CN109991566A - 一种测向方法、测向装置和测向*** - Google Patents
一种测向方法、测向装置和测向*** Download PDFInfo
- Publication number
- CN109991566A CN109991566A CN201910245683.XA CN201910245683A CN109991566A CN 109991566 A CN109991566 A CN 109991566A CN 201910245683 A CN201910245683 A CN 201910245683A CN 109991566 A CN109991566 A CN 109991566A
- Authority
- CN
- China
- Prior art keywords
- signal
- radiation source
- finding
- class
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种测向方法、测向装置和测向***。本发明的测向***包括:测向阵列、存储器和处理器;本发明的测向装置包括:接收单元、提取单元和测向单元;本发明的测向方法包括:获取接收信号,所述接收信号为利用测向阵列接收到的信号;提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。本发明的技术方案能够避免位置误差对测向阵列测向精度的影响,有效提高测向精度。
Description
技术领域
本发明涉及测向技术领域,尤其涉及一种测向方法、测向装置和测向***。
背景技术
传统测向方法的发展基于天线结构和电路的改进设计,以使得测向尽可能简单,传统测向方法着重于在天线信号和来波方向之间建立起一种简单的数学关系,这种关系在很大程度上独立于频率、极化和环境。而随着数字信号处理技术的发展,新的测向方法成为可能。通过使用高速信号处理芯片,对天线信号和来波方向之间建立起一种独立于频率的简单数学关系的要求不再成为必须,即使是高度复杂的数学关系也能在合理的短时间内完成测向计算,或通过适当的搜索途径快速、经济地完成处理。阵列处理方法甚至可以用有限孔径的天线阵分辨几个来自不同方向的信号。
阵列处理方法中,多信号分类(Multiple Signal Classification,MUSIC)算法因其原理简单、具备超分辨能力等因素在工程中得到广泛应用。MUSIC算法的运用过程中,需对阵列天线的阵列流形做出准确的估计,方可实现精确测向。在一些应用场合,由于工艺或制造因素,不可避免地存在天线单元的位置误差,若忽略这些误差仍采用理想的设计阵列流程进行测向,很可能造成较大的测向误差。
发明内容
本发明提供了一种测向方法、测向装置和测向***,以至少部分解决上述问题。
第一方面,本发明提供了一种测向方法,包括:获取接收信号,所述接收信号为利用测向阵列接收到的信号;提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
第二方面,本发明提供了一种测向装置,包括:接收单元,用于获取接收信号,所述接收信号为利用测向阵列接收到的信号;提取单元,用于提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;测向单元,用于将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
第三方面,本发明提供了一种测向***,包括:测向阵列,接收辐射源辐射的信号并发送给处理器;存储器,存储计算机可执行指令;处理器,所述计算机可执行指令在被执行时,使所述处理器执行测向方法。
第三方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有一个或多个计算机程序,所述一个或多个计算机程序被测向***的处理器执行时实现测向方法。
本发明针对测向阵列的天线单元存在位置误差的情况,对测向阵列接收到的信号进行特征提取,提取出更能反映信号内在特征,同时尺寸不至于过大的特征矢量作为SVM模型的输入,利用SVM模型在高维空间的分类能力实现精确测向,避免位置误差对测向阵列测向精度的影响。
附图说明
图1为本发明实施例示出的测向方法流程图;
图2为本发明实施例示出的测向阵列示意图;
图3为本发明实施例示出的在信噪比为20dB的情况下,基于SVM测向方法的测向误差与基于MUSIC测向方法的测向误差对比示意图;
图4为本发明实施例示出的在信噪比为10dB的情况下,基于SVM测向方法的测向误差与基于MUSIC测向方法的测向误差对比示意图;
图5为本发明实施例示出的测向装置的结构框图;
