CN113064117B - 一种基于深度学习的辐射源定位方法及装置 - Google Patents

一种基于深度学习的辐射源定位方法及装置 Download PDF

Info

Publication number
CN113064117B
CN113064117B CN202110269610.1A CN202110269610A CN113064117B CN 113064117 B CN113064117 B CN 113064117B CN 202110269610 A CN202110269610 A CN 202110269610A CN 113064117 B CN113064117 B CN 113064117B
Authority
CN
China
Prior art keywords
model
receiver
radiation source
map
coordinates
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.)
Active
Application number
CN202110269610.1A
Other languages
English (en)
Other versions
CN113064117A (zh
Inventor
周晨
张富彬
李玉峰
夏国臻
赵正予
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110269610.1A priority Critical patent/CN113064117B/zh
Publication of CN113064117A publication Critical patent/CN113064117A/zh
Application granted granted Critical
Publication of CN113064117B publication Critical patent/CN113064117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S5/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/04Position of source determined by a plurality of spaced direction-finders
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S1/00Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
    • G01S1/02Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using radio waves
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

发明提供了一种基于深度学习的辐射源定位方法及装置,所述方法包括:获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;利用所述样本集预先构建的神经网络模型,得到目标神经网络模型;获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。应用本发明方法,可以提高辐射源的定位精度。

