波矩阵w＝{w
i11
,w
i12
…
,w
i1m
；w
i21
,w
i22
…
,w
i2m
；
…wim1
,w
im2
…
,w
imm
}，将w按照行展开得到第i个实测数据辐射源电场强度矩阵，将bi按行依次写入实测矩阵b,矩阵b即为修正网络输入样本集，存储于数据处理模块；
37.s303.搭建修正网络：在数据处理模块中，搭建以电磁仿真计算矩阵a、实测矩阵b为样本集，以bi为输入，ai为输出的神经网络，并对该网络进行训练与交叉验证：
38.若网络训练输出值与样本真值的相对误差满足用户需求，则将训练好的网络记为修正网络；
39.若相对误差不能满足用户需求，则重复s201-s303，继续收集样本，扩充样本集，并在扩充的样本集基础上进行修正网络的搭建；直至测试结果满足要求,至此完成修正网络的搭建，实现实测数据向电磁仿真计算数据的拟合；
40.交叉验证的方法如下：修正网络的输入集为b，输出集为a，其中a、b均为n*k的矩阵，代表共设置n个辐射源，k个接收机点位；输出样本为a的行向量ai，输出样本为b的行向量bi；其中bi与ai一一对应；
41.第一步、将a中的n个样本随机分为10份，记为a,b,c,d,e,f,g,h,i,j,k，每份有n/10个样本；每份数据对应的b的数据记为l,m,n,o,p,q,r,s,t,u,v，每份有n/10个样本；其中输出a对应的输入为l，以此类推；
42.第二步、选取输出a与输入l作为测试集，b-k与m-v分别为的训练集的输出与输入；使用训练集构建神经网络；假设测试集a中的样本为a1，a2，a3…an/10
,l中的样本为l1，l2,l3…
l
n/10
；
43.将l中的样本l
t
(t＝1,2
…
n/10)输入神经网络，得到输出a
′
t
，共输出n/10个向量，at与at’都为1*k阶向量，其中a
t’各分量为(q
t11
,q
t12
…qt1k
),a
t
各分量为(e
t11
,e
t12
…et1k
),k为接收机点位数，计算a
t
与a
t’(t＝1,2
…
n/10)两个向量元素的均方根误差；计算方法为：将以上计算得到的均方根误差相加取均值，
44.第三步、将b与m作为测试集的输出与输入，重复第二步操作，得到均方根误差；依照此方法直至使得每一份输出数据都成为过训练集；共得到10个均方根误差；
45.第四步、重新对a进行划分，总共划分10次，在每次划分后重复第一步～第三步，得到100个均方根误差，计算均方根误差平均值，若均方误差的平均值小于设定阈值，则当前网络满足要求。
46.进一步地，所述步骤s4包括：
47.s401.建立辐射源定位网络输出样本集:基于步骤s1建立的工作区电磁仿真模型，设置n个不同位置/功率的辐射源记为oxi(xi,yi,pi),i＝1,2,3
…
n；其中(xi,yi)为辐射源坐标，pi为辐射源发射功率；将oxi的辐射源参数ri(xi,yi,pi)按行写入矩阵r记为辐射源参数矩阵,矩阵r即为辐射源定位网络输出样本集，存储于数据处理模块；
48.s402.建立辐射源定位网络输入样本集：在电磁仿真分析模块中，将第i个辐射源oxi按照其辐射源参数设置为激励源，对工作频段下测试区域内划定的k个接收机点位的电场强度进行计算，进而得到第i个辐射源的电磁计算矩阵将ci按行写入矩阵c，记为电磁计算辐射源矩阵，矩阵c即为辐射源定位网络输入样本集，存储于数据处理模块；
49.s403.搭建辐射源定位网络:在数据处理模块中，以电磁计算辐射源矩阵c和辐射源参数矩阵r为样本集，构建以电磁计算辐射源矩阵c的行向量ci，辐射源参数矩阵r的行向量ri为输出的辐射源定位神经网络，对神经网络进行训练，将该网络记作net，存储于数据处理模块；
50.s404.对辐射源定位网络进行优化:对训练后的net神经网络进行交叉验证：
51.若网络训练输出值与样本真值的相对误差满足用户需求，则将训练好的网络记为成熟的net神经网络；
52.若相对误差不能满足用户需求，则重复s401-s404，继续收集样本，扩充样本集，并在扩充的样本集基础上继续进行net神经网络的训练；
