[發(fā)明專(zhuān)利]一種基于監(jiān)督學(xué)習(xí)的分布式MIMO雷達(dá)目標(biāo)定位性能計(jì)算方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110543520.7
• 申請(qǐng)日: 2021-05-19
• 公開(kāi)（公告）號(hào): CN113360841B
• 公開(kāi)（公告）日: 2022-05-03
• 發(fā)明（設(shè)計(jì)）人: 何茜;紀(jì)瑞明;葉沙兵
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06F17/16
• 分類(lèi)號(hào): G06F17/16;G06N3/04;G06N3/08;G01S7/40
• 代理公司: 電子科技大學(xué)專(zhuān)利中心 51203
• 代理人: 陳一鑫

1.一種基于監(jiān)督學(xué)習(xí)的分布式MIMO雷達(dá)目標(biāo)定位性能計(jì)算方法，該方法包括：

步驟1：設(shè)分置天線MIMO雷達(dá)，具有M個(gè)單天線發(fā)射機(jī)和N個(gè)單天線接收機(jī)，且場(chǎng)景中存在一個(gè)位置未知的靜止目標(biāo)；在接收端，所有NM條收發(fā)路徑對(duì)應(yīng)的接收信號(hào)為：

v_nm＝[v_nm[1],v_nm[2],...,v_nm[K]]^T

＝ξ_nmu_nm+q_nm

u_nm＝[u_nm[1],...,u_nm[K]]^T

q_nm＝[q_nm[1],...,q_nm[K]]^T

在二維笛卡爾坐標(biāo)系中，第m個(gè)發(fā)射機(jī)的位置為(x_tm,y_tm)，其中m＝1,2,...,M，第n個(gè)接收機(jī)的位置為(x_rn,y_rn)，其中n＝1,2,...,N，假設(shè)靜止的目標(biāo)位置為ω＝[x,y]^T，是待估計(jì)的參數(shù)；假設(shè)發(fā)射機(jī)的發(fā)射信號(hào)之間是正交的，并且經(jīng)歷不同的時(shí)延后也大約是正交的；第m個(gè)發(fā)射機(jī)的發(fā)射信號(hào)s_m(t)在kT_s時(shí)刻的采樣值為其中k＝1,2,...,K表示采樣數(shù)字，T_s表示采樣時(shí)間間隔，E表示所有發(fā)射機(jī)總的發(fā)射信號(hào)能量，在這里假設(shè)每個(gè)發(fā)射機(jī)發(fā)射的信號(hào)能量是相同的，那么表示單個(gè)發(fā)射機(jī)的發(fā)射信號(hào)能量；假設(shè)發(fā)射信號(hào)的波形被歸一化為ξ_nm表示對(duì)應(yīng)第nm條收發(fā)路徑的復(fù)反射系數(shù)，在觀測(cè)區(qū)間內(nèi)是常數(shù)，并且是確定未知的；q_nm[k]表示對(duì)應(yīng)第nm條收發(fā)路徑在kT_s時(shí)刻的噪聲；τ_nm表示第nm條收發(fā)路徑對(duì)應(yīng)的時(shí)延，d_tm表示目標(biāo)和第m個(gè)發(fā)射機(jī)的距離，d_rn表示目標(biāo)和第n個(gè)接收機(jī)的距離，c表示光速；v_nm表示第nm條收發(fā)路徑對(duì)應(yīng)的接收信號(hào)，v_n表示第n個(gè)接收機(jī)接收到的信號(hào)；E{·}為取均值，表示對(duì)q_nm[k]取共軛，表示噪聲的方差，δ[·]為單位沖激函數(shù)；

步驟2：計(jì)算聯(lián)合估計(jì)時(shí)延τ_nm和反射系數(shù)ξ_nm的CRB；

假設(shè)τ_nm的極大似然估計(jì)值為定義所有未知參數(shù)向量為

ω_non,nm＝[τ_nm,ξ_Rnm,ξ_Inm]^T

其中ξ_Rnm和ξ_Inm分別表示ξ_nm的實(shí)部和虛部；根據(jù)公式

其中

Re{·}表示取實(shí)部，上標(biāo)H表示取共軛轉(zhuǎn)置，

計(jì)算ω_non,nm對(duì)應(yīng)的Fisher信息矩陣J(ω_non,nm)，那么J^-1(ω_non,nm)第一行第一列元素就是τ_nm的CRB，即

在理想情況下，漸進(jìn)服從均值為τ_nm，方差為的高斯分布，即

對(duì)于第n個(gè)接收機(jī)，時(shí)延估計(jì)向量的概率分布為

其中所有NM條收發(fā)路徑的時(shí)延估計(jì)向量的概率分布為τ_ML～N(τ,CRB_τ)

其中

步驟3：計(jì)算對(duì)x和y兩個(gè)維度坐標(biāo)進(jìn)行估計(jì)的平均MSE界ACRB；

步驟4：采用全連接神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并給出樣本集的先驗(yàn)統(tǒng)計(jì)特性；

神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層、L個(gè)隱藏層和一個(gè)輸出層；輸入層由Y₀個(gè)節(jié)點(diǎn)構(gòu)成，第l個(gè)隱藏層由Y_l個(gè)節(jié)點(diǎn)構(gòu)成，其中l(wèi)＝1,2,...,L，輸出層由Y_L+1個(gè)節(jié)點(diǎn)構(gòu)成；輸出層采用線性輸出，其它層采用ReLU作為非線性激活函數(shù)；

樣本集由訓(xùn)練樣本集和測(cè)試樣本集構(gòu)成；假設(shè)給定由Z個(gè)樣本構(gòu)成的訓(xùn)練樣本集為其中r_0,z和θ_z分別表示第z個(gè)樣本對(duì)應(yīng)的輸入和標(biāo)簽，z＝1,2,...,Z；假設(shè)對(duì)于第z個(gè)樣本的第y₀個(gè)輸入特征存在服從均值為零方差為高斯分布的噪聲或者誤差，且不同的輸入特征之間是相互獨(dú)立的；除此之外，假設(shè)各個(gè)樣本是相互獨(dú)立的，且從樣本集中獲取每個(gè)樣本的概率是相同的，即都是1/Z；同理得到測(cè)試樣本集其中Z_test表示測(cè)試樣本集的樣本數(shù)；

考慮利用全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)延到目標(biāo)位置的映射；為了實(shí)現(xiàn)映射關(guān)系，在構(gòu)建所需的訓(xùn)練樣本時(shí)，在目標(biāo)潛在的區(qū)域內(nèi)離散取Z個(gè)位置點(diǎn)，且目標(biāo)存在于每個(gè)位置點(diǎn)的概率都是一樣的，每個(gè)位置點(diǎn)對(duì)應(yīng)一個(gè)樣本；對(duì)于第z個(gè)樣本，標(biāo)簽為目標(biāo)位置ω^(z)＝[x^(z),y^(z)]^T，即θ_z＝ω^(z)；網(wǎng)絡(luò)輸入為所有NM條收發(fā)路徑的時(shí)延估計(jì)向量其概率分布已經(jīng)由步驟2計(jì)算得到，即r_true,z＝τ^(z)，將Z個(gè)樣本構(gòu)建成訓(xùn)練樣本集即考慮場(chǎng)景中存在一個(gè)靜止目標(biāo)，構(gòu)建測(cè)試樣本和ω^(test)分別表示待測(cè)試目標(biāo)對(duì)應(yīng)的時(shí)延估計(jì)值及真實(shí)位置，同理可得

步驟5：基于樣本集的先驗(yàn)統(tǒng)計(jì)特性進(jìn)行神經(jīng)網(wǎng)絡(luò)的前向傳播；

步驟6：基于樣本集的先驗(yàn)統(tǒng)計(jì)特性進(jìn)行神經(jīng)網(wǎng)絡(luò)的反向傳播；

步驟7：根據(jù)何愷明初始化策略初始化網(wǎng)絡(luò)權(quán)重參數(shù)和偏置參數(shù)，設(shè)置迭代更新次數(shù)為P；使用訓(xùn)練樣本集D_train，重復(fù)步驟5和步驟6，對(duì)網(wǎng)絡(luò)權(quán)重參數(shù)和偏置參數(shù)迭代更新P次；使用測(cè)試樣本集D_test，將迭代更新P次后的網(wǎng)絡(luò)參數(shù)代入步驟5，經(jīng)前向傳播得到網(wǎng)絡(luò)輸出的均值和方差計(jì)算公式

得到測(cè)試的性能指標(biāo)MSE_test；

步驟8：重復(fù)步驟7共計(jì)G次，根據(jù)公式；

得到對(duì)網(wǎng)絡(luò)權(quán)重參數(shù)和偏置參數(shù)初始化G次后的平均測(cè)試性能指標(biāo)MMSE_test，其中MSE_test,g表示第g次的測(cè)試性能指標(biāo)；MMSE_test就是采用全連接神經(jīng)網(wǎng)絡(luò)方法估計(jì)x和y兩個(gè)維度坐標(biāo)的平均MSE界。