Description

一种基于深度学习的辐射源定位方法及装置
技术领域
本发明涉及电磁信号探测技术领域,具体涉及一种基于深度学习的辐射源定位方法及装置。
背景技术
各种信号辐射源在一定的地理空间中相互作用形成了复杂的电磁环境。电磁环境,是指在一定的地理空间和特定的时间范围内由于各种辐射源的电磁信号及其相互作用形成的电磁能量分布的状况。在一定的空间范围内,较少的辐射源形成的电磁环境一般比较简单,电磁能量在此空间内的分布也比较有规律。但是在多辐射源的情况下,不同的辐射源之间可能产生各种各样的干扰,这些干扰随着辐射源的变化相应的产生变化,由此导致空间内的电磁环境非常复杂。更有甚者,某个或者某些辐射源的存在可能会影响到其他的一个或多个辐射源的正常工作,这种辐射源叫做干扰(辐射)源。尤其在城市通信环境中,干扰源的存在严重削弱了通信基站的通信效果,降低用户的通信质量,因此,如何消除干扰源是亟待解决的技术问题。从技术角度来说,消除干扰源的前提是发现干扰源的空间位置。传统的辐射源定位方法包括有源定位和无源定位两种。其中,有源定位指的是定位探测器本身向外辐射电磁波,然后根据反射回的电磁波信息判断物***置的一种基于深度学习的辐射源定位方法。雷达就是最常见的有源定位设备,通过发送雷达波和接收雷达回波,能够根据波长和时间等信息判断物体的运行速度和运行轨迹。这种定位方式因其定位精度较高而且应用空间范围也很大,所以经常作为军事用途,但是其缺点就是容易暴露自己的空间位置而招来打击。为了解决上述问题,无源定位技术应运而生,无源定位技术指的是只依靠接收对方的电磁辐射信号而获知辐射源位置的定位方法。根据接收到的干扰源或者敌方辐射源的电磁信号的来波方向、频率和到达时间等信息通过一系列的定位解算得到目标辐射源的空间位置。这种定位方式的隐蔽性好而且不会对周围的环境产生二次电磁污染,具有很大的应用价值。对于无源定位来说,辐射源的定位解算算法是最为重要的。常用的有利用到达时间差(Time Difference of Arrival,TDOA)、到达频率差(Frequency Difference ofArrival,FDOA)的定位解算。但是发明人发现,现有的无源定位方法适用于大范围、远距离、低精度探测。在局部城市区域,尤其是在室内环境下,如何进行民用干扰源的高精度定位问题是亟待解决的技术问题。
2016年,有人提出了基于深度神经网络(Deep Neural Networks,DNN)的无线定位方法,针对无线信号的变化和不可预测性,采用四层DNN结构进行定位,该结构通过叠层去噪自编码(Stacked Denoising Auto encoder,SDA)进行预训练,能够从大量噪声样本中学***滑处理。实验所需的数据是从不同时期的现实世界中采集的,以满足实际环境的要求。实验结果表明,该***对无线信号的定位精度有了显著的提高。另外,也有学者提出了基于卷积神经网络的多层建筑WiFi指纹室内定位***:设计了一个新的分类模型和一个新的定位模型带有一维CNN的堆叠式自动编码器(Stacked Auto Encoder,SAE),利用SAE从接收信号强度RSSI数据中提取特征,同时训练CNN有效地实现定位阶段的高精度。2019年,也有人将RNN网络应用到无线定位领域,并非像传统定位算法那样一次定位一个移动用户的位置,而是针对轨迹定位,并考虑到轨迹中接收信号强度指示器RSSI测量值之间的相关性。为了提高RSSI时间波动的精度,提出了一种输入RSSI数据和顺序输出位置的加权平均数据滤波器。他们试验了使用不同类型的循环神经网络的计算结果,例如LSTM、门控循环单元(Gate Recurrent Unit,GRU)和BRNN等,实验表明,在相同的测试环境下,比CNN算法和概率算法提高了约30%。
但是,上述算法均为基于现实环境中测量的电磁数据进行模型的训练,样本采集成本较高,导致样本数量较少,进而导致模型的训练精度不高,最终导致辐射源定位精度不佳的技术问题
发明内容
本发明所要解决的技术问题在于如何提高辐射源的定位精度。
本发明通过以下技术手段实现解决上述技术问题的:
本发明提供了一种基于深度学习的辐射源定位方法,所述方法包括:
步骤S101,获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;
步骤S102,基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;
步骤S103,根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;
步骤S104,利用所述样本集训练预先构建的神经网络模型,得到目标神经网络模型;
步骤S105,获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
可选的,所述步骤S101中获取样本区域的地图模型,包括:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型。
可选的,为了进一步提高样本区域三维地图模型的精度,以提高步骤S102中射线追踪的准确度,采用携带激光雷达的无人机分别围绕样本区域中的各个物体进行点云绘制,然后再使用预先训练的、用于识别出物体中各部分的电磁介质类别的神经网络算法识别出物体中各个部分的电磁介质类别,其中,电磁介质类别包括:玻璃、混凝土、草地、树木、地面。然后根据各个点云对应的电磁介质类别作为点云的标签,构建出各个物体的三维模型,进而绘制出样本区域的三维模型。
可选的,所述基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度,包括:
针对每一种发射天线参数,在地图模型各个坐标上分别设置接收机;
针对每个坐标上的接收机,利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号,得到对应的接收强度,即为所述接收机分配若干个辐射源并利用射线追踪法计算所述接收机处的接收强度。
可选的,所述为所述接收机分配若干个辐射源,包括:
针对分配至同一坐标接收机的辐射源的每一种数量,分别将该数量的辐射源分别设置在地图模型中的各个设定位置,得到若干个辐射源的分布组合,将辐射源的每一种分布组合与所述接收机配对。
可选的,所述根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集,包括:
根据各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,得到所述接收机的本征态势图;
设辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z)
其中,辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在该城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm;
因此,所述接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率;
基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图;
根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充,得到针对所述接收机的等高线填充图;
将等高线填充图作为样本,构建样本集。
可选的,步骤S105中,所述神经网络模型采用卷积神经网络CNN和池化层以及全连接网络层的组合,使用CNN来自动提取组合样本的各种输入特征,池化层来对特征进行高维抽取,最后通过全连接层输出结果。
本发明还提供了一种基于深度学习的辐射源定位装置,所述装置包括:
获取模块,用于获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;
接收强度模块,用于基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;
构建模块,用于根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;
训练模块,用于利用所述样本集预先构建的神经网络模型,得到目标神经网络模型;
识别模块,用于获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
可选的,所述获取模块,用于:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型。
可选的,所述获取模块中获取样本区域的地图模型,包括:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型;
接收强度模块中,针对每一种发射天线参数,在地图模型各个坐标上分别设置接收机;
针对每个坐标上的接收机,利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号,得到对应的接收强度。
可选的,样本集构建模块的具体实现包括;
根据各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,得到所述接收机的本征态势图,定义如下:
设辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z)
其中,辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在该城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm;
因此,所述接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率;
基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图;
根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充,得到针对所述接收机的等高线填充图;
将等高线填充图作为样本,构建样本集。
本发明的优点在于:
应用本发明实施例,基于电子地图模型,使用射线追踪法建立训练样本,本发明实施例中完全依赖软件算法实现辐射源定位,相对于现有技术中依赖于实测数据实现辐射源定位,更容易获取数量更大的样本,提高了目标神经网络模型的训练精度,进而实现了辐射源的高精度定位,同时,发明人对本发明实施例进行了计算机模拟,模拟结果也验证了这一点。
附图说明
图1为本发明实施例提供的一种基于深度学习的辐射源定位方法的流程示意图;
图2为本发明实施例提供的一种基于深度学习的辐射源定位方法的原理示意图;
图3为本发明实施例提供的一种基于深度学习的辐射源定位方法中的正射影像图;
图4为本发明实施例中建立的样本区域的三维模型示意图;
图5为本发明实施例提供的另一种基于深度学习的辐射源定位方法的原理示意图;
图6为本发明实施例中在样本区域的三维模型中的接收机的空间位置分布示意图;
图7为本发明实施例中辐射源Tx对应的各个接收机的接受强度示意图;
图8为本发明实施例中一个辐射源的辐射态势图;
图9为本发明实施例中接收机与辐射源变换位置且接收机接收强度为零时本征态势图;
图10为本发明实施例中接收机接收强度为零时辐射源位置示意图;
图11为本发明实施例中接收机接收强度为零时的本征态势图;
图12为本发明实施例中针对接收机的发射功率等高线图;
图13为本发明实施例中填充后的等高线示意图;
图14为本发明实施例中得到的部分样本示意图;
图15为本发明实施例中构建的神经网络的结构示意图;
图16为本发明实施例中神经网络模型在训练过程中的误差变化示意图;
图17为本发明实施例中神经网络模型在训练的误差的分布直方图;
图18为本发明实施例中使用的目标神经网络的结构示意图;
图19为本发明实施例提供的目标神经网络模型的定位效果示意图;
图20为本发明实施例提供的目标神经网络模型的定位效果局部放大示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于深度学习的辐射源定位方法的流程示意图,图2为本发明实施例提供的一种基于深度学习的辐射源定位方法的原理示意图,如图1和图2所示,所述方法包括:
S101:获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质。
示例性的,以样本区域为525m×525m的城区为例进行说明,图3为本发明实施例提供的一种基于深度学习的辐射源定位方法中的正射影响图,如图3所示,利用携带合成孔径雷达的卫星或者无人机等设备拍摄作为样本区域的城区的正射影像图,其对应的等高线间隔为3m;同时获取对应的高程数据,利用正射影像图与高程数据的结合建立样本区域三维的地图模型。图4为本发明实施例中建立的样本区域的三维模型示意图,如图4所示,图4中包括了各个建筑的轮廓外形。