53.其中，辐射源定位网络的交叉验证方法包括：
54.辐射源定位网络的输入集为c，输出集为r，其中c为n*k矩阵，代表共设置n个辐射源，每个辐射源设置k个接收机点位；r为n*3矩阵，代表设置n个辐射源，每个辐射源包含三个信息参数：位置坐标(x,y)以及功率p；
55.(1)将c中的n个样本随机分为10份，记为locationinput1，locationinput2,
locationinput3,locationinput4,locationinput5,locationinput6,locationinput7,locationinput8,locationinput9,locationinput10,每份数据对应的r的数据记为locationoutput1，locationoutput2，locationoutput3，locationoutput4，locationoutput5，locationoutput6，locationoutput7，locationoutput8，locationoutput9，locationoutput1.
56.其中输入locationinput1对应的输出为locationoutput1，以此类推；locationinput1中有n/10个向量，记为li
p
(p＝1,2
…
n/10),locationoutput1中也有n/10个向量，记为lo
p
(p＝1,2
…
n/10)；lo
p
是一个三维向量,分别表征辐射源的位置坐标(x,y)和功率p,即(row1
p
,row2
p
,p
p
)；
57.(2)将locationinput1中的样本li
p
(t＝1,2
…
n/10)输入神经网络，得到输出lo
p’,则总共会输出n/10个向量lo
p’(row1
p’,row2
p’,p
p’)(p＝1,2
…
n/10)；计算lo
p
减去lo
p’所得向量的模值设为k，记：
[0058][0059]
最终计算
[0060]
(3)将locationinput2与locationoutput2作为测试集的输入与输出重复上一步操作，得到第二个均方根误差，依照此方法直至使得每一份输出数据都成为过训练集；共得到10个均方根误差；
[0061]
(4)重新对c进行随机划分，总共划分10次，在每次划分后重复(1)～(3)，得到100个均方根误差，计算均方根误差平均值，若均方误差的平均值小于设定阈值，则当前网络满足要求。
[0062]
进一步地，所述步骤s5包括以下子步骤：
[0063]
s501.完成输入样本数据的采集:使用采集模块测量测试区域内划定的k个接收机点位的电场强度，由信号传输模块将采集到的信息传输到数据处理模块，并在数据处理模块建立测试向量test＝(e1，e2，e3...ek)；
[0064]
s502.在数据处理模块中将该测试向量test＝(e1，e2，e3...ek)输入修正网络，将修正网络输出的向量记作拟合向量test
′
。
[0065]
s503.在数据处理模块中将拟合向量test
′
输入辐射源定位神经网络net对辐射源信息参数进行预测，输出预测的辐射源参数(x,y,p),完成非视距环境下测试区域外的辐射源单站定位。
[0066]
本发明的有益效果是：本发明在同一辐射源激励下，实现有限测试区域内实测接收机点位电场强度数据向电磁计算方法所得接收机点位电场强度数据的拟合，在输出端对实际环境下的电波传播模型进行修正；以电磁计算所得场强数据为输入，辐射源信息参数为输出的神经网络，将实测数据经过修正网络处理后输入到该辐射源定位神经网络，最终输出辐射源信息参数，实现非视距环境下区域外辐射源定位。本发明提出的装置降低了对测试区域面积的需求，有效减小了实测数据不足对辐射源定位精度的影响。
附图说明
[0067]
图1为本发明的装置原理示意图；
[0068]
图2为修正神经网络的搭建过程示意图；
[0069]
图3为辐射源定位神经网络的搭建过程示意图。
具体实施方式
[0070]