图6为本发明实施例示出的测向***的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思,除非上下文另外明确指出。此外,在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本发明的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本发明的技术可以采取存储有指令的机器可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。在本发明的上下文中,机器可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,机器可读介质可以包括但不限于电、磁、光、电磁、红外或半导体***、装置、器件或传播介质。机器可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
本发明提供一种测向方法。
图1为本发明实施例示出的测向方法流程图,如图1所示,本实施例的方法包括:
S110,获取接收信号,所述接收信号为利用测向阵列接收到的信号。
S120,提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量。
S130,将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
针对测向阵列的天线单元存在位置误差的情况,本实施例对测向阵列接收到的信号进行特征提取,提取出更能反映信号内在特征,同时尺寸不至于过大的特征矢量作为SVM模型的输入,利用SVM模型在高维空间的分类能力实现精确测向,避免位置误差对测向阵列测向精度的影响。
为便于说明上述步骤S110-S130,首先说明测向阵列的模型,并分析位置误差对测向精度的影响。
考虑一远场的窄带信号入射到空间某测向阵列上,其中测向阵列天线由M个阵元组成,则第j个阵元接收到的信号为:
xj(t)=gjs(t-τj)+nj(t),j=1,2,...,M (1)
在公式(1)中,gj表示第j个阵元的增益,nj(t)表示第j个阵元在t时刻的噪声,τj表示信号达到第j个阵元时相对参考阵元的时延,s(t-τj)表示第j个阵元接收到的信号。
将M个阵元在特定时刻接收的信号排成一个列矢量,可以得到:
当采用各项同性阵元时,公式(2)可以简化为:
公式(3)写成矢量形式为:
X(t)=As(t)+N(t) (4)
在公式(4)中,X(t)=(x1(t),x2(t),...,xM(t))T,N(t)=(n1(t),n2(t)...,nM(t))T。
如图2所示,假设测向阵列的阵元位置为xk(k=1,...,M),以原点为参考点,信号入射角θ(信号与y轴的夹角)即为接收信号的方位角,那么可以得到:
根据公式(5)可以得到,阵元位置误差将改变实际的流形矩阵(或流形矢量)A,从而影响测向精度。
在获知阵元的位置误差将影响测向阵列的测向精度之后,本发明实施例结合图2-4,对上述步骤S110-S130进行详细说明。
首先,执行步骤S110,即获取接收信号,所述接收信号为利用测向阵列接收到的信号。
本实施例可以利用如图2所示的测向阵列接收未知辐射源辐射的信号。
在获得接收信号之后,继续执行步骤S120,即提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量。
由于直接将接收信号作为SVM模型的输入,在接收信号采样点数量较大时,将导致SVM模型的输入空间过大的问题。基于此,本实施例根接收信号提取出更能反映信号内在特征,同时尺寸不至于过大的特征矢量作为SVM模型的输入。
在一些实施例中,根据接收信号的协方差矩阵在该接收信号的信号子空间的投影的归一化矢量构建SVM模型的输入。
结合本实施例,提取接收信号的特征矢量的方法如下:首先获得接收信号的每个采样点信号,由采样点信号获得所述接收信号的协方差矩阵,并对协方差矩阵进行最大似然估计处理,获得最大似然估计矩阵;接着对最大似然估计矩阵进行特征值分解,将特征值分解得到的最大特征值对应的信号子空间确定为接收信号的信号子空间;将所述最大似然估计矩阵投影在所述信号子空间,获得投影结果,将所述投影结果进行归一化处理,得到接收信号的特征矢量dc。
在获得接收信号的特征矢量之后,继续执行步骤S130,即将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
为便于说明本实施例对SVM模型的训练过程,先说明作为SVM模型输入的训练集的获取方法。
在一些实施例中,通过下述方法获取训练集:利用所述测向阵列方分别接收N类辐射源辐射的信号,对类辐射源辐射的信号进行多次测量,获得对应每类辐射源的测量信号及所述测量信号的方位角;提取所述测量信号的特征矢量,所述特征矢量为所述测量信号的协方差矩阵在其信号子空间的投影的归一化矢量;将所述测量信号的特征矢量和所述测量信号的方位角确定为训练集的一个训练样本。
其中,提取测量信号的特征矢量的方法包括:
获得所述测量信号的每个采样点信号,由所述采样点信号获得所述测量信号的协方差矩阵,并对所述协方差矩阵进行最大似然估计处理,获得最大似然估计矩阵;对所述最大似然估计矩阵进行特征值分解,将特征值分解得到的最大特征值对应的信号子空间确定为所述测量信号的信号子空间;将所述最大似然估计矩阵投影在所述信号子空间,获得投影结果,将所述投影结果进行归一化处理,得到所述测量信号的特征矢量。
记第k次测量所得的测量信号的矢量为同时记录对应的已知来波方向θk,则所得的训练集合为K为训练集中训练样本的数量,通常应选取K使得每个感兴趣的来波方向均有多个(通常为5次以上)训练样本。
直接采用原始数据作为SVM模型的输入,在采样点数较大时将导致SVM模型输入空间过大的问题。为此,有必要根据原始数据提取出更能反映信号内在特征,同时尺寸不至于过大的特征矢量作为SVM模型的输入。
记原始数据由L个采样点数构成,即快拍数为L,每个采样点记为则对应的协方差矩阵的最大似然估计为:
在公式(6)中,H表示对矩阵的共轭转置操作。
对进行特征值分解即可得到最大特征值对应的信号子空间由此可以得到在信号子空间的投影为:
为避免信号幅度大小影响对pk的估计,对pk进行归一化处理:
在公式(8)中,元素bk1,...,bkM通常为复数,而SVM模型不能接受复值输入,为此本实施例将特征矢量变换为:
在公式(9)中,运算符real(·)、imag(·)别为取实部和取虚部操作,这样作为SVM模型输入的训练集为{dk,θk}k=1,...,K。
在获得训练集之后,即可利用训练集训练得到SVM模型。本实施例中对接收信号的来波方向估计实质上是一种多分类问题。多分类问题的数学描述为:给定K个训练样本,这些训练样本包含N个类别,通过对样本进行训练学习,找到最优分类函数f(x),该分类函数可以对未知样本的类别进行判断,而且使得判断出错的概率达到最小。
在一些实施例中,采用一对一支持向量机(OAO SVM)分类方法进行多类型辐射源分类。对于N类分类问题,该算法是在任意两类样本间构建一个SVM子分类器。因此,总共需要构造N(N-1)/2个二分类器,每个二分类器的生成只需要用到训练样本中的两类样本数据,实现N类问题中的两类的区分,组合得到的所有子分类器就构成了一个OAO SVM。在训练i、j两类样本间的子分类器时,需要解决如下优化问题:
在公式(10)中,i与j分别表示第i类辐射源和第j类辐射源,N为辐射源类别的数量,t为求和变量控制序号,dt表示第i类辐射源或第j类辐射源的辐射信号的特征矢量,gt为辐射源类别标识,C为惩罚因子,Mij表示对应第i类辐射源和第j类辐射源的两类训练样本数量,表示与第i类辐射源和第j类辐射源关联的第t个训练样本对应的松弛变量,ωij和bij表示与第i类辐射源和第j类辐射源关联的二分类器的待优化系数,φ(dt)表示将dt映射到高维特征空间的映射函数。
结合本实施例,SVM模型包括N(N-1)/2个二分类器,N(N-1)/2个二分类器分别为由同一分类模型不同类型的训练样本训练所得;其中N为大于3的自然数,分类模型对应为公式(10)所示的待优化函数。
在一些实施例中,通过下述方法训练得到SVM模型:首先获取作为SVM模型输入的训练集,训练集包括N类训练样本,每类训练样本包括多个训练样本,每个训练样本均为由信号特征矢量与信号方位角构成的特征向量,每类训练样本对应一种辐射源类别;接着从所述训练集中获取每个二分类器对应的两类训练样本,任两个二分类器对应的两类训练样本不同;然后利用所述两类训练样本对所述分类模型进行训练,获得相应辐射源类别的二分类器,所述二分类器的分类函数包括未知类别辐射源辐射信号的特征矢量参数和辐射源类别参数。
通过优化公式(10)可以得到关联第i类辐射源和第j类辐射源的二分类器的分类函数为:
fij(d)=(ωij)Tφ(d)+bij (11)
在公式(11)中,d表示未知类别辐射源辐射信号的特征矢量参数,fij(d)表示关联第i类辐射源和第j类辐射源的辐射源类别参数,ωij和bij分别表示关联第i类辐射源和第j类辐射源的分类系数,φ(d)表示将d映射到高维特征空间的映射函数,此时ωij和bij表示与第i类辐射源和第j类辐射源关联的二分类器的优化后的系数。
在获得训练好的SVM模型之后,在一些实施例中,将接收信号的特征矢量分别输入N(N-1)/2个二分类器,分别获得每个二分类器的输出值,每个二分类器的输出值均包括第一数值和第二数值,所述第一数值和所述第二数值分别关联相应二分类器对应的两类辐射源类别;在每个二分类器输出第一数值时,将第一数值对应的辐射源类别数量加1,在每个二分类器输出第二数值时,将第二数值对应的辐射源类别数量加1;统计每类辐射源类别对应的辐射源类别数量,将辐射源类别数量的最大值对应的辐射源类别确定为接收信号对应的辐射源类别。