在本步骤的上述实施例中,图5为本发明实施例提供的另一种基于深度学习的辐射源定位方法的原理示意图,如图5所示,为了进一步提高城区三维地图模型的精度,以提高S102步骤中射线追踪的准确度,采用携带了激光雷达的无人机分别围绕样本区域中的各个物体进行点云绘制。然后再使用预先训练的、用于识别出物体中各部分的电磁介质类别的神经网络算法识别出物体中各个部分的电磁介质类别,其中,电磁介质类别包括:玻璃、混凝土、草地、树木、地面。然后根据各个点云对应的电磁介质类别作为点云的标签,构建出各个物体的三维模型,进而绘制出样本区域的三维模型。
需要强调的是,本发明实施例中所述的样本区域可以为城区、室内区域、森林区域、山地区域中的一种或组合。
S102:基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度。
示例性的,假设辐射源有100种发射天线参数,则针对每一种发射天线参数,进行如下处理,以发射天线参数-1,1.6GHz为例,在S101步骤中得到的地图模型中各个预先设定的坐标上分别设置接收机进行辐射源信号的接收。
以接收机501为例,针对接收机501,在样本区域中的设定位置设置一个发射天线参数-1辐射源,然后使辐射源不断变换位置,接收机501接收该辐射源的信号。为了提高进度,可以一次性在多个位置上分别设置一个辐射源,则接收机501与该辐射源实现了配对组合,由接收机501进行探测;或者多个辐射源分别辐射信号,则接收机501分别与多个辐射源实现了配对组合,然后按照上述方式对每一个配对组合进行计算。更进一步的,还可以由两个或者两个以上的辐射源同时与接收机501实现配对,辐射源同时发射信号,计算接收机501的接收场强。在计算完成接收机501处的接收场强之后,变换接收机501的位置,重复上述操作,直至计算完成所有接收机位置以及辐射源位置对应的接收场强。然后,变换发射天线参数-2的辐射源,重复执行上述操作,直至测量完成所有的发射天线参数。
进一步的,为了提高计算效率,在进行计算时,也可以在一次性设置多个接收机,图6为本发明实施例中在样本区域的三维模型中的接收机的空间位置分布示意图,如图6所示,本发明实施例中设置了32个接收机,501为接收机的空间位置。如果此时仅设置了一个辐射源,则同时产生了32个由一个辐射源和一个接收机组成的配对组合。
为了使深度学习的正确率和泛化能力更高,数据集的规模需要非常合适、质量需要很高且完备。考虑到具体问题和设备性能的问题,选取数据集的样本个数为8000个,其中训练集样本数量6000个,测试集样本数量2000个。图7为本发明实施例中辐射源Tx对应的各个接收机的接受强度示意图;如图7所示,辐射源的发射功率设置为60dBm,发射波形的频率设置为1.6GHz,32个接收机处的场强数值与对应像素点灰度值正相关。
如果同时设置了100辐射源,则产生了100*32个由一个辐射源和一个接收机组成的配对组合;然后各个辐射源分别辐射信号,计算各个接收机的接收强度;另外,还可以计算两个或者两个以上辐射源同时辐射信号时,各个接收机的接收强度。
进一步的,考虑到32个接收机的数量相对于整个样本区域的面积来说太少,为了充分利用到接收机的信息,所以在每个接收机位置的选择上应当尽量避免墙角、建筑物内部等位置。
在实际应用中,上述计算接收机处的接收强度的方法可以为UTD射线追踪算法;进一步的,在计算过程中,接收机以及辐射源的设置位置与数量并不受上述举例的限制。
本发明S102步骤,在城市电磁模型建立之后,给定辐射源的位置和发射天线参数,运用城市环境电波传播模型计算各个接收机对应场强的分布;不断改变辐射源的位置,重复计算,城市电磁环境模型的建立为深度学习提供了大量的数据。将上述计算得到的大量数据存储得到城市电磁环境数据库。
S103:根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集。
在本发明实施例中,发明人提出了本征态势图的概念,下面首先对本征态势图这一概念进行阐述。
辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL可以定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z),其中,
辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在该城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm。为了对损耗矩阵进行详细说明,图8为本发明实施例中一个辐射源的辐射态势图,如图8所示,图8均为海拔为2m处的辐射态势图;横轴与纵轴分别代表距离,图中像素点深度代表接收强度。当辐射源的坐标为(55,135,2),发射功率为20.90dBm,位于坐标(285,130,2)处的接收强度为-22.79dBm,则辐射源到该接收点的路径损耗为43.69dB。同时,根据电磁辐射理论,对于此城市环境的物理模型,这两点之间的场强路径衰减的值为43.69dB,且两者是互逆的:即若辐射源在(285,130)处,且发射功率为20.90dBm,那么在点(55,135)处的接收机收到的功率一定也是-22.79dBm;另外,图9为本发明实施例中接收机与辐射源变换位置且接收机接收强度为零时本征态势图,如图9所示,若辐射源在(285,130)处,即图8中的接收机处,且发射功率为43.69dBm,那么在点(55,135)处,即图8中的辐射源处,接收机收到的功率一定是0dBm。
按照上述分析,定义接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率。结合图9来分析,如果接收机位置在(55,135)处,且此接收机收到的场强为0dBm,那么可以确定辐射源的一个可能的位置在(285,130)处,且发射功率为43.69dBm。也就是说,辐射源的损耗矩阵与接收机的本征态势在数值上是相等的,表达的意义是相反的。利用本征态势图的这一理论,可以减少了一半的样本计算量,提高了模型的训练效率;类似的,因为只靠32个传感器的场强数据将会很难定位辐射源的位置,可以将本征态势图加入电磁计算的结果,作为深度学习的先验知识补充为训练样本增加信息量。
