阅读说明：本技术 基于并联径向基网络的目标外辐射源被动定位方法 (Passive target external radiation source positioning method based on parallel radial basis network ) 是由 程永强 吴昊 王宏强 陈茜茜 杨政 于 2019-09-20 设计创作，主要内容包括：本发明提供一种基于并联径向基网络的目标外辐射源被动定位方法。通过训练一组并联的径向基网络,通过样本数据的训练,学习目标位置与接收信号之间的映射关系,实现目标外辐射源被动定位。本发明所提方法不依赖于电磁环境中的辐射源信息,仅通过对数据的训练就能实现目标定位可以解决径向基网络在训练集不适合但径向基网络拟合的问题。本发明所属方法具有定位过程简单且效率高的特点,具有良好的定位性能,具有利用通信基站完成目标定位的潜力。(The invention provides a target external radiation source passive positioning method based on a parallel radial basis network. The mapping relation between the target position and the received signal is learned through training a group of radial basis networks connected in parallel and through training of sample data, and passive positioning of the target external radiation source is achieved. The method provided by the invention does not depend on radiation source information in an electromagnetic environment, can realize target positioning only by training data, and can solve the problem that the radial basis network is not suitable for the radial basis network fitting in a training set. The method has the characteristics of simple positioning process and high efficiency, has good positioning performance, and has the potential of completing target positioning by utilizing the communication base station.)

基于并联径向基网络的目标外辐射源被动定位方法

技术领域

本发明涉及雷达目标定位技术领域，特别是涉及一种利用外辐射源的被动目标定位方法。

背景技术

目标外辐射源被动定位不同于传统雷达定位技术，借助于第三方辐射源来定位目标，具有低成本、抗干扰、隐蔽能力强等优点，有广泛的应用前景。如今，外辐射源覆盖范围广泛，如移动通信基站、电视广播信号基站、导航卫星等，为外辐射源被动定位技术的发展提供了有利的客观条件。因此，目标外辐射源被动定位技术应用场景多、外辐射源部署广泛，具有较大的发展潜力。

在目标外辐射源被动定位技术的发展之中，外辐射源的被动目标定位方法是其中的关键技术。现有的被动定位方法通常依赖于外辐射源位置或者信号波形等信息。然而，当这些信息无法精确获得时，不能应用现有方法实现定位，需要研究仅依赖于接收信号数据的定位方法。

发明内容

针对现有技术存在的问题，本发明的目的是提供一种基于并联径向基网络的目标外辐射源被动定位方法。

为了实现上述发明目的，本发明采用的技术方案是：

基于并联径向基网络的目标外辐射源被动定位方法，包括

第一步，训练目标外辐射源被动定位网络；

(1.1)获取感兴趣区域的目标位置-接收信号数据对。

(1.2)对目标位置-接收信号数据对进行处理，获取接收信号数据的特征矢量与目标位置的数据对作为训练数据，构成总训练集；

(1.3)通过特征矢量范数，将总训练集划分为两个子训练集，利用划分地两个子训练集，训练各自的径向基网络。

(1.4)将(1.3)所得两个子训练集对应的输出值与总训练集中的目标位置坐标作为输入与输出，构成新的训练集，训练级联逆向传播网络，来合并双径向基网络输出。训练所得的级联逆向传播网络即为最终的目标外辐射源被动定位网络。

第二步，将实时接收到的接收信号数据，计算其特征矢量，并输入到第一步训练得到的目标外辐射源被动定位网络中，获得目标位置。

本发明(1.1)中，将感兴趣区域均匀地划分为N个单元，将标准散射球依次放在每个单元的中心，N个标准散射球的位置坐标记为X＝{x₁,x₂,...,x_N}。

当将标准散射球放置于第i个单元时，记录第i个标准散射球的位置坐标x_i与M台接收机的接收信号数据为(s_i,1,...,s_i,M)，构成目标位置-接收信号数据对，其中1≤i≤N。

N个标准散射球的位置坐标与M台接收机的接收信号数据为S：

S＝{(s_1,1,...,s_1,M),(s_2,1,...,s_2,M),...,(s_N,1,...,s_N,M)}。

本发明(1.2)中，对于接收信号数据(s_i,1,…,s_i,M)中的每个s_i,j，计算一阶矩与二阶矩，其中1≤j≤M；利用接收机的接收信号数据与噪声统计矩的统计散度，降低训练数据维数，获取接收信号数据的特征矢量；将特征矢量与目标位置的数据对作为训练数据，构成总训练集。

对于每个接收信号数据

其中l为数据长度，计算一阶矩与二阶矩。本发明为节省计算资源与存储资源，一阶矩与二阶矩均降低至L_c维。

其中，

上标*表示对复数取共轭。p是求和式中的指标，这里代表对s_i,j中每一项的罗列。

设接收机测量噪声方差σ，求得接收机的接收信号数据与噪声间的KL(Kullback-Leibler)散度(KLD)作为特征矢量

其中，I表示单位矩阵，KLD的计算公式为

其中，矢量的上标H表示厄米特转置，tr(·)表示矩阵的迹，|·|表示矩阵的行列式，ln(·)表示自然对数函数。

获取接收信号数据的特征矢量γ_i与目标位置x_k的数据对作为训练数据，构成总训练集{(γ₁,x₁),(γ₂,x₂),…,(γ_N,x_N)}。

本发明(1.3)中，由于特征矢量增长剧烈，首先对特征矢量中的分量做数学变换

g(γ_i)＝10log₁₀γ_i

减缓特征矢量的增长速度。

得到变换之后的总训练集E＝{(g(γ₁),x₁),(g(γ₂),x₂),…,(g(γ_N),x_N)}，将总训练集划分为两个子训练集E₁与E₂。

建立两个径向基神经网络，分别为子训练集E₁对应的径向基神经网络和子训练集E₂对应的径向基神经网络。

设定子训练集E₁对应的径向基神经网络的径向基函数的宽度参数为w_sp1；在子训练集E₁下，使用w_sp1训练子训练集E₁对应的径向基神经网络，输出

设定子训练集E₂对应的径向基神经网络的径向基函数的宽度参数为w_sp2；在子训练集E₂下，使用w_sp2训练子训练集E₂对应的径向基神经网络，输出

本发明所建立的径向基神经网络，该网络有三层组成。第一层为输入层一共M个点，隐含层一共N个点，输出层两个点。其中，相邻两层之间为全连接的连接状态，输入层和输出层为线性层，隐含层的激活函数为

其中，w_sp为径向基函数的宽度参数。

本发明(1.4)中，根据与

构造新的训练集

建立级联逆向传播网络，使用训练集E′训练级联逆向传播网络。

其中所建立的级联逆向传播网络结构如图2所示。其包含输入层、输出层以及D_N层隐含层。输入层包含四个节点，输出层包含两个节点，每层隐含层包含H_N个节点。其中，D_N与H_N的值根据情况而定。输入层和输出层为线性层，隐含层的激活函数为

本发明第二步中，对于接收机的实时接收信号，首先计算接收信号的特征矢量γ，经过函数变换g(γ)后，将其输入到训练所得的级联逆向传播网络中，则可获得目标位置坐标。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述基于并联径向基网络的目标外辐射源被动定位方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于并联径向基网络的目标外辐射源被动定位方法的步骤。

本发明的有益技术效果：

目标位置与接收信号之间的关系可用数学映射来描述，目标定位的实质就是获取这一映射关系，依据该映射关系，由接收信号推断得到目标位置。基于数据驱动的方法不同于以往基于信号模型的方法，可直接通过数据的训练来得到这一映射关系。

本发明利用一组并联的径向基网络，通过样本数据的训练，学习目标位置与接收信号之间的映射关系，实现目标外辐射源被动定位。本发明所提方法不依赖于辐射源信息，仅通过对数据的训练就能实现目标定位。

附图说明

图1是一实施例中基于并联径向基网络的目标外辐射源被动定位方法的原理图；

图2是一实施例中所使用的级联后向散射网络的结构示意图；

图3是级联逆向传播网络为10层时，本发明所提方法的测试误差图。

具体实施方式

为了便于本发明的实施，下面结合具体实例作进一步的说明。

本发明提供一种基于并联径向基网络的目标外辐射源被动定位方法，采用数据驱动的方法实现了目标外辐射源被动定位技术。具体而言，本发明通过训练双径向基网络，可以解决径向基网络在训练集不适合但径向基网络拟合的问题。本发明所属方法具有定位过程简单且效率高的特点，具有良好的定位性能。此外，该方法不依赖于电磁环境中的辐射源信息，可以仅通过接收信号完成定位，具有利用通信基站完成目标定位的潜力。

参照图1，为一实施例中基于并联径向基网络的目标外辐射源被动定位方法的原理图，下面结合具体实施方式对本发明进行详细说明。

第一步，训练目标外辐射源被动定位网络；

(1.1)获取感兴趣区域的目标位置-接收信号数据对。

将感兴趣区域均匀地划分为N个单元，将标准散射球依次放在每个单元的中心，N个标准散射球的位置坐标记为X＝{x₁,x₂,…,x_N}。

当将标准散射球放置于第i个单元时，记录第i个标准散射球的位置坐标x_i与M台接收机的接收信号数据为(s_i,1,…,s_i,M)，构成目标位置-接收信号数据对，其中1≤i≤N。

N个标准散射球的位置坐标与M台接收机的接收信号数据为S：

S＝{(s_1,1,…,s_1,M),(s_2,1,...,s_2,M),...,(s_N,1,…,s_N,M)}。

(1.2)对目标位置-接收信号数据对进行处理，获取接收信号数据的特征矢量与目标位置的数据对作为训练数据，构成总训练集。

对于接收信号数据(s_i,1,...,s_i,M)中的每个s_i,j，计算一阶矩与二阶矩，其中1≤j≤M。利用接收机的接收信号数据与噪声统计矩的统计散度，降低训练数据维数，获取接收信号数据的特征矢量；将特征矢量与目标位置的数据对作为训练数据，构成训练集。

对于每个接收信号数据

计算一阶矩与二阶矩

其中，

上标*表示对复数取共轭。p是求和式中的指标，这里代表对s_i,j中每一项的罗列。设接收机测量噪声方差σ，求得接收机的接收信号数据与噪声间的KL(Kullback-Leibler)散度(KLD)作为特征矢量

其中，I表示单位矩阵，KLD的计算公式为

其中，矢量的上标H表示厄米特转置，tr(·)表示矩阵的迹，|·|表示矩阵的行列式，ln(·)表示自然对数函数。

获取接收信号数据的特征矢量γ_i与目标位置x_k的数据对作为训练数据，构成总训练集{(γ₁,x₁),(γ₂,x₂),…,(γ_N,x_N)}。

(1.3)通过特征矢量范数，划分总训练集，利用划分地两个子训练集，训练各自的径向基网络。

由于特征矢量增长剧烈，首先对特征矢量中的分量做数学变换

g(γ_i)＝10log₁₀γ_i

减缓特征矢量的增长速度。

得到变换之后的总训练集E＝{(g(γ₁),x₁),(g(γ₂),x₂),…,(g(γ_N),x_N)}，将总训练集划分为两个子训练集E₁与E₂。

两个子训练集E₁与E₂的划分方法不限，如可以按照一定比例随机划分。本实施例中采用的划分方法是：将满足g(γ_k)＞g_b的(g(γ_k),x_k)划分至E₁，其他的至E₂，g_b的选取根据经验确定。

建立径向基神经网络，该网络有三层组成。第一层为输入层一共M个点，隐含层一共N个点，输出层两个点。其中，相邻两层之间为全连接的连接状态，输入层和输出层为线性层，隐含层的激活函数为

其中，w_sp为径向基函数的宽度参数。

本发明建立两个径向基神经网络，分别为子训练集E₁对应的径向基神经网络和子训练集E₂对应的径向基神经网络。设定子训练集E₁对应的径向基神经网络的径向基函数的宽度参数为w_sp1；在子训练集E₁下，使用w_sp1训练子训练集E₁对应的径向基神经网络，输出

设定子训练集E₂对应的径向基神经网络的径向基函数的宽度参数为w_sp2；在子训练集E₂下，使用w_sp2训练子训练集E₂对应的径向基神经网络，输出

(1.4)将上步所得两个子训练集对应的输出值与总训练集中的目标位置坐标作为输入与输出，构成新的训练集，训练级联逆向传播网络，来合并双径向基网络输出。训练所得的级联逆向传播网络即为最终的目标外辐射源被动定位网络。

根据

与

构造新的训练集

建立级联逆向传播网络，使用训练集E′训练级联逆向传播网络。

所建立的级联逆向传播网络结构如图2所示。其包含输入层、输出层以及D_N层隐含层。输入层包含四个节点，输出层包含两个节点，每层隐含层包含H_N个节点。其中，D_N与H_N的值根据情况而定。输出输入层和输出层为线性层，隐含层的激活函数为

第二步，对于接收机的实时接收信号，首先计算接收信号的特征矢量γ，经过函数变换g(γ)后，将其输入到训练所得的级联逆向传播网络中，则可获得目标位置坐标。

通过仿真实验验证上述方法的有效性。定位场景为500m×500m的正方形区域，包含五个辐射源和四个接收机。其中，辐射源信息如下：

四个接收机的位置为(450,450),(450,1050),(1050,450),(1050,1050)，接收机热噪声功率为-80dBm，辐射源信号功率为10dB。信号长度l＝10000，特征矢量维数L_c＝21。训练集的规模为128×128，训练集中的坐标数据均匀分布在定位场景中。测试集规模为10000，随机分布于定位场景中。对于级联后向传播网络，考虑两种规模，分别为D_N＝5,H_N＝10与D_N＝10,H_N＝10。对于单个径向基网络和两种网络系统的均方误差以及最大平方误差如下表所示。

当级联逆向传播网络为10层时，本发明所提方法的测试误差如图3所示。

实验结果表明，本发明所提方法具有较好的定位精度，无论是均方误差还是最大平方误差均有一定数量级的下降。且当级联逆向传播网络的层数增多时，定位精度逐步提高，相对于仅使用单个径向基网络的方法有着明显的提升。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。