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0071]
本发明针对一个已知的城市地理环境，且只能在该环境中一片有限的测试区域内有限的点位上进行电场强度的测量，本发明所设计的装置能够基于已知的地理环境模型来建立该环境下的电波传播模型，并结合电波传播模型用电磁计算的方法来完成测试区域外的辐射源信息参数(位置、功率等)与测试区域内接收点位的电场强度数据的计算，对于部分典型位置的辐射源，展开实测，将实测数据与电磁计算数据进行拟合，使用一个修正神经网络来拟合两者的关系，并使用该网络对其他实测的数据进行处理，实际上从输出端完成电波传播模型的修正。搭建以电磁计算的电场强度数据为输入，辐射源信息参数为输出的辐射源定位神经网络。最终将实测中测得的场强数据首先输入神经网络得到拟合后的电磁计算数据，之后将拟合后的电磁计算数据输入辐射源定位神经网络，基于该神经网络实现非视距环境下测试区域外的辐射源定位。由于通过神经网络的方法从输出端对工作区中的电波传播模型进行了修正，实现了实测数据向电磁仿真数据的拟合，减小了实测采集样本的次数，降低了实验成本，提高了电波传播模型的准确度；缩小了电场强度数据采集的区域，不需要在整个工作区中进行电场强度数据采集，而只需要在工作区中的测试区域内进行数据收集，依靠有限区域内的有限电场强度数据即可以实现整个实际环境内的辐射源定位，具体地：
[0072]
如图1所示，本发明所涉及到的非视距环境下的测试区域外辐射源单站定位装置，主要包括电磁仿真分析模块、信号采集模块、数据传输模块与数据处理模块。
[0073]
电磁仿真分析模块主要包含一台计算机以及对应进行电磁计算的软件。电磁仿真分析模块主要基于已知的地理环境信息与实际场景中障碍物的电磁参数来构建电波传播模型。基于该电波传播模型，电磁仿真计算模块主要完成电磁计算样本的收集，即根据实际的环境，以便于实测采样及所选区域具有一定代表性的原则来确定测试区域与接收机点位，之后改变辐射源的位置，对接收机点位的电场强度进行多次电磁计算，记录辐射源的位置、功率及各接收机点位的电场强度。
[0074]
信号采集模块主要由一个三轴正交偶极子探头组成。将信号采集模块安装在可以编程控制并规划路径的无人车巡测平台上。无人车巡测平台可以通过远程控制或按照已有程序在固定轨迹巡航并在划定的接收机点位停止，待完全静止后进行数据采集。三轴正交偶极子探头置于无人车顶部，与车顶垂直。该探头将在无人车完全处于静止状态后收集电场各方向的分量。信号采集模块主要完成测试区域内各接收机点位的电场强度数据的实测。
[0075]
数据传输模块主要由rtk天线、接收机与一台频谱仪组成，负责将信号采集模块采集到的信息传输到数据处理模块。
[0076]
数据处理模块主要包含一台数据处理计算机以及对应的数据处理软件。数据处理模块主要实现：1)实际环境卫星云图的建立与辐射源参数信息的存储；2)对信号采集模块采集到的信息进行处理，包括提取工作频段内的电场强度各方向分量、对电场强度的模值进行计算，并基于无辐射源条件下区域电磁环境数据，利用时域窗方法对工作区内有辐射源的情况下实测所得数据进行滤波；3)基于实测与电磁仿真计算得到的测试区域内各接收机点位的电场强度数据完成实测数据向电磁仿真计算数据的拟合；4)完成以电磁仿真计算得到的测试区域内各接收机点位的电场强度数据为输入，以辐射源的位置与功率为输出的神经网络的搭建、训练与测试，最终输出辐射源信息参数，完成非视距环境下的测试区域外辐射源单站定位。
[0077]
一种非视距环境下测试区域外辐射源单站定位方法，包括以下步骤：
[0078]
s1.定义工作并建立电磁仿真模型；
[0079]
进一步地，所述步骤s1包括以下子步骤：
[0080]
s101.定义工作环境:在数据处理模块中建立当前实际环境即工作区的卫星云图，在实际环境中划定测试区域，并在测试区域中设置k个接收机点位，选定测试频段,对测试区域及接收机点位的设置遵循以下原则：
[0081]
1)接收机点位上不存在障碍物，并且接收机点位能够均匀分布于测试区域；