基于上述理论,首先,本发明实施例可以针对每一个配对组合的计算结果,根据该计算结果中各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,在本征态势图中绘制出所有可能的辐射源的位置和与之对应的发射功率。例如,将接收机501对应的各个辐射源的辐射强度,辐射源坐标,接收机坐标以及接收强度映射到地图模型中,得到针对接收机501的辐射态势图,然后将接收机501的接收强度设置为零,分别计算出对应的辐射源的辐射强度,并使用不同像素值的像素点将该辐射源标记在图中,得到所述接收机的本征态势图。图10为本发明实施例中接收机接收强度为零时辐射源位置示意图,如图10所示,在接收机的位置在坐标为(55,135)的1001处,且接收到的电磁波场强为0dBm,存在两个发射功率相同的区域时,如果辐射源的发射功率为43dBm到44dBm之间,则所有可能的辐射源位置在坐标为(125,350)的1002以及坐标为(285,130)的1003处。图10中白色区域内表示,如果辐射源在此区域内,则其发射功率一定小于43dBm;灰色区域表示如果辐射源在此区域,则发射功率必须大于44dBm;图中黑色区域表示,如果辐射源在此区域内,则发射功率在43dBm与44dBm之间。于是,可以得到位于(55,135)处的接收机的本征态势图如图11:图11为本发明实施例中接收机接收强度为零时的本征态势图,如图11所示,黑色区域为建筑,黑色区域之外的区域颜色灰度值越高,其对应的接收强度越低,可以看出,在接收机的接收强度为零时,存在多个辐射强度相同的辐射源,同时也存在更多的辐射强度存在区别的辐射源。
然后,图12为本发明实施例中针对接收机的发射功率等高线图,如图12所示,基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图。
然后,图13为本发明实施例中填充后的等高线示意图,如图13所示,根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充。例如,可以将发射强度为40dBm的等高线与发射强度为30dBm的等高线之间的区域使用灰度值为50的颜色填充;将发射强度为40dBm的等高线与发射强度为50dBm的等高线之间的区域使用灰度值为60的颜色填充;将发射强度为50dBm的等高线与发射强度为60dBm的等高线之间的区域使用灰度值为70的颜色填充;依此类推,可以得到针对所述接收机的等高线填充图;
图14为本发明实施例中得到的部分样本示意图,如图14所示,将等高线填充图作为样本,构建样本集。
32个接收机放置在一个场景中(场景里面有一个辐射源),每个接收机都会收到辐射源发出的电磁波,该电磁波到达不同接收机时的功率损耗是不同的,记录下这个功率(标量P),然后每个接收机的本征矩阵加上各自收到的这个数值P,用这个数值去一一调整32个接收机的本征态势图(将每个本征态势图的像素点的值加上此时每个接收机收到的场强值),即可得到带有实际场强偏移值的32个本征态势图,对应一个本征矩阵,以此作为一个样本的输入,则样本的输出为此时辐射源的空间位置坐标。流程图如图16所示:
例如,32个本征矩阵(每个都是m×n),A B…Z…
某一次接收到的来自32个传感器的数据(每个都是标量)
β1 β2...β32
样本1的输入的数据的维度是(32,m,n)
样本1的输入矩阵
1+A
β2+B
]
S104:利用所述样本集预先构建的神经网络模型,得到目标神经网络模型。
首先,搭建基于卷积神经网络和多层感知器的机器学习模型框架,图15为本发明实施例中构建的神经网络的结构示意图,如图15所示,本发明实施例采用卷积神经网络CNN和池化层以及全连接网络层的组合,使用CNN来自动提取组合样本的各种输入特征,池化层来对特征进行高维抽取,最后通过全连接层输出结果。深度学习算法采用以TensorFlow为后端,Keras为高级抽象结构的基础进行搭建神经网络。主要采用了卷积层、池化层、正则化层以及全连接层。表1为各个深度神经网络结构的对比,如表1所示,
表1
conv3-64表示卷积核的大小是3×3,且该卷积层有64个通道;同理conv3-128表示卷积核的大小是3×3,且该卷积层有128个通道,另外还有256、512个通道的卷积层,其中所有的池化层的核大小均为2×2。
本发明实施例中,采用连续的几个3×3的卷积核而不选择较大卷积核(11×11,7×7,5×5)的原因是:对于给定的感受野(与输出有关的输入图片的局部大小),采用堆积的小卷积核是优于采用大的卷积核,因为多层非线性层可以增加网络深度来保证学习更复杂的模式,而且代价还比较小(参数更少)。使用3个3×3卷积核来代替7×7卷积核,使用了2个3×3卷积核来代替5×5卷积核,这样做的主要目的是在保证具有相同感知野的条件下,提升了网络的深度,在一定程度上提升了神经网络的效果。
划分整个样本集为测试集和训练集。表2为数据集划分及样本维度,如表2所示,
表2
最后,利用训练集训练预先构建的卷积神经网络模型,然后使用测试集测试卷积神经网络模型的准确率,通过调整模型的层数和参数调优以及反复迭代,直至训练的卷积神经网络模型的准确率达到设定值,得到目标神经网络模型。
本发明实施例中,采用均方根误差(Root Mean Square Error,RMSE)作为训练过程中的损失函数,其中,
其中,N表示样本的输出维度,即N为3;P(P1,P2,P3)表示预测的辐射源位置向量,R(R1,R2,R3)表示实际的辐射源的位置向量。
选择Adamax函数作为优化器函数,它相比直接的随机梯度下降法具有以下优点:参数的更新不受梯度的伸缩变换影响;能自然地实现步长退火过程,即自动调整学习率);很适合应用于大规模的数据及参数的场景、也适用于不稳定目标函数、还可适用于梯度稀疏或梯度存在很大噪声的问题。
图16为本发明实施例中神经网络模型在训练过程中的误差变化示意图,如图16所示,线条1501为训练集的误差,线条1502为验证集的误差。在训练轮次达到700次时,误差已经基本保持不变,且训练集上的预测效果好于验证集的预测后者,可以根据图16判定模型的训练过程属于正常拟合。既没有出现过度的欠拟合也没有出现过度的过拟合。图16表明,模型在此数据集和网络结构下已经基本达到了最优的性能,在经过700轮的迭代训练后,模型的预测精度已经基本保持不变。则在测试集上数据集上对模型的预测性能进行评估,然后将评估误差绘制误差的分布直方图。图17为本发明实施例中神经网络模型在训练的误差的分布直方图,如图17所示,模型在数据集上的预测误差的均值为4.05m,误差的中值为2.78m,误差小于5m的占比为79.7%。