一个示例,对步骤S120得到的接收信号的特征矢量dc,依次采用N(N-1)/2个二分类器进行判别,如果i、j间的分类函数fij(d)≥0,则i类辐射源得一票;如果fij(d)<0,则j类辐射源得一票;当遍历完N(N-1)/2个分类函数后,根据票数来确定特征矢量dc所属的辐射源类别,由于辐射源类别关联辐射源的方向,因此可以确定接收信号的方向。
为详细说明本实施例测向方法的有益效果,本发明通过下述实施例进行说明。
考虑一均匀八元线阵,连续波信号频率300MHz,设计阵元间距为0.4m,各阵元设计位置矢量为:[0,0.4,0.8,1.2,1.6,2,2.4,2.8]。阵元位置安装误差约20%阵元间距。训练样本中,自-89°~90°,每隔1°构建10个训练样本,信噪比20dB,快拍数250,共1800组训练数据。依据图1中步骤S120构建1800组训练集{dk,θk}k=1,...,K对SVM模型进行训练。
同样条件下,自-89°~90°,每隔1°构建10个测试样本,共1800组测试数据。图3示出了采用本实施例的测向方法(即图3示出的基于SVM方法)对1800个测试样本进行测向所得到的测向误差,作为比较图3还示出了每个测试样本基于MUSIC算法的测向误差,其中基于SVM的测向误差均方根误差为0.0005556°,基于MUSIC的测向误差0.0364°。
改变测试信号信噪比为10dB,其余设置不变的情况下产生另1800组测试数据。图4示出了采用本实施例的测向方法对1800个测试样本进行测向所得到的测向误差,作为比较图4还示出了每个测试样本基于MUSIC算法的测向误差,其中基于SVM的测向误差均方根误差为0.0089°,基于MUSIC的测向误差0.0394°。
由图3和图4的结果可见,基于本实时提出的测向方法可有效降低测向阵列由于阵元的位置误差引起的测向误差,且在测试信号信噪比低于训练样本时仍有较佳表现,测向模型具有较好的泛化能力。
本发明实施例还提供了一种测向装置。
图5为本发明实施例示出的测向装置的结构框图,如图5所示,本实施例的装置包括:
接收单元,用于获取接收信号,所述接收信号为利用测向阵列接收到的信号;
提取单元,用于提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;
测向单元,用于将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
在一些实施例中,图5的装置还包括模型训练单元,模型训练单元获取作为SVM模型输入的训练集,所述训练集包括N类训练样本,每类训练样本包括多个训练样本,每个训练样本均为由信号特征矢量与信号方位角构成的特征向量,每类训练样本对应一种辐射源类别;从所述训练集中获取每个二分类器对应的两类训练样本,任两个二分类器对应的两类训练样本不同;利用所述两类训练样本对所述分类模型进行训练,获得相应辐射源类别的二分类器,所述二分类器的分类函数包括未知类别辐射源辐射信号的特征矢量参数和辐射源类别参数。
在一些实施例中,测向单元,将所述特征矢量分别输入所述N(N-1)/2个二分类器,分别获得每个二分类器的输出值,所述每个二分类器的输出值均包括第一数值和第二数值,所述第一数值和所述第二数值分别关联相应二分类器对应的两类辐射源类别;在每个二分类器输出第一数值时,将所述第一数值对应的辐射源类别数量加1,在每个二分类器输出第二数值时,将所述第二数值对应的辐射源类别数量加1;统计每类辐射源类别对应的辐射源类别数量,将所述辐射源类别数量的最大值对应的辐射源类别确定为所述接收信号对应的辐射源类别。
在一些实施例中,模型训练单元包括数据处理模块和特征提取模块,其中数据处理模块利用所述测向阵列方分别接收N类辐射源辐射的信号,对类辐射源辐射的信号进行多次测量,获得对应每类辐射源的测量信号及所述测量信号的方位角;而特征提取模块提取所述测量信号的特征矢量,所述特征矢量为所述测量信号的协方差矩阵在其信号子空间的投影的归一化矢量;数据处理模块还将所述测量信号的特征矢量和所述测量信号的方位角确定为训练集的一个训练样本。
结合本实施例,特征提取模块获得所述测量信号的每个采样点信号,由所述采样点信号获得所述测量信号的协方差矩阵,并对所述协方差矩阵进行最大似然估计处理,获得最大似然估计矩阵;对所述最大似然估计矩阵进行特征值分解,将特征值分解得到的最大特征值对应的信号子空间确定为所述测量信号的信号子空间;将所述最大似然估计矩阵投影在所述信号子空间,获得投影结果,将所述投影结果进行归一化处理,得到所述测量信号的特征矢量。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供了一种测向***。
图6为本发明实施例示出的测向***的结构示意图,如图6所示,在硬件层面,该测向***包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器等。当然,该测向***还可能包括其他业务所需要的硬件,如测向阵列,测向阵列接收辐射源辐射的信号并发送给处理器。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机可执行指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成测向装置。处理器,执行存储器所存放的程序实现如上文描述的测向方法。