[0082]
2)测试区域面积不小于工作区总面积的1/4，测试区域过小则会导致接收到的辐射源信号的信息过少，难以定位；
[0083]
s102.建立电磁仿真模型：在数据处理模块中基于卫星云图建立工作区环境模型，获取工作区中的障碍物在工作频段下的电磁参数，所述电磁参数包括介电常数ε、电导率σ，并在电磁仿真分析模块中建立对应工作区环境模型的电磁仿真模型，对电磁仿真模型中各物体的电磁参数进行设置。
[0084]
s2.建议修正网络的输入样本集和输出样本集；
[0085]
所述步骤s2包括以下子步骤：
[0086]
s201.建立修正网络输出样本集:设置n个典型位置和功率的辐射源，将其记为txi(xi,yi,pi),i＝1,2,3
…
n；其中(xi,yi)为辐射源坐标，pi为辐射源的发射功率，将以上信息存储于数据处理模块，这n个辐射源的信息参数即是修正网络的输出样本集；
[0087]
s202.建立修正网络输入样本集：将第i个辐射源txi作为激励源，使用电磁仿真分析模块对测试区域内划定的k个接收机点位在工作频段内的电场强度进行电磁计算，并建立第i个电磁计算辐射源电场强度矩阵，记为将ai按行依次写入电磁仿真计算矩阵记为a，矩阵a即为修正网络输入样本集，存储于数据处理模块。
[0088]
s3.检测信号采集模块的稳定性，然后测量无辐射源情况下工作区内电磁环境，再实测获得修正网络输入样本集，并搭建修正网络，修正神经网络的搭建过程如图2所示；
[0089]
所述步骤s3包括：
[0090]
s301.将信号采集模块安装于无人车巡测平台，检查信号采集模块的稳定性，
[0091]
在测试区域内随机选择一个点位，使用信号采集模块对该个点位的电场强度进行多次测量，并多次测量结果的均方根误差；
[0092]
重复选取n个点位，对于每个点位按照上述步骤计算均方根误差；
[0093]
若所有均方根误差小于设定阈值，认为其稳定；
[0094]
s302：实测获得修正网络输入样本集：
[0095]
设k个接收机点位均匀排布成行列的点位阵列，令
[0096]
将第i个辐射源txi作为激励源，按照其辐射源信息参数设置于工作区中，使用信号采集模块来测量工作频段下测试区域内划定的k个接收机点位的电场强度，根据接收机点位位置建立初始数据矩阵ui＝{e
i11
,e
i12
…
,e
i1m
；e
i21
,e
i22
…
,e
i2m
；
…eim1
,e
im2
…
,e
imm
},对矩阵u通过时域滤波方法在数据处理模块中进行处理，建立第i个实测滤波矩阵w＝{w
i11
,w
i12
…
,w
i1m
；w
i21
,w
i22
…
,w
i2m
；
…wim1
,w
im2
…
,w
imm
}，将w按照行展开得到第i个实测数据辐射源电场强度矩阵，将bi按行依次写入实测矩阵b,矩阵b即为修正网络输入样本集，存储于数据处理模块；
[0097]
s303.搭建修正网络：在数据处理模块中，搭建以电磁仿真计算矩阵a、实测矩阵b为样本集，以bi为输入，ai为输出的神经网络，并对该网络进行训练与交叉验证：
[0098]
若网络训练输出值与样本真值的相对误差满足用户需求，则将训练好的网络记为修正网络；
[0099]
若相对误差不能满足用户需求，则重复s201-s303，继续收集样本，扩充样本集，并在扩充的样本集基础上进行修正网络的搭建；直至测试结果满足要求,至此完成修正网络的搭建，实现实测数据向电磁仿真计算数据的拟合；
[0100]
交叉验证的方法如下：修正网络的输入集为b，输出集为a，其中a、b均为n*k的矩阵，代表共设置n个辐射源，k个接收机点位；输出样本为a的行向量ai，输出样本为b的行向量bi；其中bi与ai一一对应；
[0101]
第一步、将a中的n个样本随机分为10份，记为a,b,c,d,e,f,g,h,i,j,k，每份有n/10个样本；每份数据对应的b的数据记为l,m,n,o,p,q,r,s,t,u,v，每份有n/10个样本；其中输出a对应的输入为l，以此类推；
[0102]
