欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020109032501
申请人: 淮安昆博信息科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于深度学习的二维角度依赖误差下的一维线阵测向方法,其特征在于:该方法具体包括以下步骤:步骤1、将M元一维线阵阵列放置于暗室中的伺服平台上,在阵列的远场固定一辐射源,采集二维校准数据;设置系统参数使阵列输出基带信号的信噪比为动态范围内的最大值;

在阵列的方位视场角内设置方位网格点集合Ω={θ1,θ2,...,θL},俯仰视场角内设置俯仰网格点集合 其中L为方位网格点数,I为俯仰网格点数;转动伺服平台,使雷达俯仰角为 方位角在网格点集合Ω进行扫描,在每个网格点记录各角度对应的M维阵列输出基带信号 其中θ∈Ω,i=1,2,...,I;

步骤2、对每个暗室测量得到的基带信号 用蒙特卡罗法添加零均值高斯白噪声;对进行Q次蒙特卡罗实验,第q次蒙特卡罗实验得到信号 为方差为 的零均值高斯白噪声, 表示对应第l个方位网格点,第i个俯仰网格点数据要添加的噪声的方差;噪声功率大小为使 的信噪比在实际应用中取得目标信噪比动态范围内的最小值; 信噪比计算公式为其中,SNR的单位为dB, 表示 的2范数;

步骤3、计算阵列导向矢量;对每个俯仰角暗室已测量的方位网格点直接计算阵列导向矢量,对每个俯仰角上暗室未测量到的方位角度网格点进行局部阵列流型插值处理,为细化后的方位网格点对应的角度;

①若 即为方位角在网格点情形,导向矢量计算公式为:

其中 为 的第一个元素;

②若 即为方位角离网格点情形,假设 则导向矢量计算公式为:其中 为与阵列构型和方位角相关但与俯仰角无关的理想解析导向矢量,Ti为局部阵列流型插值矩阵;

Ti的最小二乘估计值 的计算方法为:设 为包含θl和θl+1的连续M′个方位角度网格点组成的方位子网格集合,若θl和θl+1不在网格集合边缘,Ω′有M′‑1种取法;对每种取法,都用最小二乘法计算出一个插值矩阵,计算公式为:+ +

其中(·) 表示矩阵伪逆, 和A (Ω′)为方位子网格点集合Ω′上分别由测量数据计算得到的导向矢量和理想导向矢量为列组成的阵列流型矩阵;因此,设每两个连续暗室测量方位网格点之间通过插值细化出了P个网格,由于每个细化网格计算出了(M′‑1)个导向矢量,则每两个网格之间共插值出P(M′‑1)个导向矢量;考虑到步骤2的蒙特卡罗加噪处理及网格集合的边缘效应,由暗室测量网格和插值细化网格计算出的阵列导向矢量个数为(L+(L‑M′+1)(M′‑1)P)IQ;

步骤4、对每个阵列导向矢量提取对应的复数模式下的相位差,并构造深度学习训练集的特征;复数模式下的相位差提取方法如下:H

①计算协方差矩阵 (·)表示对向量进行共轭转置操作;

②提取R中对角线以下但不包含对角线的所有元素构成N维列向量β′,N=M(M‑1)/2;

③复数模式下的相位差计算公式为β=β′./abs(β′),其中./表示点除,即按元素相除以,abs(·)表示取绝对值;

T T T

将相位差实数化以后作为深度学习训练集特征γ,γ=[Re (β);Im (β)] ,其中ReT(·)、Im(·)和(·) 和分别表示取实部、取虚部及转置;

步骤5、深度学习网络训练;将深度学习训练集特征γ作为输入特征,来波方位角θ作为输出,用反向传播算法来训练回归模式下的深度学习神经网络f(γ),深度学习神经网络f(γ)为全连接神经网络,输入层的神经元个数为2N,隐藏层层数J≥3,输出层神经元个数为

1,训练神经网络的代价函数选择最小化网络输出值的均方误差,同时设置基于网络权重的

2范数的正则化项用于防止过拟合,得到训练好的深度学习网络

步骤6、利用训练好的深度学习网络 进行测向;假设阵列输出的测试用基带信号为z,将z作为导向矢量,并根据步骤4计算得到复数模式下的相位差向量βz,将其实数化为γz后输入训练好的深度学习网络 得到对应测试用基带信号z的来波方位角度θz。

2.如权利要求1所述基于深度学习的二维角度依赖误差下的一维线阵测向方法,其特征在于:步骤5中,所述深度学习网络的隐藏层层数为5,2范数正则项系数为0.0001。