CN115524662A - 测向时差联合定位方法、***、电子设备及存储介质 - Google Patents
测向时差联合定位方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115524662A CN115524662A CN202211329188.5A CN202211329188A CN115524662A CN 115524662 A CN115524662 A CN 115524662A CN 202211329188 A CN202211329188 A CN 202211329188A CN 115524662 A CN115524662 A CN 115524662A
- Authority
- CN
- China
- Prior art keywords
- base station
- radiation source
- target radiation
- training
- information
- 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
Images
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-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
- G01S5/0257—Hybrid positioning
- G01S5/0263—Hybrid positioning by combining or switching between positions derived from two or more separate positioning systems
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-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
- G01S5/0273—Position-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 using multipath or indirect path propagation signals in position determination
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-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
- G01S5/04—Position of source determined by a plurality of spaced direction-finders
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-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
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本公开的实施例提供一种测向时差联合定位方法、***、电子设备及存储介质,属于电子侦察领域,所述方法包括:获取主基站和副基站的观测参数信息;将所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标。其中,所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。本公开的实施例相对于现有技术而言,通过采用训练深度神经网络得到目标辐射源定位模型的方法,替代了传统的迭代算法,增加了测向时差联合定位方法的准确度与可靠性,且不依赖先验信息,定位更加快速,拥有非常好的鲁棒性能。
Description
技术领域
本公开的实施例属于电子侦察技术领域,具体涉及一种测向时差联合定位方法、***、电子设备及存储介质。
背景技术
基于到达角(Angle of Arrival,AOA)的测向交会定位算法对目标进行定位至少需要两个观测站,定位***对站间的时间同步要求不高,但当两条测向线夹角过小时易受角度观测误差的影响从而获得精度较低的定位结果;而基于到达时间差(TimeDifferenceof Arrival,TDOA)的时差法对目标的三维定位至少需要四个观测站,但其对各站间的时间同步要求严苛。因此,时差测向联合定位算法在时差定位的基础上增加方位测向,通过分布在不同地方的多个接收站对来自同一目标辐射源的非合作信号进行接收处理,从而获得目标辐射源的非合作信号到达不同接收站的时间差和角度,根据时间差和角度信息建立包含辐射源位置的相关定位方程,实现对目标辐射源位置的解算,弥补了测向定位的低精度定位结果和时差定位的时间同步严苛等缺点,取得了较好的定位结果。
对于传统的迭代方法,主要有以梯度下降法、牛顿法、高斯-牛顿迭代法、列文伯格-马夸尔特(Levenberg-Marquardt)方法等为代表的局部优化算法,以及以粒子群算法、遗传进化算法等为代表的全局优化算法。其共同的特点为将目标辐射源的位置设置为待求解参数,通过最优化算法对目标函数进行迭代,使其低于设定的阈值或达到最大迭代步数停止迭代,从而得到最终的目标辐射源位置。其中,局部优化算法收敛速度快,但易受初值影响,对先验信息极度依赖;全局优化算法虽然在一定程度上减少了对初值选取的依赖,但仍受制于先验信息的准确度,且其迭代耗时更长。
因此,测向时差联合定位***需要一个更加精准、快速且无需先验信息的的定位方法。此对于分布式无源定位电子侦察***性能的提升非常关键。
发明内容
本公开的实施例旨在至少解决现有技术中存在的技术问题之一,提供一种测向时差联合定位方法、***、电子设备及存储介质。
本公开一方面提供一种测向时差联合定位方法,用于通过一个主基站和一个副基站实现目标辐射源定位,所述方法包括:
分别获取所述主基站和所述副基站的观测参数信息;其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息;
分别将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标;其中,所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
可选的,所述目标辐射源定位模型采用以下步骤训练得到:
生成所述训练参数信息的样本集;其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标;
分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,对应的所述目标辐射源坐标作为输出,训练所述深度神经网络,得到训练好的所述目标辐射源定位模型。
可选的,所述基站位置信息包括所述主基站与所述副基站的位置坐标以及基站位置测量标准差;和/或,
所述观测角度信息包括所述主基站与所述副基站的测量方位角、测量俯仰角以及方位角测量标准差和俯仰角测量标准差;和/或,
所述基站时差信息包括所述副基站相对于所述主基站的测量时间差以及时差测量标准差。
可选的,所述将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练所述深度神经网络,包括:
预先配置所述深度神经网络的损失函数、隐藏层数和隐藏神经元个数、最大训练次数、网络训练优化器、学习率以及批量大小;
将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练配置好的所述深度神经网络;
当所述深度神经网络的训练达到所述最大训练次数时停止训练,并取训练中所述损失函数最小的网络参数作为所述深度神经网络的训练结果。
可选的,所述损失函数C满足下述关系式:
其中,n为所述训练参数信息样本的总数,求和运算遍历每个所述样本的输入x,y(x)为所述每个所述样本中x对应的输出,aL(x)为所述深度神经网络最终层输出的神经元激活值向量。
可选的,将所述样本集输入训练好的目标辐射源定位模型,输出目标辐射源计算坐标,并计算定位相对误差,用于评价所述目标辐射源定位模型的精度;
所述定位相对误差re满足下述关系式:
其中,re表示定位相对误差,(xcal,ycal,zcal)表示输出的所述目标辐射源计算坐标,(xreal,yreal,zreal)表示所述样本中的所述目标辐射源坐标,表示所述主基站的坐标,σ表示所述目标辐射源计算坐标与所述目标辐射源坐标之间的距离,表示所述主基站的坐标与所述目标辐射源坐标之间的距离。
本公开另一方面提供一种测向时差联合定位***,用于通过一个主基站和一个副基站实现目标辐射源定位,其特征在于,所述***包括:
获取模块,用于获取所述主基站和所述副基站的观测参数信息;其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息;
定位模块,用于将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标;其中,所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
可选的,所述***还包括训练模块,所述训练模块用于:
生成所述训练参数信息的样本集;其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标;
分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,对应的所述目标辐射源坐标作为输出,训练所述深度神经网络,得到训练好的所述目标辐射源定位模型。
本公开另一方面提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器,用于存储一个或多个程序,当所述一个或多个程序被所述至少一个处理器执行时,能使得所述至少一个处理器实现如上所述的测向时差联合定位方法。
本公开最后一方面提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的测向时差联合定位方法。
本公开的一种测向时差联合定位方法和***,相对于现有技术而言,通过采用训练深度神经网络得到目标辐射源定位模型的方法,替代了传统的迭代算法,提升了定位的准确度与可靠性,且不依赖先验信息,定位更加快速,拥有非常好的鲁棒性能。
附图说明
图1为本公开一实施例的一种测向时差联合定位方法的流程图;
图2为本公开另一实施例的深度神经网络结构示意图;
图3为本公开另一实施例的深度神经网络的训练过程中损失函数随训练次数的变化图;
图4为本公开另一实施例的一种测向时差联合定位***的结构示意图;
图5为本公开另一实施例的一种电子设备的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。
如图1所示,本公开的实施例提供一种测向时差联合定位方法,该方法包括以下步骤:
步骤S11、训练目标辐射源定位模型。
首先,根据现实情况生成训练参数信息的样本集。其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标。
具体地,在本步骤中,可以根据仿真场景下的到达角(AOA)模型和到达时间差(TDOA)模型生成包含大量样本的样本集,其中每个样本都包含基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标等数据。将样本集随机打乱,取样本集中的4/5的数据组成训练集,1/5的数据组成验证集。
上述的基站位置信息可包括主基站与各副基站的位置坐标以及基站位置测量标准差。所述观测角度信息可包括所述主基站的测量方位角、测量俯仰角以及方位角测量标准差和俯仰角测量标准差。所述基站时差信息可包括所述各副基站相对于所述主基站的测量时间差以及时差测量标准差。
在一个具体实施方式中,可以采用两个基站对目标辐射源进行定位,将其中一个基站定为主基站,命名为基站1;另一个基站定为副基站,命名为基站2。该两个基站的位置坐标分别为基站位置测量标准差为σs,主基站的测量方位角为测量俯仰角为θ1,副基站的测量方位角为测量俯仰角为θ2,方位角测量标准差为俯仰角测量标准差为σθ,副基站相对于主基站的测量时间差为Δt21,时差测量标准差为σΔt。
随后,将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练深度神经网络(Deep Neural Networks,DNN),得到训练好的所述目标辐射源定位模型。
具体地,在本步骤中,以上述两个基站为例进行说明,将基站位置坐标基站位置测量标准差σs,主基站的测量方位角为和测量俯仰角为θ1,副基站的测量方位角为和测量俯仰角为θ2,方位角测量标准差俯仰角测量标准差σθ,副基站相对于主基站的测量时间差为Δt21以及时差测量标准差为σΔt作为所述DNN的输入,即输入将目标辐射源坐标作为所述DNN的输出,即输出y=[xt,yt,zt]。
在训练DNN之前,还应预先配置该DNN的损失函数、隐藏层数和隐藏神经元个数、最大训练次数、网络训练优化器、学习率以及批量大小。
其中损失函数C满足如下关系式:
其中,n为所述训练参数信息样本的总数,求和运算遍历每个所述样本的输入x,y(x)为所述每个所述样本中x对应的输出,aL(x)为所述DNN最终层输出的神经元激活值向量。
随后开始训练,使用随机梯度下降法对DNN中的每个神经元的权重wl和偏置bl(l=2,3,…,L)进行学习。首先初始化wl和bl(l=2,3,…,L),根据上述设置的学习率η、最大训练次数N和批量大小m对DNN进行训练。
训练过程中保存验证集中损失函数最小的DNN参数,直至达到最大训练次数时终止训练。
在一些实施方式中,完成对DNN的训练后,可将所述样本集输入训练好的目标辐射源定位模型,输出目标辐射源计算坐标,并计算定位相对误差,用于评价所述目标辐射源定位模型的精度。
所述定位相对误差re满足如下关系式:
其中,re表示定位相对误差,(xcal,ycal,zcal)表示输出的所述目标辐射源计算坐标,(xreal,yreal,zreal)表示所述样本中的所述目标辐射源坐标,表示所述主基站的坐标,σ表示所述目标辐射源计算坐标与所述目标辐射源坐标之间的距离,表示所述主基站的坐标与所述目标辐射源坐标之间的距离。
步骤S12、获取主基站和副基站的观测参数信息。其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息。
具体的,在本步骤中,两个基站分别接收来自目标辐射源的信号,形成观测参数信息。所述的观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息,其中基站实际位置信息包括两个基站的实时位置坐标以及基站位置测量标准差σ's;实际观测角度信息包括主基站的测量方位角测量俯仰角θ'1,副基站的测量方位角测量俯仰角θ'2,方位角测量标准差俯仰角测量标准差σ'θ;实际基站时差信息包括副基站相对于主基站的测量时间差Δt'21以及时差测量标准差σ'Δt。随后获取所述两个基站的观测参数信息,用于后续对数据进行处理。
步骤S13、将所述观测参数信息输入训练好的目标辐射源定位模型,得到目标辐射源预测坐标。
具体的,输入上述步骤S12中的观测参数信息至训练好的目标辐射源定位模型中,即将基站实际位置信息、实际观测角度信息和实际基站时差信息输入所述目标辐射源定位模型,得到输出的目标辐射源预测坐标y=[x't,y't,z't]。
本公开的实施例相对于现有技术而言,通过采用训练DNN得到目标辐射源定位模型的方法,替代了传统的迭代算法,提升了定位的准确度与可靠性,且不依赖先验信息,定位更加快速,拥有非常好的鲁棒性能。
需要说明的是,本实施例的测向时差联合定位方法中,训练目标辐射源定位模型的步骤并不是必须的,在一种可能的实施方式中,也可以省略掉训练目标辐射源定位模型的训练步骤,直接采用预先训练好的目标辐射源定位模型。
下面将通过一个具体的仿真实验对本公开的测向时差联合定位方法的效果进行进一步验证说明。
(一)仿真条件
仿真条件采用Intel(R)Xeon(R)W-10855M [email protected],内存64G,Windows 10操作***,带有一块NVIDIA Quadro T2000 with Max-Q Design独立显卡的的笔记本电脑配置,仿真软件采用MATLAB(R2021a)和JetBrainsPyCharm 2018.3.7x64。
(二)仿真内容与结果分析
设置两个基站,基站1的坐标为s1=(20,3,0)(km),基站2的坐标为s2=(35,45,0)(km),基站位置测量标准差为σs∈[1,10](m)。双站的测量方位角双站的测量俯仰角θ∈[1.51,33.23]°,方位角测量标准差为俯仰角测量标准差为σθ∈[1,5]°,时差测量标准差为σΔt∈[1,20](ns)。设置目标辐射源坐标分布范围为由上述条件共生成388271个样本,耗时2.01小时。将该388271个样本视为一个样本集。将样本集随机打乱,取样本集中的4/5的数据组成训练集,1/5的数据组成验证集。
设置隐藏层数为3层,隐藏神经元个数分别为150、80、60,即DNN的结构为[15,150,80,60,3],其结构图如图2所示。最大训练次数设置为1000,网络训练优化器采用SGD优化器,学利率设置为0.0001,批量大小设置为40。