第二步、选取输出a与输入l作为测试集，b-k与m-v分别为的训练集的输出与输入；使用训练集构建神经网络；假设测试集a中的样本为a1，a2，a3…an/10
,l中的样本为l1，l2,l3…
l
n/10
；
[0103]
将l中的样本l
t
(t＝1,2
…
n/10)输入神经网络，得到输出a
′
t
，共输出n/10个向量，at与at’都为1*k阶向量，其中a
t’各分量为(q
t11
,q
t12
…qt1k
),a
t
各分量为(e
t11
,e
t12
…et1k
),k为接收机点位数，计算a
t
与a
t’(t＝1,2
…
n/10)两个向量元素的均方根误差；计算方法为：将以上计算得到的均方根误差相加取均值，
[0104]
第三步、将b与m作为测试集的输出与输入，重复第二步操作，得到均方根误差；依照此方法直至使得每一份输出数据都成为过训练集；共得到10个均方根误差；
[0105]
第四步、重新对a进行划分，总共划分10次，在每次划分后重复第一步～第三步，得到100个均方根误差，计算均方根误差平均值，若均方误差的平均值小于设定阈值，则当前网络满足要求。
[0106]
s4.建立辐射源定位网络输入样本集和输出样本集，搭建辐射源定位网络并进行优化，辐射源定位神经网络的搭建过程如图3所示；
[0107]
所述步骤s4包括：
[0108]
s401.建立辐射源定位网络输出样本集:基于步骤s1建立的工作区电磁仿真模型，设置n个不同位置/功率的辐射源记为oxi(xi,yi,pi),i＝1,2,3
…
n；其中(xi,yi)为辐射源坐标，pi为辐射源发射功率；将oxi的辐射源参数ri(xi,yi,pi)按行写入矩阵r记为辐射源参数矩阵,矩阵r即为辐射源定位网络输出样本集，存储于数据处理模块；
[0109]
s402.建立辐射源定位网络输入样本集：在电磁仿真分析模块中，将第i个辐射源oxi按照其辐射源参数设置为激励源，对工作频段下测试区域内划定的k个接收机点位的电场强度进行计算，进而得到第i个辐射源的电磁计算矩阵将ci按行写入矩阵c，记为电磁计算辐射源矩阵，矩阵c即为辐射源定位网络输入样本集，存储于数据处理模块；
[0110]
s403.搭建辐射源定位网络:在数据处理模块中，以电磁计算辐射源矩阵c和辐射源参数矩阵r为样本集，构建以电磁计算辐射源矩阵c的行向量ci，辐射源参数矩阵r的行向量ri为输出的辐射源定位神经网络，对神经网络进行训练，将该网络记作net，存储于数据处理模块；
[0111]
s404.对辐射源定位网络进行优化:对训练后的net神经网络进行交叉验证：
[0112]
若网络训练输出值与样本真值的相对误差满足用户需求，则将训练好的网络记为成熟的net神经网络；
[0113]
若相对误差不能满足用户需求，则重复s401-s404，继续收集样本，扩充样本集，并在扩充的样本集基础上继续进行net神经网络的训练；
[0114]
其中，辐射源定位网络的交叉验证方法包括：
[0115]
辐射源定位网络的输入集为c，输出集为r，其中c为n*k矩阵，代表共设置n个辐射源，每个辐射源设置k个接收机点位；r为n*3矩阵，代表设置n个辐射源，每个辐射源包含三个信息参数：位置坐标(x,y)以及功率p；
[0116]
(1)将c中的n个样本随机分为10份，记为locationinput1，locationinput2,locationinput3,locationinput4,locationinput5,locationinput6,locationinput7,locationinput8,locationinput9,locationinput10,每份数据对应的r的数据记为locationoutput1，locationoutput2，locationoutput3，locationoutput4，locationoutput5，locationoutput6，locationoutput7，locationoutput8，locationoutput9，locationoutput1.