上述如本说明书图6所示实施例揭示的测向装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上文描述的测向方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成图1所示的测向方法步骤。
本发明还提供了一种计算机可读存储介质。
该计算机可读存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被测向***的处理器执行时,能够实现图1所示的测向方法。
为了便于清楚描述本发明实施例的技术方案,在发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种测向方法,其特征在于,包括:
获取接收信号,所述接收信号为利用测向阵列接收到的信号;
提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;
将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
2.根据权利要求1所述的方法,其特征在于,所述SVM模型包括N(N-1)/2个二分类器,所述N(N-1)/2个二分类器分别为由同一分类模型不同类型的训练样本训练所得;其中N为大于3的自然数。
3.根据权利要求2所述的方法,其特征在于,通过下述方法训练得到所述SVM模型:
获取作为SVM模型输入的训练集,所述训练集包括N类训练样本,每类训练样本包括多个训练样本,每个训练样本均为由信号特征矢量与信号方位角构成的特征向量,每类训练样本对应一种辐射源类别;
从所述训练集中获取每个二分类器对应的两类训练样本,任两个二分类器对应的两类训练样本不同;
利用所述两类训练样本对所述分类模型进行训练,获得相应辐射源类别的二分类器,所述二分类器的分类函数包括未知类别辐射源辐射信号的特征矢量参数和辐射源类别参数。
4.根据权利要求3所述的方法,其特征在于,所述二分类器的分类函数为fij(d)=(ωij)Tφ(d)+bij;
其中,d表示未知类别辐射源辐射信号的特征矢量参数,fij(d)表示关联第i类辐射源和第j类辐射源的辐射源类别参数,ωij和bij分别表示关联第i类辐射源和第j类辐射源的分类系数,φ(d)表示将d映射到高维特征空间的映射函数。
5.根据权利要求3所述的方法,其特征在于,所述获取作为SVM模型输入的训练集,包括:
利用所述测向阵列方分别接收N类辐射源辐射的信号,对类辐射源辐射的信号进行多次测量,获得对应每类辐射源的测量信号及所述测量信号的方位角;
提取所述测量信号的特征矢量,所述特征矢量为所述测量信号的协方差矩阵在其信号子空间的投影的归一化矢量;
将所述测量信号的特征矢量和所述测量信号的方位角确定为训练集的一个训练样本。
6.根据权利要求5所述的方法,其特征在于,所述提取所述测量信号的特征矢量,包括:
获得所述测量信号的每个采样点信号,由所述采样点信号获得所述测量信号的协方差矩阵,并对所述协方差矩阵进行最大似然估计处理,获得最大似然估计矩阵;
对所述最大似然估计矩阵进行特征值分解,将特征值分解得到的最大特征值对应的信号子空间确定为所述测量信号的信号子空间;
将所述最大似然估计矩阵投影在所述信号子空间,获得投影结果,将所述投影结果进行归一化处理,得到所述测量信号的特征矢量。
7.根据权利要求2所述的方法,其特征在于,所述将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,包括:
将所述特征矢量分别输入所述N(N-1)/2个二分类器,分别获得每个二分类器的输出值,所述每个二分类器的输出值均包括第一数值和第二数值,所述第一数值和所述第二数值分别关联相应二分类器对应的两类辐射源类别;
在每个二分类器输出第一数值时,将所述第一数值对应的辐射源类别数量加1,在每个二分类器输出第二数值时,将所述第二数值对应的辐射源类别数量加1;
统计每类辐射源类别对应的辐射源类别数量,将所述辐射源类别数量的最大值对应的辐射源类别确定为所述接收信号对应的辐射源类别。
8.一种测向装置,其特征在于,包括:
接收单元,用于获取接收信号,所述接收信号为利用测向阵列接收到的信号;
提取单元,用于提取所述接收信号的特征矢量,所述特征矢量为所述接收信号的协方差矩阵在其信号子空间的投影的归一化矢量;
测向单元,用于将所述特征矢量输入至预先训练好的支持向量机SVM模型,得到所述接收信号对应的辐射源类别,所述辐射源类别关联所述辐射源的方向。
9.一种测向***,其特征在于,包括:
测向阵列,接收辐射源辐射的信号并发送给处理器;
存储器,存储计算机可执行指令;
处理器,所述计算机可执行指令在被执行时,使所述处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有一个或多个计算机程序,所述一个或多个计算机程序被测向***的处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245683.XA CN109991566B (zh) | 2019-03-28 | 2019-03-28 | 一种测向方法、测向装置和测向*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245683.XA CN109991566B (zh) | 2019-03-28 | 2019-03-28 | 一种测向方法、测向装置和测向*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109991566A true CN109991566A (zh) | 2019-07-09 |
CN109991566B CN109991566B (zh) | 2023-06-02 |
Family
ID=67130936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910245683.XA Active CN109991566B (zh) | 2019-03-28 | 2019-03-28 | 一种测向方法、测向装置和测向*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109991566B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487581A (zh) * | 2020-04-20 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于舵矢量模式匹配的宽带闪电vhf辐射源测向方法 |
CN112881973A (zh) * | 2021-01-20 | 2021-06-01 | 西北工业大学 | 一种基于rbf神经网络的自修正波束设计方法 |
CN113238183A (zh) * | 2021-04-30 | 2021-08-10 | 中国电子科技集团公司第三十六研究所 | 一种测向方法、装置和*** |
CN113253196A (zh) * | 2021-06-01 | 2021-08-13 | 中国电子科技集团公司第三十六研究所 | 一种多信号测向方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796208A (zh) * | 2015-04-03 | 2015-07-22 | 西安科技大学 | 正交化搜索的邻近强弱信号波达角估计方法 |
CN106443570A (zh) * | 2016-08-22 | 2017-02-22 | 西安电子科技大学 | 基于多重信号分类算法矢量相关性的波达方向估计方法 |
JP2017106834A (ja) * | 2015-12-10 | 2017-06-15 | 株式会社Soken | 方向推定装置 |
CN108375751A (zh) * | 2018-01-31 | 2018-08-07 | 中国人民解放军战略支援部队信息工程大学 | 多信源波达方向估计方法 |
-
2019
- 2019-03-28 CN CN201910245683.XA patent/CN109991566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796208A (zh) * | 2015-04-03 | 2015-07-22 | 西安科技大学 | 正交化搜索的邻近强弱信号波达角估计方法 |
JP2017106834A (ja) * | 2015-12-10 | 2017-06-15 | 株式会社Soken | 方向推定装置 |
CN106443570A (zh) * | 2016-08-22 | 2017-02-22 | 西安电子科技大学 | 基于多重信号分类算法矢量相关性的波达方向估计方法 |
CN108375751A (zh) * | 2018-01-31 | 2018-08-07 | 中国人民解放军战略支援部队信息工程大学 | 多信源波达方向估计方法 |
Non-Patent Citations (1)
Title |
---|
赵宇: ""基于支持向量机的多用户检测算法、功率控制算法和波达方向估计算法"", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487581A (zh) * | 2020-04-20 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于舵矢量模式匹配的宽带闪电vhf辐射源测向方法 |
