本發(fā)明涉及輻射源定位，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代電子對(duì)抗的復(fù)雜環(huán)境中，精確識(shí)別并定位目標(biāo)輻射源對(duì)于掌握電子對(duì)抗場(chǎng)景的主動(dòng)權(quán)至關(guān)重要。隨著電子偵察、電子干擾與反干擾技術(shù)的飛速發(fā)展，以及隱身技術(shù)和低可探測(cè)性設(shè)計(jì)的廣泛應(yīng)用，依賴目標(biāo)輻射源的電磁特性進(jìn)行被動(dòng)探測(cè)與定位的無源定位技術(shù)，已成為電子對(duì)抗研究重點(diǎn)。在無源定位技術(shù)中，基于方向角(doa,direction?ofarrival)的測(cè)量與極化參數(shù)的聯(lián)合估計(jì)，因其能提供目標(biāo)位置與信號(hào)特性的雙重信息，而備受關(guān)注。doa估計(jì)，作為無源定位的基礎(chǔ)，通過陣列天線接收到的信號(hào)相位差、時(shí)間差等信息，計(jì)算目標(biāo)輻射源的來波方向。而極化參數(shù)，作為電磁波的固有屬性，反映了電場(chǎng)矢量的運(yùn)動(dòng)軌跡和方向，其測(cè)量為區(qū)分不同輻射源、提高定位精度提供了額外維度。

2、傳統(tǒng)的doa估計(jì)方法，如波達(dá)方向估計(jì)(如music,esprit等)，在理想條件下能有效定位目標(biāo)，但在復(fù)雜電磁環(huán)境下，受多徑效應(yīng)、噪聲干擾等因素影響，定位精度和穩(wěn)定性面臨挑戰(zhàn)。極化參數(shù)的引入，為提升定位性能開辟了新途徑。通過測(cè)量信號(hào)的極化狀態(tài)，不僅可以輔助doa估計(jì)，減少由環(huán)境因素引起的誤差，還能在多個(gè)相似信號(hào)源存在時(shí)，依據(jù)極化特性的差異實(shí)現(xiàn)有效區(qū)分。然而，doa與極化參數(shù)的聯(lián)合估計(jì)，面臨著算法復(fù)雜度高、實(shí)時(shí)性差、以及極化測(cè)量精度受限等問題。早期的聯(lián)合估計(jì)算法，如極化esprit算法，基于信號(hào)子空間的旋轉(zhuǎn)不變性實(shí)現(xiàn)doa與極化參數(shù)聯(lián)合估計(jì)，但該方法對(duì)于陣列的結(jié)構(gòu)具有較高的要求。經(jīng)典的極化music算法，通過對(duì)空間域和極化域聯(lián)合譜函數(shù)進(jìn)行四維譜峰搜索，雖能實(shí)現(xiàn)doa與極化參數(shù)的高精度同步估計(jì)，但計(jì)算復(fù)雜度高，難以滿足實(shí)時(shí)性要求。一種利用陣列導(dǎo)向矢量kronecker積的變換特性的方法被提出，將多維譜峰搜索簡(jiǎn)化為一維搜索，大大降低了計(jì)算量，但該方法僅適用于極化敏感均勻線陣。隨著四元數(shù)模型研究的發(fā)展，q-music、基于雙四元數(shù)模型的music算法以及q-esprit算法將四元數(shù)模型與陣列參數(shù)估計(jì)算法相結(jié)合，這類算法雖然適當(dāng)降低了計(jì)算量，但也犧牲了部分極化參數(shù)估計(jì)精度。且上述算法在低信噪比、低快拍數(shù)的情況下，估計(jì)性能較差。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法及系統(tǒng)，解決現(xiàn)有輻射源定位識(shí)別受信噪比和快拍數(shù)影響較大的問題。

2、按照本發(fā)明所提供的設(shè)計(jì)方案，一方面，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，包含：

3、利用極化敏感面陣列獲取接收信號(hào)協(xié)方差矩陣的上三角陣及遠(yuǎn)場(chǎng)窄帶入射信號(hào)的空間角度信息，將上三角陣和空間角度信息作為訓(xùn)練樣本數(shù)據(jù)對(duì)并構(gòu)建訓(xùn)練數(shù)據(jù)集；

4、利用訓(xùn)練數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到目標(biāo)輻射源實(shí)時(shí)測(cè)向用的目標(biāo)模型；

5、獲取待估計(jì)入射信號(hào)協(xié)方差矩陣的上三角陣，并將待估計(jì)入射信號(hào)協(xié)方差矩陣的上三角陣輸入至目標(biāo)模型，利用目標(biāo)模型獲取與上三角陣對(duì)應(yīng)的待估計(jì)入射信號(hào)空間角度信息；

6、通過對(duì)待估計(jì)入射信號(hào)協(xié)方差矩陣特征分解獲取信號(hào)子空間和噪聲子空間，并構(gòu)建空間域和極化域聯(lián)合譜函數(shù)；

7、基于待估計(jì)入射信號(hào)空間角度信息對(duì)聯(lián)合譜函數(shù)中的極化參數(shù)進(jìn)行二維譜峰搜索，得到待估計(jì)入射信號(hào)對(duì)應(yīng)的極化參數(shù)，所述極化參數(shù)包括入射信號(hào)的極化輔角和極化相位角。

8、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，利用極化敏感面陣列獲取接收信號(hào)協(xié)方差矩陣的上三角陣及遠(yuǎn)場(chǎng)窄帶入射信號(hào)的空間角度信息，包含：

9、設(shè)置用于接收入射信號(hào)的極化敏感陣列，所述極化敏感陣列為m行n列陣元組成的均勻面陣，且陣元由雙正交偶極子對(duì)構(gòu)成；

10、利用遠(yuǎn)場(chǎng)窄帶信號(hào)入射至極化敏感陣列，獲取入射信號(hào)空間角度信息并獲取對(duì)應(yīng)的陣列接收信號(hào)，所述空間角度信息包括信號(hào)入射的俯仰角和方位角；

11、利用陣列接收信號(hào)計(jì)算接收信號(hào)協(xié)方差矩陣，以依據(jù)接收信號(hào)協(xié)方差矩陣獲取其對(duì)應(yīng)的上三角陣。

12、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，陣列接收信號(hào)表示為：其中，k為快拍數(shù)，θ和分別表示入射信號(hào)的俯仰角和方位角，γ，η分別表示入射信號(hào)的極化輔角和極化相位差，為極化域-空域聯(lián)合導(dǎo)向矢量，s(t)為入射信號(hào)，s(t)為入射信號(hào)矢量，n(t)為白噪聲矩陣。

13、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，將上三角陣和空間角度信息作為訓(xùn)練樣本數(shù)據(jù)對(duì)并構(gòu)建訓(xùn)練數(shù)據(jù)集，包含：

14、設(shè)置空間角度信息范圍及變化間隔；

15、基于變化間隔在空間角度信息范圍內(nèi)進(jìn)行遍歷，以生成與空間角度信息對(duì)應(yīng)的上三角陣；

16、利用空間角度信息和生成的上三角陣構(gòu)建訓(xùn)練數(shù)據(jù)集。

17、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，利用訓(xùn)練數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包含：

18、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括3個(gè)用于特征提取的卷積層、2個(gè)用于特征降維的池化層及2個(gè)用于特征空間映射分類的全連接層；

19、利用訓(xùn)練數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向傳播和反向誤差傳播的訓(xùn)練，并通過訓(xùn)練過程將陣列協(xié)方差矩陣與信號(hào)入射空間角度信息的關(guān)系轉(zhuǎn)換為函數(shù)映射。

20、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，協(xié)方差矩陣特征分解的過程，包含：

21、獲取協(xié)方差矩陣的特征值和對(duì)應(yīng)的特征向量；

22、將特征值按照由大到小的順序進(jìn)行排列，并利用第一個(gè)特征值對(duì)應(yīng)的特征向量組成信號(hào)子空間，利用余下特征值對(duì)應(yīng)的特征向量構(gòu)建噪聲子空間。

23、作為本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)方法，進(jìn)一步地，空間域和極化域聯(lián)合譜函數(shù)表示為：

24、其中，θ和分別表示入射信號(hào)的俯仰角和方位角，γ，η分別表示入射信號(hào)的極化輔角和極化相位差，為極化域-空域聯(lián)合導(dǎo)向矢量，h為矩陣共軛轉(zhuǎn)置符號(hào)，un為噪聲子空間。

25、再一方面，本發(fā)明還提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)輻射源doa和極化參數(shù)聯(lián)合估計(jì)系統(tǒng)，包含：樣本構(gòu)建模塊、模型訓(xùn)練模塊、模型預(yù)測(cè)模塊、特征分解模塊和聯(lián)合估計(jì)模塊，其中，

26、樣本構(gòu)建模塊，用于利用極化敏感面陣列獲取接收信號(hào)協(xié)方差矩陣的上三角陣及遠(yuǎn)場(chǎng)窄帶入射信號(hào)的空間角度信息，將上三角陣和空間角度信息作為訓(xùn)練樣本數(shù)據(jù)對(duì)并構(gòu)建訓(xùn)練數(shù)據(jù)集；

27、模型訓(xùn)練模塊，用于利用訓(xùn)練數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到目標(biāo)輻射源實(shí)時(shí)測(cè)向用的目標(biāo)模型；

28、模型預(yù)測(cè)模塊，用于獲取待估計(jì)入射信號(hào)協(xié)方差矩陣的上三角陣，并將待估計(jì)入射信號(hào)協(xié)方差矩陣的上三角陣輸入至目標(biāo)模型，利用目標(biāo)模型獲取與上三角陣對(duì)應(yīng)的待估計(jì)入射信號(hào)空間角度信息；

29、特征分解模塊，用于通過對(duì)待估計(jì)入射信號(hào)協(xié)方差矩陣特征分解獲取信號(hào)子空間和噪聲子空間，并構(gòu)建空間域和極化域聯(lián)合譜函數(shù)；

30、聯(lián)合估計(jì)模塊，用于基于待估計(jì)入射信號(hào)空間角度信息對(duì)聯(lián)合譜函數(shù)中的極化參數(shù)進(jìn)行二維譜峰搜索，得到待估計(jì)入射信號(hào)對(duì)應(yīng)的極化參數(shù)，所述極化參數(shù)包括入射信號(hào)的極化輔角和極化相位角。

31、本發(fā)明的有益效果：

32、本發(fā)明引入卷積神經(jīng)網(wǎng)絡(luò)模型，并利用數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，擬合一個(gè)從陣列輸出協(xié)方差矩陣到信號(hào)到達(dá)角度的函數(shù)映射，進(jìn)而在到達(dá)角度已知的情況下，對(duì)空間域-極化域聯(lián)合譜函數(shù)進(jìn)行極化參數(shù)譜峰搜索，減低算法復(fù)雜度，且卷積神經(jīng)網(wǎng)絡(luò)方法是數(shù)據(jù)驅(qū)動(dòng)的，受信噪比、快拍數(shù)影響較小，網(wǎng)絡(luò)模型的訓(xùn)練能夠保證良好的估計(jì)精度，提升目標(biāo)輻射源定位效果。