技术领域
[0001] 本发明涉及辐射源定位技术领域，特别涉及一种基于前馈神经网络的目标辐射源测向交叉定位方法及系统。
相关背景技术
[0002] 在现代电子信息对抗环境中，准确定位目标对于决定信息对抗的走向起着至关重要的作用。随着电子干扰等技术的快速发展，以及越来越强调电子系统隐蔽攻击的趋势下，通过对目标辐射源电磁参数的被动测量来实现辐射源位置估计的无源定位技术受到更多重视。按照不同定位体制，可将无源定位划分为基于方位角测量的测角定位(AOA)方法、基于信号到达观测站的时差定位(TDOA)方法、基于相对运动产生多普勒频率的频率定位(FDOA)方法等。基于AOA的无源定位方法获得的方位角信息，相比于到达时间、到达时间差等电磁参数更加可靠，且无需考虑时间同步问题。按照观测站点数量不同，基于AOA的无源定位系统又有单站定位与多站定位之分。在面对日益复杂的战场电磁环境时，多站AOA定位技术相较于单站具有更加稳定的定位性能。
[0003] 在理想的定位场景下，传统的无源多站AOA定位技术能够实现较好的定位效果，但在实际电磁对抗环境下，对于定位精度、定位速度都有更高的要求，此时传统的无源多站AOA定位算法就难以满足电磁对抗需求。经典的最小二乘定位算法实现思路简单、运行速度快，但由于角度测量误差无可避免，定位精度一般。因此需要引入加权向量的方式弥补目标所处区域的非均匀环境对测向误差的影响，以提升定位精度，但利用牛顿迭代法求解，导致算法响应时间过长，难以实现实时定位，且牛顿迭代初值是否恰当直接影响到算法收敛性。考虑降低计算复杂度的同时提高定位精度，一种基于到达时间和到达角角测量的两步求解目标节点位置的方法被提出，首先利用最小二乘法获得节点的近似估计，然后结合加权最小二乘方法得到节点的最终位置。上述方法在测量误差较小时，均具有较高的定位精度和较低的复杂度。该算法在测量误差较小时，均具有较高的定位精度和较低的复杂度。然而，随着测量噪声增加，其定位性能可能会迅速恶化。为此，亟需一种在定位精度和定位速度上能够同时满足目标实时定位需求的方案，以适应日益复杂的电磁对抗环境。
具体实施方式
[0027] 为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
[0028] 针对现有无源多站AOA定位算法在定位精度、定位速度难以同时满足战场实时目标定位需求、且存在测量噪声对系统定位性能影响较大的问题，本发明实施例，参见图1所示，提供一种基于前馈神经网络的目标辐射源测向交叉定位方法，包含：
[0029] S101、获取目标辐射源测角信息，所述测角信息包含观测站对目标辐射源进行测向得到的方位角和测角误差。
[0030] 可依据各观测站位置坐标及对辐射源的测向方位角构建辐射源与各观测站之间的几何关系；基于几何关系及观测站对辐射源的测向误差建立观测模型，依据观测模型构建交叉定位线性估计模型，以将辐射源定位问题转换为对交叉定位线性估计模型的最优求解问题。
[0031] 考虑定位场景为一个二维平面区域P，定位区域的范围是P＝[φ1,φ2]×[β1,β2]，T其中φ1,φ2,β1,β∈R。观测目标为X，其位置坐标为X＝[x,y] ,X∈P。n个观测站Si在系统中T
的位置坐标分别为si＝[xi,yi] ,i＝0,1,2,…,n‑1。其中观测目标位置坐标未知，观测站坐标已知且固定。n个观测站分别对目标辐射源X进行测向，理想情况下，测得的方位角为αi，根据几何关系可以得到
[0032]
[0033] 但实际测向过程中，测向误差不可避免，假设各站之间测向过程互不干扰，定义测向误差(服从正态分布)为εi＝Δαi,i＝0,1,2,...,n‑1，εi＝Δαi为第i个观测站对目标辐射源的测向误差。
[0034] 从而对式(1)变形可得到：
[0035] y‑yi＝cotαi(x‑xi)+εi,i＝0,1,2...,n‑1 (2)[0036] 由此得到观测模型为：
[0037] zi＝xicotαi‑yi＝xcot‑y+εi,i＝1,2,...,n‑1 (3)[0038] 记：
[0039] Zn＝[x0cotα0‑y0 x1cotα1‑y1 … xn‑1cotαn‑1‑yn‑1]T (4)[0040] X＝[x y]T (5)
[0041] ε＝[ε0 ε1 … εn‑1] (6)
[0042]
[0043] 于是对定位系统建立线性估计模型：
[0044] Zn＝HnX+ε (8)
[0045] 由此模型得到X的最优估计值，即为目标辐射源在定位区域内的坐标位置。
[0046] S102、将目标辐射源测角信息输入预先训练的交叉定位线性估计模型，利用交叉定位线性估计模型得到目标辐射源位置信息，所述交叉定位线性估计模型为预先利用样本数据对对前馈神经网络模型进行训练得到，且样本数据对由已知辐射源位置信息和辐射源对应测角信息组成。
[0047] 其中，交叉定位线性估计模型的训练过程，可设计为包含：
[0048] 构建前馈神经网络模型，所述前馈神经网络模型用于将多维输入与输出间的非线性关系拟合为一个有限维空间到另一个空间的映射；
[0049] 如图2所示，利用样本数据对并使用测向误差对前馈神经网络模型进行迭代训练并获取模型最佳参数，依据模型最佳参数得到交叉定位线性估计模型，以利用交叉定位线性估计模型将观测站对辐射源的测角信息与辐射源位置坐标两者之间的非线性方程转换为函数映射。
[0050] 通过收集已知辐射源位置坐标及观测站对已知辐射源测向得到的方位角信息，将已知辐射源位置坐标和对应方位角信息进行连接，形成输入输出样本数据对，并依据已知辐射源位置坐标和对应方位角信息获取各观测站对应的测向误差，以利用输入输出样本数据对并使用测向误差对前馈神经网络模型进行迭代训练。
[0051] 前馈神经网络模型可分为输入层、隐藏层、输出层，每一层都包含多个神经元，层与层之间是全连接的，即相邻两层的任意两个节点都有连接，且不同神经元之间的连接具有不同的权重。输入层的节点对数据不做任何处理，节点个数等于输入自变量x的维度；输出层的节点个数等于输出应变量y的维度。每个神经元以上一层的节点输出作为输入，通过线性变换和非线性函数激活，得到这个节点的输出，并传递给下一层的节点。
[0052] 每个隐藏层都有多个神经元，而不同层神经元之间的每条单向连接线都包含线性和非线性算术关系。若单向连接线的两端分别是上一层输出xi和下一层输入yj，那它们的关系可表示为：
[0053] yj＝f(wxi+θ) (9)
[0054] 其中w表示权重，θ表示偏移量，且f(.)表示函数。
[0055] 将多维输入与输出之间复杂的非线性关系，拟合成一个有限维空间到另一个空间的映射。
[0056] 将已知目标辐射源的位置坐标X＝[x,y]T,以及观测站对其获得的方位角信息θ＝T[θ1,θ2,...,θi]连接形成一组输入和输出数据对{θ,X}。当已知目标辐射源为N个，就有N个数据对，以此构建一个训练数据集。
[0057] 神经网络的输入层层数由方位角信息决定，即i‑1。输出层数即为位置坐标的维度，即2。
[0058] 假设神经网络共由K个隐藏层，且隐藏层k(k＝1,2,…,K)有j个神经元节点，当输入一个数据对时，将前一个隐藏层的输出作为下一个隐藏层的输入，且第k个隐藏层的第h(h＝1,2,…,j)个节点的输出为：
[0059]
[0060] 位置坐标uout＝[xout,yout]满足下列公式：
[0061]
[0062] 且前馈神经网络的隐藏层可以是任意可测函数。
[0063] 当非线性函数f(.)确定时，网络训练通过Δu的值调整权重和偏移量，Δu＝u‑uout。该网络使用Δu进行连续迭代循环并获得最佳的权重和偏移量。
[0064] 前馈神经网络的训练是将测角信息与目标位置坐标的非线性方程转换为函数映射。网络训练结束后，可实现实时定位系统，当观测站获得新的AOA值时，网络可以输出实时位置结果。
[0065] 进一步地，基于上述的方法，本发明实施例还提供一种基于前馈神经网络的目标辐射源测向交叉定位系统，包含：数据获取模块和测向定位模块，其中，
[0066] 数据获取模块，用于获取目标辐射源测角信息，所述测角信息包含观测站对目标辐射源进行测向得到的方位角和测角误差；
[0067] 测向定位模块，用于将目标辐射源测角信息输入预先训练的交叉定位线性估计模型，利用交叉定位线性估计模型得到目标辐射源位置信息，所述交叉定位线性估计模型为预先利用样本数据对对前馈神经网络模型进行训练得到，且样本数据对由已知辐射源位置信息和辐射源对应测角信息组成。
[0068] 为验证本案方案有效性，下面结合实验数据做进一步解释说明：
[0069] 假设定位区域P＝[0,1](km)×[0,1](km)内存在三个观测站，其位置坐标分别为(500，500)、(753，613)和(119，25)。构建三个不同结构的神经网络，表1给出不同神经网络的隐藏层数量和每层的神经元数量。
[0070] 表1
[0071]
[0072] 将辐射源在区域P中的100000个位置数据，通过式(1)计算方位角，将100000×3个方位角数据及其对应的实际位置用作数据对，以训练神经网络进行定位，得到一个实时测向交叉定位系统。当系统获得新的测角信息时，输出目标辐射源坐标。
[0073] 图3给出本案所提算法的不同结构神经网络模型输出位置坐标均方根误差随测向误差的变化情况，可以看出，随着测向误差的增大，定位性能下降速度放缓，且均方根误差整体较小，说明本案所提算法定位精度较高，且对测向误差的敏感度较低，具有较强的鲁棒性。
[0074] 表2
[0075]
[0076] 表2给出本案所提算法使用训练好的神经网络模型对目标进行定位的时间，可以看到耗时整体较少，实现了较快的定位速度，提高了定位的实时性和效率，能够满足日益复杂的电磁环境中频谱监管等需求。
[0077] 除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
[0078] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0079] 结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。
[0080] 本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
[0081] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
