[發(fā)明專利]基于深度學習的二維角度依賴誤差下的一維線陣測向方法

有效

• 申請?zhí)枺?/td>: 202010903250.1
• 申請日: 2020-09-01
• 公開（公告）號: CN112255625B
• 公開（公告）日: 2023-09-22
• 發(fā)明（設計）人: 潘玉劍;姚敏;高曉欣;王鋒
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01S13/62
• 分類號: G01S13/62
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.基于深度學習的二維角度依賴誤差下的一維線陣測向方法，其特征在于：該方法具體包括以下步驟：

步驟1、將M元一維線陣陣列放置于暗室中的伺服平臺上，在陣列的遠場固定一輻射源，采集二維校準數(shù)據(jù)；設置系統(tǒng)參數(shù)使陣列輸出基帶信號的信噪比為動態(tài)范圍內(nèi)的最大值；在陣列的方位視場角內(nèi)設置方位網(wǎng)格點集合Ω＝{θ₁,θ₂,...,θ_L}，俯仰視場角內(nèi)設置俯仰網(wǎng)格點集合其中L為方位網(wǎng)格點數(shù)，I為俯仰網(wǎng)格點數(shù)；轉動伺服平臺，使雷達俯仰角為方位角在網(wǎng)格點集合Ω進行掃描，在每個網(wǎng)格點記錄各角度對應的M維陣列輸出基帶信號其中θ∈Ω,i＝1,2,...,I；

步驟2、對每個暗室測量得到的基帶信號用蒙特卡羅法添加零均值高斯白噪聲；對進行Q次蒙特卡羅實驗，第q次蒙特卡羅實驗得到信號為方差為的零均值高斯白噪聲，表示對應第l個方位網(wǎng)格點，第i個俯仰網(wǎng)格點數(shù)據(jù)要添加的噪聲的方差；噪聲功率大小為使的信噪比在實際應用中取得目標信噪比動態(tài)范圍內(nèi)的最小值；信噪比計算公式為

其中，SNR的單位為dB，表示的2范數(shù)；

步驟3、計算陣列導向矢量；對每個俯仰角暗室已測量的方位網(wǎng)格點直接計算陣列導向矢量，對每個俯仰角上暗室未測量到的方位角度網(wǎng)格點進行局部陣列流型插值處理，為細化后的方位網(wǎng)格點對應的角度；

①若即為方位角在網(wǎng)格點情形，導向矢量計算公式為：

其中為的第一個元素；

②若即為方位角離網(wǎng)格點情形，假設則導向矢量計算公式為：

其中為與陣列構型和方位角相關但與俯仰角無關的理想解析導向矢量，T_i為局部陣列流型插值矩陣；

T_i的最小二乘估計值的計算方法為：設為包含θ_l和θ_l+1的連續(xù)M′個方位角度網(wǎng)格點組成的方位子網(wǎng)格集合，若θ_l和θ_l+1不在網(wǎng)格集合邊緣，Ω′有M′-1種取法；對每種取法，都用最小二乘法計算出一個插值矩陣，計算公式為：

其中(·)⁺表示矩陣偽逆，和A⁺(Ω′)為方位子網(wǎng)格點集合Ω′上分別由測量數(shù)據(jù)計算得到的導向矢量和理想導向矢量為列組成的陣列流型矩陣；因此，設每兩個連續(xù)暗室測量方位網(wǎng)格點之間通過插值細化出了P個網(wǎng)格，由于每個細化網(wǎng)格計算出了(M′-1)個導向矢量，則每兩個網(wǎng)格之間共插值出P(M′-1)個導向矢量；考慮到步驟2的蒙特卡羅加噪處理及網(wǎng)格集合的邊緣效應，由暗室測量網(wǎng)格和插值細化網(wǎng)格計算出的陣列導向矢量個數(shù)為(L+(L-M′+1)(M′-1)P)IQ；

步驟4、對每個陣列導向矢量提取對應的復數(shù)模式下的相位差，并構造深度學習訓練集的特征；復數(shù)模式下的相位差提取方法如下：

①計算協(xié)方差矩陣(·)^H表示對向量進行共軛轉置操作；

②提取R中對角線以下但不包含對角線的所有元素構成N維列向量β′，N＝M(M-1)/2；

③復數(shù)模式下的相位差計算公式為β＝β′./abs(β′)，其中./表示點除，即按元素相除以，abs(·)表示取絕對值；

將相位差實數(shù)化以后作為深度學習訓練集特征γ，γ＝[Re^T(β)；Im^T(β)]^T，其中Re(·)、Im(·)和(·)^T和分別表示取實部、取虛部及轉置；

步驟5、深度學習網(wǎng)絡訓練；將深度學習訓練集特征γ作為輸入特征，來波方位角θ作為輸出，用反向傳播算法來訓練回歸模式下的深度學習神經(jīng)網(wǎng)絡f(γ)，深度學習神經(jīng)網(wǎng)絡f(γ)為全連接神經(jīng)網(wǎng)絡，輸入層的神經(jīng)元個數(shù)為2N，隱藏層層數(shù)J≥3，輸出層神經(jīng)元個數(shù)為1，訓練神經(jīng)網(wǎng)絡的代價函數(shù)選擇最小化網(wǎng)絡輸出值的均方誤差，同時設置基于網(wǎng)絡權重的2范數(shù)的正則化項用于防止過擬合，得到訓練好的深度學習網(wǎng)絡

步驟6、利用訓練好的深度學習網(wǎng)絡進行測向；假設陣列輸出的測試用基帶信號為z，將z作為導向矢量，并根據(jù)步驟4計算得到復數(shù)模式下的相位差向量β_z，將其實數(shù)化為γ_z后輸入訓練好的深度學習網(wǎng)絡得到對應測試用基帶信號z的來波方位角度θ_z。

2.如權利要求1所述基于深度學習的二維角度依賴誤差下的一維線陣測向方法，其特征在于：步驟5中，所述深度學習網(wǎng)絡的隱藏層層數(shù)為5，2范數(shù)正則項系數(shù)為0.0001。