按照上述方法在训练过程中通过调整神经网络卷积层的核函数的大小以及滤波器个数、池化层的核函数大小以及池化方式、全连接层的个数以及每层的神经元个数等网络参数,不断地寻找使得模型具有更高预测和泛化能力,最终得到目标神经网络模型,图18为本发明实施例中使用的目标神经网络的结构示意图,如图18所示,选择13个卷积层和多层感知器(5个全连接层)作为辐射源位置预测网络的结构。表3为目标神经网络各层的参数,如表3所示,
表3
/>
如图18所示,本发明的目标神经网络的输入是32个接收机的经修正后的本征矩阵图,输出是此时辐射源的真实位置坐标(3维向量)。其中,conv1是两个64层的卷积网络,conv2是两个128层的卷积网络,conv3是三个256层的卷积网络,conv4是三个512层的卷积网络,conv5是三个512层的卷积网络,fc6是包含4096个神经元的全连接层,fc7是包含1024个神经元的全连接层,fc8是包含512个神经元的全连接层,fc9是包含100个神经元的全连接层,fc10是包含3个神经元的全连接层。fc6—fc10共5个全连接层共同构成一个多层感知器的网络结构,fc6作为多层感知器的输入,fc7—fc9是感知器的隐藏层(共三层),fc10是感知器的输出层。
S105:获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
使用接收机接收辐射源发出的信号,并将接收机的接收坐标、接收强度映射到待定位区域的地图模型中,然后将该地图模型作为输入,输入到目标神经网络模型中,以使目标神经网络识别出辐射源的位置。
图19为本发明实施例提供的目标神经网络模型的定位效果示意图;图20为本发明实施例提供的目标神经网络模型的定位效果局部放大示意图;如图19和图20所示,目标神经网络识别出的辐射源位置1901为Tx’(510.9,573.8)辐射源的实际位置1902为Tx’(509.6,570.1),二者误差3.95m,大约为3.95/500=0.78%。
随着国内对计算***和无源定位的研究速度逐渐加快,尤其是目前可以利用一系列的计算机硬件来提高探测和显示性能,民用辐射源的无源定位结算也取得了一定的进步。但在工程应用方面,可用的电磁环境计算***和平台仍然被国外的仿真软件和定位解算软件垄断。因此,深入研究如何构建模拟电磁环境的仿真平台并由此开发相应的辐射源定位的计算应用仍然是一个很重要的课题。
另外,常用的辐射源定位算法从其算法实现角度来说可以分为传统的无源定位和基于深度学习的辐射源定位。其中,辐射源的无源定位技术主要是依靠接收机接收到的周围的电磁波信息和其他信息来得到目标辐射源的空间地理位置、速度等其他信息。相对于有源定位,无源定位的隐蔽性更好、结构简单,解算模型已经能够支持较高精度的结果预测。对于基于深度学习的定位来说,它可以实现更加快速的定位速度,模型一旦训练完成,在每次辐射源定位过程中消耗的时间远小于传统定位方法。
对应于图1所示实施例,本发明还提供了一种基于深度学习的辐射源定位装置,所述装置包括:
获取模块,用于获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;
接收强度模块,基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;
构建模块,用于根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;
训练模块,用于利用所述样本集预先构建的神经网络模型,得到目标神经网络模型;
识别模块,用于获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
在本发明实施例的一种具体实施方式中,所述获取模块中获取样本区域的地图模型,包括:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型;
接收强度模块中,针对每一种发射天线参数,在地图模型各个坐标上分别设置接收机;
针对每个坐标上的接收机,利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号,得到对应的接收强度。
在本发明实施例的一种具体实施方式中,样本集构建模块的具体实现包括;
根据各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,得到所述接收机的本征态势图,定义如下:
设辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z),其中,
辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在该城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm;
因此,所述接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率;
基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图;
根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充,得到针对所述接收机的等高线填充图;
将等高线填充图作为样本,构建样本集。
各模块的具体实现和各步骤相应,本发明不予撰述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于深度学习的辐射源定位方法,其特征在于,所述方法包括:
步骤S101,获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;
步骤S102,基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;
步骤S103,根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;
所述根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集,包括:
根据各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,得到所述接收机的本征态势图,定义如下:
设辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z)
其中,辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm;
因此,所述接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率;
基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图;
根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充,得到针对所述接收机的等高线填充图;
将等高线填充图作为样本,构建样本集;
步骤S104,利用所述样本集训练预先构建的神经网络模型,得到目标神经网络模型;
步骤S105,获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
2.根据权利要求1所述的一种基于深度学习的辐射源定位方法,其特征在于:所述步骤S101中获取样本区域的地图模型,包括:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型。
3.根据权利要求1所述的一种基于深度学习的辐射源定位方法,其特征在于:为了进一步提高样本区域三维地图模型的精度,以提高步骤S102中射线追踪的准确度,采用携带激光雷达的无人机分别围绕样本区域中的各个物体进行点云绘制,然后再使用预先训练的、用于识别出物体中各部分的电磁介质类别的神经网络算法识别出物体中各个部分的电磁介质类别,其中,电磁介质类别包括:玻璃、混凝土、草地、树木、地面;然后根据各个点云对应的电磁介质类别作为点云的标签,构建出各个物体的三维模型,进而绘制出样本区域的三维模型。
4.根据权利要求1所述的一种基于深度学习的辐射源定位方法,其特征在于:所述步骤S102中基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度,包括:
针对每一种发射天线参数,在地图模型各个坐标上分别设置接收机;
针对每个坐标上的接收机,利用射线追踪法利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号,得到对应的接收强度,即为所述接收机分配若干个辐射源并利用射线追踪法计算所述接收机处的接收强度。
5.根据权利要求4所述的一种基于深度学习的辐射源定位方法,其特征在于:所述为所述接收机分配若干个辐射源,包括:
针对分配至同一坐标接收机的辐射源的每一种数量,分别将该数量的辐射源分别设置在地图模型中的各个设定位置,得到若干个辐射源的分布组合,将辐射源的每一种分布组合与所述接收机配对。
6.根据权利要求4所述的一种基于深度学习的辐射源定位方法,其特征在于:步骤S105中,所述神经网络模型采用卷积神经网络CNN和池化层以及全连接网络层的组合,使用CNN来自动提取组合样本的各种输入特征,池化层来对特征进行高维抽取,最后通过全连接层输出结果。
7.一种基于深度学习的辐射源定位装置,其特征在于,所述装置包括:
获取模块,用于获取样本区域的地图模型,其中,所述地图模型包括:建筑模型、道路模型、树木模型以及物体模型,且建筑模型包括:建筑的各个部分的电磁介质性质;
接收强度模块,用于基于辐射源发射的信号,利用射线追踪法获取地图模型中设定坐标的接收机的接收强度;
样本集构建模块,用于根据辐射源坐标、发射功率,以及对应的接收机的接收强度、接收机的接收坐标构建样本集;
样本集构建模块的具体实现包括;
根据各个辐射源的发射功率、辐射源坐标,以及接收机接收坐标、接收强度,将接收强度为零时辐射源的发射功率以及发射坐标映射到地图模型中,得到所述接收机的本征态势图,定义如下:
设辐射源在(xt,yt,zt)处,且发射功率为Pt,则在(x,y,z)处的传播衰减为PL(x,y,z),那么辐射源的损耗矩阵PL定义为:
PL(x,y,z)=-[Pr(x,y,z)-Pt]=Pt-Pr(x,y,z)
其中,辐射源A的电磁波发射功率水平为Pt,单位是dBm,其空间坐标为(xt,yt,zt);Pr(x,y,z)是在城市物理模型结构场景下,对于辐射源A进行电磁计算得到的任意一点(x,y,z)处的场强数值,单位是dBm;
因此,所述接收机的本征态势E的物理意义为:对于指定的城市环境物理模型,接收机的本征态势反映的是当接收机的接收强度为0dBm时,所有的可能的辐射源的位置和发射功率;
基于所述本征态势图中各坐标点对应的信号强度,绘制出针对所述接收机的发射功率等高线图;
根据发射功率等高线图中各个相邻等高线之间的发射功率的差异,根据发射功率从高到低的顺序,对等高线之间的区域进行填充,得到针对所述接收机的等高线填充图;
将等高线填充图作为样本,构建样本集;
训练模块,用于利用所述样本集预先构建的神经网络模型,得到目标神经网络模型;
识别模块,用于获取待定位区域内设置的接收机的接收强度,以及待定位区域的地图模型,利用目标神经网络模型识别出辐射源的坐标。
8.根据权利要求7所述的一种基于深度学习的辐射源定位装置,其特征在于:所述获取模块中获取样本区域的地图模型,包括:
获取样本区域的正射影像图以及高程数据;
根据所述正射影像图以及高程数据建立样本区域的三维的地图模型;
接收强度模块中,针对每一种发射天线参数,在地图模型各个坐标上分别设置接收机;
针对每个坐标上的接收机,利用射线追踪法获取地图模型中设置在各个设定坐标上的辐射源发射的信号,得到对应的接收强度。
CN202110269610.1A 2021-03-12 2021-03-12 一种基于深度学习的辐射源定位方法及装置 Active CN113064117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110269610.1A CN113064117B (zh) 2021-03-12 2021-03-12 一种基于深度学习的辐射源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110269610.1A CN113064117B (zh) 2021-03-12 2021-03-12 一种基于深度学习的辐射源定位方法及装置