CN111487581B (zh) * | 2020-04-20 | 2022-02-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于舵矢量模式匹配的宽带闪电vhf辐射源测向方法 |
CN112881973A (zh) * | 2021-01-20 | 2021-06-01 | 西北工业大学 | 一种基于rbf神经网络的自修正波束设计方法 |
CN113238183A (zh) * | 2021-04-30 | 2021-08-10 | 中国电子科技集团公司第三十六研究所 | 一种测向方法、装置和*** |
CN113238183B (zh) * | 2021-04-30 | 2024-05-10 | 中国电子科技集团公司第三十六研究所 | 一种测向方法、装置和*** |
CN113253196A (zh) * | 2021-06-01 | 2021-08-13 | 中国电子科技集团公司第三十六研究所 | 一种多信号测向方法、装置和电子设备 |
CN113253196B (zh) * | 2021-06-01 | 2024-05-21 | 中国电子科技集团公司第三十六研究所 | 一种多信号测向方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109991566B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991566A (zh) | 一种测向方法、测向装置和测向*** | |
CN106526530B (zh) | 基于传播算子的2-l型阵列二维doa估计算法 | |
US10145933B2 (en) | Angle determining system and method | |
CN109298388B (zh) | 基于方位信息的超视距目标地理坐标直接估计方法 | |
CN109959892A (zh) | 一种均匀圆阵双通道干涉仪测向方法、装置和*** | |
WO2022116008A1 (zh) | 一种信源数量估计的方法、装置和存储介质 | |
CN109188342A (zh) | 共形圆阵下的低复杂度二维doa估计方法 | |
CN106443570B (zh) | 基于多重信号分类算法矢量相关性的波达方向估计方法 | |
CN107870314B (zh) | 基于极化敏感阵列的完备电磁分量加权融合测向优化方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN109031196A (zh) | 基于运动观测站对多信号源的最大似然直接定位方法 | |
CN106526531A (zh) | 基于三维天线阵列的改进传播算子二维doa估计算法 | |
CN110031793A (zh) | 一种干涉仪测向方法、装置和*** | |
CN108845303A (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
Li et al. | Estimation of the complex‐valued mixing matrix by single‐source‐points detection with less sensors than sources | |
CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN110286352B (zh) | 一种基于秩损的非迭代混合信号源定位方法 | |
WO2017049914A1 (zh) | 一种终端定位方法、装置及*** | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
Vanderveen | Estimation of parametric channel models in wireless communication networks | |
CN116321414A (zh) | 无线定位方法及电子设备 | |
CN115249329A (zh) | 一种基于深度学习的苹果叶片病害检测方法 | |
CN112436880B (zh) | 一种多通信场景下的多普勒功率谱建模方法及装置 | |
CN109100679A (zh) | 基于多输出支持向量回归机的近场声源参数估计方法 | |
CN115792792B (zh) | 极低样本下基于协方差矩阵迭代估计的测向方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |