[发明专利]基于未校正阵列和神经网络的多目标直接定位方法

说明书

本发明涉及一种基于未校正阵列和神经网络的多目标直接定位方法，包含：在不同离散坐标点处放置单个信号源(位置已知)，建立未校正阵列流形响应的样本库；未校正阵列采集目标信号源数据，估计其阵列流形矩阵；利用样本库对阵列流形矩阵中的列向量进行自动配对，将对应于相同目标的阵列流形向量归为同一组，合并成高维度数据向量，确定每个目标所处的大致区域；利用每个目标位置的大致区域所对应的数据样本训练径向基神经网络，将每个目标所对应的高维数据向量作为神经网络的输入，神经网络的输出即为该目标的位置估计。本发明可以避免对天线阵列进行校正及网格搜索所导致的庞大运算量，具有较强的实际应用价值，性能稳定、可靠，且高效。

技术领域

本发明属于无线电信号定位技术领域，特别涉及一种基于未校正阵列和神经网络的多目标直接定位方法。

背景技术

众所周知，无线电信号定位对于目标发现及其态势感知具有非常重要的意义，其在通信信号侦察、电子信息对抗、无线电监测、遥测与导航等诸多工程科学领域具有十分重要的应用。根据观测站数目进行划分可以将无线电信号定位体制分为单站定位和多站定位两大类，这两类定位体制各有其自身优势。具体来说，单站定位系统具有灵活性高、机动性好、系统简洁、无需信息同步和信息传输等优点，而多站定位系统则能够提供更多观测量，有助于获得更高的定位精度。

在多站定位系统中，一种较常用的定位技术是多站测向交汇定位，即每个观测站安装天线阵列用于对目标信号源进行测向，然后中心站利用各站测向结果对目标进行定位。这种定位技术属于两步估计定位模式，即先从信号数据中估计定位参数(例如方位、时差等)，然后再基于这些参数估计目标位置坐标。虽然这种两步估计定位模式应用广泛，但是根据信息处理的理论可知，两步估计定位模式难以获得统计最优的定位精度，这是因为从原始信号数据到最终的估计结果之间每增加一步信息处理环节，就会引入一些不确定性，从而损失部分信息，并且影响最终的定位精度(尤其在低信噪比条件下该问题尤为突出)。为了克服两步估计定位模式的缺点，一种较好的措施是采用单步定位(亦称直接定位)模式，即从信号数据域中直接提取目标的位置参数，而无需估计其它的中间参数，这一定位思想最早是由以色列学者A.J.Weiss和A.Amar所提出的。在测向定位体制中，B.Demissie和M.Oispuu等学者提出了基于子空间融合的直接定位方法，该方法无需各个观测站获得测向结果，属于单步定位模式，能够取得较高的估计精度。然而，该方法存在两个缺点。首先，该方法要求各个观测站的阵列已被精确校正，也就是说各个观测站的阵列流形的数学模型精确已知；其次，该方法需要通过网格搜索获得目标的位置估计，其计算量相对较大，并不利于实时定位。

发明内容

针对多目标定位存在计算量大、不利于实时定位等问题，本发明提供一种基于未校正阵列和神经网络的多目标直接定位方法，不仅可以避免对天线阵列进行校正，还可以避免网格搜索所导致的庞大运算量。

按照本发明所提供的设计方案，一种基于未校正阵列和神经网络的多目标直接定位方法，包含如下内容：

A)在待测区域内选取多个离散坐标点，在离散坐标点处分别放置位置已知的单个信号源，通过未校正阵列采集单个信号源，获取用于建立阵列流形响应的学习样本库；

B)通过未校正阵列采集目标信号源数据，并估计阵列流形矩阵；

C)通过学习样本库对阵列流形矩阵中的列向量进行自动匹配，将对应于相同目标的阵列流形向量归为同一组，并合并成高纬度数据向量，确定每个目标所处的预估区域；

D)利用每个目标所述的预估区域所对应的学习样本库数据训练径向基神经网络，径向基神经网络包括输入层、隐藏层以及输出层，其中，输入层的神经元个数等于每个数据样本的维数，输出层的神经元个数等于目标位置坐标的维数；

E)将每个目标所对应的高纬度数据向量作为训练后的径向基神经网络输入，该径向基神经网络输出即为目标所对应的位置估计。

上述的，A)中具体包含如下步骤：