[0117]
其中输入locationinput1对应的输出为locationoutput1，以此类推；locationinput1中有n/10个向量，记为li
p
(p＝1,2
…
n/10),locationoutput1中也有n/10个向量，记为lo
p
(p＝1,2
…
n/10)；lo
p
是一个三维向量,分别表征辐射源的位置坐标(x,y)和功率p,即(row1
p
,row2
p
,p
p
)；
[0118]
(2)将locationinput1中的样本li
p
(t＝1,2
…
n/10)输入神经网络，得到输出lo
p’,则总共会输出n/10个向量lo
p’(row1
p’,row2
p’,p
p’)(p＝1,2
…
n/10)；计算lo
p
减去lo
p’所得向量的模值设为k，记：
[0119][0120]
最终计算
[0121]
(3)将locationinput2与locationoutput2作为测试集的输入与输出重复上一步操作，得到第二个均方根误差，依照此方法直至使得每一份输出数据都成为过训练集；共得到10个均方根误差；
[0122]
(4)重新对c进行随机划分，总共划分10次，在每次划分后重复(1)～(3)，得到100个均方根误差，计算均方根误差平均值，若均方误差的平均值小于设定阈值，则当前网络满足要求。
[0123]
s5.利用修正网络和优化后的辐射源定位网络进行辐射源定位。
[0124]
所述步骤s5包括以下子步骤：
[0125]
s501.完成输入样本数据的采集:使用采集模块测量测试区域内划定的k个接收机点位的电场强度，由信号传输模块将采集到的信息传输到数据处理模块，并在数据处理模块建立测试向量test＝(e1，e2，e3...ek)；
[0126]
s502.在数据处理模块中将该测试向量test＝(e1，e2，e3...ek)输入修正网络，将修正网络输出的向量记作拟合向量test
′
。
[0127]
s503.在数据处理模块中将拟合向量test
′
输入辐射源定位神经网络net对辐射源信息参数进行预测，输出预测的辐射源参数(x,y,p),完成非视距环境下测试区域外的辐射源单站定位。
[0128]
现有辐射源定位方法主要针对辐射源在测试区域内的场景，即实际辐射源位置位于由测试点连成的面积最大的多边形内。本方法面向辐射源在测试区域外的场景，在该场景下，在测试区域内设置的接收机只能接收到辐射源某几个方向的信息参数，本专利主要解决测试区域有限的情况下对实际环境内的辐射源进行定位的问题。当前基于场强测量的辐射源定位方法主要依靠电波传播理论模型进行电磁计算，针对不同场景，通过现有理论来修正传统的自由空间电波传播模型进而适应不同场景，但是这种修正仍然是基于理论的电波传播模型来进行修正，而在复杂环境下，理论修正的电波传播模型有较大误差。在本发明中，使用神经网络对实测数据与仿真数据进行拟合。从输出端完成对电波传播模型的修正。这种方法使用获取难度更低、获取数量更大的电磁计算数据来构成辐射源定位神经网络的样本集，提高了辐射源定位的精度。
[0129]
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。