使用上述生成的样本集和设置的参数对DNN进行训练,最终的训练时长为14.72小时。其中,损失函数C随训练次数的变化图如图3所示。
将前文所述的训练集与验证集样本中的基站位置信息、观测角度信息和基站时差信息分别输入目标辐射源定位模型,得到输出的目标辐射源计算坐标(xcal,ycal,zcal),再将其与样本中的目标辐射源坐标(xreal,yreal,zreal)以及基站1坐标一起代入上述公式(2)中,对每个样本的定位相对误差re进行计算,并记录其中定位相对误差re在1%以内的样本数量,得到如表1所示的定位相对误差在1%以内的样本数量百分比。
表1:
从表1中可以看出,本公开的实施例中利用DNN训练出的目标辐射源定位模型的定位精度极高,适用于固定基站和移动基站,鲁棒性强,具有普适性。
本公开的另一实施例提供一种测向时差联合定位***,如图4所示,其包括:
获取模块401,用于获取主基站和副基站的观测参数信息;其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息;
定位模块402,用于将所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标;其中,所述目标辐射源定位模型是预先根据训练参数信息对DNN进行训练得到。
具体的,两个基站分别接收来自目标辐射源的信号,形成观测参数信息。所述的观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息,其中基站实际位置信息包括两个基站的实时位置坐标以及基站位置测量标准差σ's;实际观测角度信息包括主基站实际的测量方位角测量俯仰角θ'1,副基站实际的测量方位角测量俯仰角θ'2,方位角测量标准差以及俯仰角测量标准差σ'θ;实际基站时差信息包括副基站相对于主基站的测量时间差Δt'21以及时差测量标准差σ'Δt。随后获取模块401获取所述两个基站的观测参数信息,由定位模块402对该观测参数信息进行处理。定位模块402将观测参数信息,即输入训练好的目标辐射源定位模型中,得到输出的目标辐射源预测坐标y=[x't,y't,z't]。
本公开的实施例中的一种测向时差联合定位***,通过采用上述的方法对目标辐射源进行定位,无需选择初值,相较于使用传统的迭代算法更加准确、可靠且快速。
示例性的,所述***还包括训练模块403,其用于:
生成所述训练参数信息的样本集;其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标;
将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练所述DNN,得到训练好的所述目标辐射源定位模型。
具体的,训练模块403在仿真场景下生成大量样本,随机打乱上述样本,并使用打乱后的样本训练DNN,由此得到目标辐射源定位模型。
本公开的实施例通过训练模块生成了大量的样本,并对DNN进行训练,使训练出的目标辐射源定位模型具有很高的精度,并且该定位模型可以直接提供给定位模块使用,使定位***能够快速、精准地对目标辐射源进行定位。
如图5所示,本公开另一实施例提供一种电子设备,包括:
至少一个处理器501,以及与所述至少一个处理器501通信连接的存储器502,用于存储一个或多个程序,当所述一个或多个程序被所述至少一个处理器501执行时,能使得所述至少一个处理器501实现如上所述的测向时差联合定位方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,***接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本公开实施例中的一种电子设备,通过实现如上所述的测向时差联合定位方法,相较使用传统迭代算法进行目标辐射源定位的设备,具有更好的准确性、可靠性,且定位更加快速。
本公开另一实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的测向时差联合定位方法。
其中,计算机可读存储介质可以是本公开的***、电子设备中所包含的,也可以单独存在。
计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的***、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种测向时差联合定位方法,其特征在于,用于通过一个主基站和一个副基站实现目标辐射源定位,所述方法包括:
分别获取所述主基站和所述副基站的观测参数信息;其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息;
分别将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标;其中,所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
2.根据权利要求1所述的方法,其特征在于,所述目标辐射源定位模型采用以下步骤训练得到:
生成所述训练参数信息的样本集;其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标;
分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,对应的所述目标辐射源坐标作为输出,训练所述深度神经网络,得到训练好的所述目标辐射源定位模型。
3.根据权利要求2所述的方法,其特征在于,所述基站位置信息包括所述主基站与所述副基站的位置坐标以及基站位置测量标准差;和/或,
所述观测角度信息包括所述主基站与所述副基站的测量方位角、测量俯仰角以及方位角测量标准差和俯仰角测量标准差;和/或,
