[发明专利]一种基于神经网络计算的多目标直接定位方法

权利要求书

1.一种基于神经网络计算的多目标直接定位方法，其特征在于，包括以下步骤：

步骤1：利用L个观测站中的阵列信号数据分别构造L个阵列输出协方差矩阵

步骤2：将L个阵列输出协方差矩阵汇聚在一起，并进行数据预处理得到实向量

步骤3：将感兴趣的目标区域划分成若干扇区，并在每个扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤4：将实向量输入到步骤3中训练的多层前馈神经网络中，以检测出每个扇区内的目标个数，当检测到某扇区内出现多个目标时，则将该扇区进一步划分成若干子扇区，并确保每个子扇区内最多仅包含一个目标，然后转至步骤5；当检测到每个扇区内最多只出现一个目标时，则转至步骤6；

步骤5：在每个子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络，然后将实向量输入到该多层前馈神经网络中，以检测每个子扇区内的目标个数，其检测结果仅包括{0,1}两种可能性；

步骤6：当检测到某个扇区或者子扇区内存在目标时，则在该扇区或者子扇区内选取若干离散位置点，然后利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练多层前馈神经网络；

步骤7：将实向量输入到步骤6中训练的多层前馈神经网络中，以对目标出现的扇区或者子扇区进行空域滤波，通过空域滤波将扇区或者子扇区以外的目标信号数据滤除，仅保留该扇区或者子扇区以内的目标信号数据，以便于后续对该扇区或者子扇区以内的目标进行定位；

步骤8：在目标出现的扇区或者子扇区内选取若干离散位置点，并利用选取的离散位置点构造学习数据样本，利用构造的学习数据样本训练径向基神经网络；

步骤9：将步骤7中进行空域滤波之后的数据向量输入到步骤8中所训练的径向基神经网络中，从而对扇区或者子扇区内的目标进行直接定位。

2.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤1包括：

步骤1.1：假设有L个静止观测站，并且每个观测站中安装天线阵列，用于对目标进行定位，现有D个待定位的窄带独立信号源到达该阵列，阵列输出信号模型可以表示为：

式中u_d表示第d个信号的位置向量；a_l(u_d)表示第d个信号到达第l个阵列所产生的阵列流形向量；A_l＝[a_l(u₁) a_l(u₂) … a_l(u_D)]表示第l个阵列所对应的流形矩阵；s_l(t)＝[s_l,1(t) s_l,2(t) … s_l,D(t)]^T表示信号复包络向量，其中s_l,d(t)表示第d个信号到达第l个阵列的复包络；ε_l(t)表示第l个阵列上的加性噪声；

步骤1.2：假设每个观测站所采集到的快拍数均为J，于是第l个观测站的阵列输出协方差矩阵的计算公式为：

其中，x_l(t_j)第l个静止观测站在第j个快拍时的输出信号；

步骤1.3：按照步骤1.1和步骤1.2的方式分别构造L个阵列输出协方差矩阵

3.根据权利要求1所述的一种基于神经网络计算的多目标直接定位方法，其特征在于，所述步骤2包括：

步骤2.1：将矩阵中的严格上三角元素提取出来形成向量再将矩阵中的对角元素提取出来形成向量

步骤2.2：将步骤2.1得出的向量和向量进行合并，以形成实向量

步骤2.3：将步骤2.2得出的L个实向量进行合并，以构造扩维向量

步骤2.4：对扩维向量进行归一化得到实向量