[發明專利]一種基于神經網絡計算的多目標直接定位方法

有效

• 申請號: 201810431951.2
• 申請日: 2018-05-08
• 公開（公告）號: CN108414973B
• 公開（公告）日: 2020-03-13
• 發明（設計）人: 王鼎;尹潔昕;唐濤;楊賓;杜劍平;陳鑫
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: G01S5/04
• 分類號: G01S5/04;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 陳勇

1.一種基于神經網絡計算的多目標直接定位方法，其特征在于，包括以下步驟：

步驟1：利用L個觀測站中的陣列信號數據分別構造L個陣列輸出協方差矩陣

步驟2：將L個陣列輸出協方差矩陣匯聚在一起，并進行數據預處理得到實向量

步驟3：將感興趣的目標區域劃分成若干扇區，并在每個扇區內選取若干離散位置點，然后利用選取的離散位置點構造學習數據樣本，利用構造的學習數據樣本訓練多層前饋神經網絡；

步驟4：將實向量輸入到步驟3中訓練的多層前饋神經網絡中，以檢測出每個扇區內的目標個數，當檢測到某扇區內出現多個目標時，則將該扇區進一步劃分成若干子扇區，并確保每個子扇區內最多僅包含一個目標，然后轉至步驟5；當檢測到每個扇區內最多只出現一個目標時，則轉至步驟6；

步驟5：在每個子扇區內選取若干離散位置點，并利用選取的離散位置點構造學習數據樣本，利用構造的學習數據樣本訓練多層前饋神經網絡，然后將實向量輸入到該多層前饋神經網絡中，以檢測每個子扇區內的目標個數，其檢測結果僅包括{0,1}兩種可能性；

步驟6：當檢測到某個扇區或者子扇區內存在目標時，則在該扇區或者子扇區內選取若干離散位置點，然后利用選取的離散位置點構造學習數據樣本，利用構造的學習數據樣本訓練多層前饋神經網絡；

步驟7：將實向量輸入到步驟6中訓練的多層前饋神經網絡中，以對目標出現的扇區或者子扇區進行空域濾波，通過空域濾波將扇區或者子扇區以外的目標信號數據濾除，僅保留該扇區或者子扇區以內的目標信號數據，以便于后續對該扇區或者子扇區以內的目標進行定位；

步驟8：在目標出現的扇區或者子扇區內選取若干離散位置點，并利用選取的離散位置點構造學習數據樣本，利用構造的學習數據樣本訓練徑向基神經網絡；

步驟9：將步驟7中進行空域濾波之后的數據向量輸入到步驟8中所訓練的徑向基神經網絡中，從而對扇區或者子扇區內的目標進行直接定位。

2.根據權利要求1所述的一種基于神經網絡計算的多目標直接定位方法，其特征在于，所述步驟1包括：

步驟1.1：假設有L個靜止觀測站，并且每個觀測站中安裝天線陣列，用于對目標進行定位，現有D個待定位的窄帶獨立信號源到達該陣列，陣列輸出信號模型可以表示為：

式中u_d表示第d個信號的位置向量；a_l(u_d)表示第d個信號到達第l個陣列所產生的陣列流形向量；A_l＝[a_l(u₁) a_l(u₂) … a_l(u_D)]表示第l個陣列所對應的流形矩陣；s_l(t)＝[s_l,1(t) s_l,2(t) … s_l,D(t)]^T表示信號復包絡向量，其中s_l,d(t)表示第d個信號到達第l個陣列的復包絡；ε_l(t)表示第l個陣列上的加性噪聲；

步驟1.2：假設每個觀測站所采集到的快拍數均為J，于是第l個觀測站的陣列輸出協方差矩陣的計算公式為：

其中，x_l(t_j)第l個靜止觀測站在第j個快拍時的輸出信號；

步驟1.3：按照步驟1.1和步驟1.2的方式分別構造L個陣列輸出協方差矩陣

3.根據權利要求1所述的一種基于神經網絡計算的多目標直接定位方法，其特征在于，所述步驟2包括：

步驟2.1：將矩陣中的嚴格上三角元素提取出來形成向量再將矩陣中的對角元素提取出來形成向量

步驟2.2：將步驟2.1得出的向量和向量進行合并，以形成實向量

步驟2.3：將步驟2.2得出的L個實向量進行合并，以構造擴維向量

步驟2.4：對擴維向量進行歸一化得到實向量