所述基站时差信息包括所述副基站相对于所述主基站的测量时间差以及时差测量标准差。
4.根据权利要求3所述的方法,其特征在于,将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练所述深度神经网络,包括:
预先配置所述深度神经网络的损失函数、隐藏层数和隐藏神经元个数、最大训练次数、网络训练优化器、学习率以及批量大小;
将所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,所述目标辐射源坐标作为输出,训练配置好的所述深度神经网络;
当所述深度神经网络的训练达到所述最大训练次数时停止训练,并取训练中所述损失函数最小的网络参数作为所述深度神经网络的训练结果。
7.一种测向时差联合定位***,其特征在于,用于通过一个主基站和一个副基站实现目标辐射源定位,所述***包括:
获取模块,用于获取所述主基站和所述副基站的观测参数信息;其中,所述观测参数信息包括基站实际位置信息、实际观测角度信息和实际基站时差信息;
定位模块,用于将所述主基站和所述副基站的所述观测参数信息输入预先训练的目标辐射源定位模型,得到目标辐射源预测坐标;其中,所述目标辐射源定位模型是预先根据训练参数信息对深度神经网络进行训练得到。
8.根据权利要求7所述的***,其特征在于,所述***还包括训练模块,所述训练模块用于:
生成所述训练参数信息的样本集;其中,每个所述训练参数信息样本都包括基站位置信息、观测角度信息、基站时差信息和目标辐射源坐标;
分别将所述主基站和所述副基站的所述基站位置信息、所述观测角度信息和所述基站时差信息作为输入,对应的所述目标辐射源坐标作为输出,训练所述深度神经网络,得到训练好的所述目标辐射源定位模型。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器,用于存储一个或多个程序,当所述一个或多个程序被所述至少一个处理器执行时,能使得所述至少一个处理器实现权利要求1至6中任一项所述的测向时差联合定位方法。
10.一种计算机可读存储介质,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权利要求1至6中任一项所述的测向时差联合定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329188.5A CN115524662B (zh) | 2022-10-27 | 2022-10-27 | 测向时差联合定位方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329188.5A CN115524662B (zh) | 2022-10-27 | 2022-10-27 | 测向时差联合定位方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115524662A true CN115524662A (zh) | 2022-12-27 |
CN115524662B CN115524662B (zh) | 2023-09-19 |
Family
ID=84704408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329188.5A Active CN115524662B (zh) | 2022-10-27 | 2022-10-27 | 测向时差联合定位方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115524662B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108061877A (zh) * | 2017-12-14 | 2018-05-22 | 电子科技大学 | 一种基于角度信息的无源多站多目标测向交叉定位方法 |
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
CN110412504A (zh) * | 2019-08-12 | 2019-11-05 | 电子科技大学 | 基于角度与时差信息的无源多站多目标关联与定位方法 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN113721276A (zh) * | 2021-08-31 | 2021-11-30 | 中国人民解放军国防科技大学 | 基于多颗卫星的目标定位方法、装置、电子设备及介质 |
CN113935402A (zh) * | 2021-09-22 | 2022-01-14 | 中国电子科技集团公司第三十六研究所 | 时差定位模型的训练方法、装置及电子设备 |
WO2022012158A1 (zh) * | 2020-07-17 | 2022-01-20 | 华为技术有限公司 | 一种目标确定方法以及目标确定装置 |
CN114236577A (zh) * | 2021-12-17 | 2022-03-25 | 山东大学 | 一种基于人工神经网络的gnss信号捕获方法 |
WO2022111129A1 (zh) * | 2020-11-25 | 2022-06-02 | Oppo广东移动通信有限公司 | 定位方法、装置、设备、存储介质及*** |
-
2022
- 2022-10-27 CN CN202211329188.5A patent/CN115524662B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
CN108061877A (zh) * | 2017-12-14 | 2018-05-22 | 电子科技大学 | 一种基于角度信息的无源多站多目标测向交叉定位方法 |
CN110412504A (zh) * | 2019-08-12 | 2019-11-05 | 电子科技大学 | 基于角度与时差信息的无源多站多目标关联与定位方法 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
WO2022012158A1 (zh) * | 2020-07-17 | 2022-01-20 | 华为技术有限公司 | 一种目标确定方法以及目标确定装置 |
WO2022111129A1 (zh) * | 2020-11-25 | 2022-06-02 | Oppo广东移动通信有限公司 | 定位方法、装置、设备、存储介质及*** |
CN113721276A (zh) * | 2021-08-31 | 2021-11-30 | 中国人民解放军国防科技大学 | 基于多颗卫星的目标定位方法、装置、电子设备及介质 |
CN113935402A (zh) * | 2021-09-22 | 2022-01-14 | 中国电子科技集团公司第三十六研究所 | 时差定位模型的训练方法、装置及电子设备 |
CN114236577A (zh) * | 2021-12-17 | 2022-03-25 | 山东大学 | 一种基于人工神经网络的gnss信号捕获方法 |
Non-Patent Citations (3)
Title |
---|
丛讯超等: "基于深度学习的数据级多源融合定位增强算", 电子质量, no. 4, pages 13 - 16 * |
任立超: "通信辐射源无源定位算法的精度分析", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, pages 136 - 2055 * |
王文宇等: "机器学习助力基于优化理论的TDOA无源定位", 信息与控制, vol. 51, no. 4, pages 385 - 399 * |
Also Published As
Publication number | Publication date |
---|---|
CN115524662B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107659893B (zh) | 一种误差补偿方法、装置、电子设备及可读存储介质 | |
US10324160B2 (en) | Geolocation of beyond LOS HF emitters | |
CN106932759B (zh) | 一种用于主被动雷达的协同定位方法 | |
WO2021098808A1 (zh) | 激光跟踪仪站位确定方法、***、电子设备及介质 | |
CN113866747B (zh) | 一种多激光雷达的标定方法及装置 | |
RU2608583C1 (ru) | Способ определения местоположения и параметров движения объекта по измерениям угловых координат | |
CN111157943A (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
CN109752690B (zh) | 无人机定位nlos的消除方法、***、装置及存储介质 | |
CN115524662A (zh) | 测向时差联合定位方法、***、电子设备及存储介质 | |
RU2713193C1 (ru) | Способ межпозиционного отождествления результатов измерений и определения координат воздушных целей в многопозиционной радиолокационной системе | |
CN113613188B (zh) | 指纹库的更新方法、装置、计算机设备和存储介质 | |
CN109489658B (zh) | 一种运动目标定位方法、装置及终端设备 | |
CN114742141B (zh) | 基于icp点云的多源信息数据融合研判方法 | |
CN115508773B (zh) | 时差法多站无源定位方法、***、电子设备及存储介质 | |
CN113870600B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN115598592B (zh) | 时频差联合定位方法、***、电子设备及存储介质 | |
CN114035182B (zh) | 一种基于电离层反射的多站时差多变量短波目标定位方法 | |
CN110673088B (zh) | 混合视距和非视距环境中基于到达时间的目标定位方法 | |
CN114842074A (zh) | 一种基于模型匹配的无人机影像定位方法 | |
CN111366921B (zh) | 基于距离加权融合的双站雷达交叉定位方法、***及介质 | |
CN110207699B (zh) | 一种定位方法和装置 | |
CN112710343A (zh) | 一种基于rt的车载传感器性能测试方法 | |
Hu et al. | The nlos localization algorithm based on the linear regression model of extended kalman filter | |
JPWO2019107237A1 (ja) | 位置推定装置、位置推定方法とプログラム、並びに、位置推定システム | |
CN114998426B (zh) | 机器人测距方法及装置 |
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 |