Publications (2)

Publication Number Publication Date
CN113064117A CN113064117A (zh) 2021-07-02
CN113064117B true CN113064117B (zh) 2023-07-25

Family

ID=76560180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110269610.1A Active CN113064117B (zh) 2021-03-12 2021-03-12 一种基于深度学习的辐射源定位方法及装置

Country Status (1)

Country Link
CN (1) CN113064117B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721613B (zh) * 2021-08-23 2023-05-23 南京航空航天大学 一种基于深度强化学习的机器人自主寻源方法及装置
CN113676858B (zh) * 2021-08-26 2024-01-02 杭州北斗时空研究院 一种兼顾非视距识别的无线信号室内定位方法
CN113848549B (zh) * 2021-09-15 2023-06-23 电子科技大学 一种基于合成孔径技术的辐射源定位方法
CN114337875B (zh) * 2021-12-31 2024-04-02 中国人民解放军陆军工程大学 面向多辐射源追踪的无人机群飞行轨迹优化方法
CN114679231B (zh) * 2022-03-31 2022-12-13 中国人民解放军战略支援部队航天工程大学 一种获取天基射频地图的方法
CN115052245A (zh) * 2022-06-13 2022-09-13 东南大学 基于深度学习的无人机辅助无线传感器网络节点定位方法
WO2024000036A1 (en) * 2022-06-29 2024-01-04 The University Of Sydney Signal strength prediction in complex environments
CN115754899A (zh) * 2022-09-05 2023-03-07 北京航空航天大学 一种非视距环境下测试区域外辐射源单站定位方法
CN115598592B (zh) * 2022-10-27 2023-09-19 中国电子科技集团公司信息科学研究院 时频差联合定位方法、***、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005039A (zh) * 2015-07-17 2015-10-28 上海交通大学 基于3d建模场景动态指纹的卫星信号定位方法及***
KR20190053470A (ko) * 2017-11-10 2019-05-20 주식회사 셀리지온 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN110596668A (zh) * 2019-09-20 2019-12-20 中国人民解放军国防科技大学 基于互逆深度神经网络的目标外辐射源被动定位方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
CN112418245A (zh) * 2020-11-04 2021-02-26 武汉大学 基于城市环境物理模型的电磁发射点定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11259191B2 (en) * 2018-11-26 2022-02-22 Samsung Electronics Co., Ltd. Methods and apparatus for coverage prediction and network optimization in 5G new radio networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005039A (zh) * 2015-07-17 2015-10-28 上海交通大学 基于3d建模场景动态指纹的卫星信号定位方法及***
KR20190053470A (ko) * 2017-11-10 2019-05-20 주식회사 셀리지온 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN110596668A (zh) * 2019-09-20 2019-12-20 中国人民解放军国防科技大学 基于互逆深度神经网络的目标外辐射源被动定位方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
CN112418245A (zh) * 2020-11-04 2021-02-26 武汉大学 基于城市环境物理模型的电磁发射点定位方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Ionospheric foF2 Disturbance Forecast Using Neural Network Improved by s Genetic Algorithm;Jun Zhao et al.;Advances in Space Research;全文 *
Neural network model for efficient localization of a number of mutually arbitrary positioned stochastic EM sources in far-field;Zoran Stankovic et al.;12th Symposium on Neural Network Applications in Electrical Engineering;全文 *
基于优化神经网络算法的电离层foF2预测;胡小希等;电波科学学报;第33卷(第6期);全文 *
基于机器学习的雷达辐射源识别方法综述;孟磊;曲卫;蔡凯;张婧;;兵器装备工程学报;第37卷(第10期);全文 *
基于深度学习的通信辐射源个体识别技术研究;黄健航;中国优秀硕士学位论文全文数据库信息科技辑(第02期);全文 *
导航自定位辐射源衰落信号智能识别算法;吉丰 等;理论与方法;第39卷(第7期);全文 *
新型雷达辐射源识别;高欣宇;张文博;姬红兵;欧阳成;;中国图象图形学报(第06期);全文 *

Also Published As

Publication number Publication date
CN113064117A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN113064117B (zh) 一种基于深度学习的辐射源定位方法及装置
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN108596101B (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN109891781B (zh) 考虑物体的材质和轮廓分析通信信道的方法和装置
US10820213B2 (en) Method and apparatus for analyzing communication environment based on property information of an object
US11430087B2 (en) Using maps comprising covariances in multi-resolution voxels
CN112418245B (zh) 基于城市环境物理模型的电磁发射点定位方法
CN110225460A (zh) 一种基于深度神经网络的室内定位方法及装置
WO2017121168A1 (zh) 簇式磁场定位的方法、装置和***
Peng et al. Deep convolutional neural network for passive RFID tag localization via joint RSSI and PDOA fingerprint features
KR20190038117A (ko) 무선 통신 시스템에서 통신 환경을 분석하는 방법 및 장치
Lee et al. Path loss exponent prediction for outdoor millimeter wave channels through deep learning
CN106231552B (zh) 一种基于混合方式的非合作目标定位方法
CN109327797A (zh) 基于WiFi网络信号的移动机器人室内定位***
CN112305559A (zh) 基于地面定点激光雷达扫描的输电线距离测量方法、装置、***和电子设备
CN111598028A (zh) 一种基于遥感成像原理识别地表植被分布方法
CN115690746A (zh) 一种基于车路协同的无盲区感知方法和***
CN116953653A (zh) 一种基于多波段天气雷达组网回波外推方法
CN114758364A (zh) 基于深度学习的工业物联网场景融合定位方法及***
CN116930963A (zh) 一种基于无线通信***的穿墙成像方法
CN113141570A (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN114777030B (zh) 一种基于nb-iot技术的危化气体监测方法
CN116658828A (zh) 基于cim数字孪生技术的燃气管网无人机巡检***及方法
CN113066161B (zh) 一种城市电波传播模型的建模方法
CN115564678A (zh) 优化bp神经网络的低空无人机光谱辐射校正方法及***

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