[发明专利]基于深度学习测向的鲁棒性设计方法

说明书

本发明公开了基于深度学习测向的鲁棒性设计方法，用于解决现有的相位干扰仪测存在鲁棒性较差的问题，包括鲁棒性模型设计：选用卷积神经网络，设计具有鲁棒性的深度学习测向模型；本发明对各通道的信号进行AD采样，将各通道的信号进行低噪声放大和下变频处理，然后对中频信号进行A/D采样，得到各通道的数字采样信号；提取各通道采样信号的特征数据，选用卷积神经网络，设计具有鲁棒性的深度学习测向模型，对通道的幅相误差具有自适应性，无需进行通道校正；对信号入射方向、信号带宽等参数具有自适应性，这些参数在一定范围变化时，测向精度恶化不超过5％。

技术领域

本发明涉及电子侦察领域，是一种对辐射源信号的测向方法具体为基于深 度学习测向的鲁棒性设计方法。

背景技术

对辐射源信号的测向，就是确定辐射源目标的方向，通常情况下，电子侦 察设备接收到辐射源信号，通过信号处理，从而估计辐射源信号的到达方向。

目前，对辐射源信号的测向方法主要有振幅法测向、相位法测向、空间谱 估计测向等。由于振幅法测向精度较低，空间谱估计测向运算量较大，很难满 足实时性处理要求，所以对于测向精度要求较高的工程应用中，这两种方法应 用相对较少，工程上应用较多的是相位法测向。

相位法测向是利用多阵元接收到的相位差信息进行测向，常用的相位法测 向主要有相位干扰仪测向，如典型的均匀圆阵干扰仪测向、多基线干扰仪测向 等。相位干扰仪测向的主要缺陷是鲁棒性较差，具体表现为：1、一种测向算法 只适应一种阵列结构，具体地说，对于圆阵或线阵等不同的阵列形式，求解算 法是不一样的，且阵列形式相同条件下，阵元个数不同，求解算法也不同；2、 测向误差跟通道的幅相一致性有关，多通道的幅相误差越大，测向误差越大， 因此通常需要进行繁琐的通道校正；3、测向误差跟信号入射方向有关，信号偏 离基线法线方向越大，测向误差越大；4、测向误差跟信号带宽有关，信号带宽增大会导致测向误差增大。

为了克服上述测向方法的缺陷，满足实际应用的需要，提出了一种基于深 度学习测向的鲁棒性设计方法，利用深度学习技术进行测向，通过鲁棒性设计， 该测向方法能适应任意给定的阵列结构，对通道的幅相误差、信号入射方向、 信号带宽等参数具有自适应性，从而能够实现鲁棒的高精度测向。

发明内容

本发明的目的就在于为了解决现有的相位干扰仪测存在鲁棒性较差的问 题，而提出基于深度学习测向的鲁棒性设计方法。

本发明的目的可以通过以下技术方案实现：基于深度学习测向的鲁棒性设 计方法，该方法包括以下步骤：

步骤一：数字采样：对各通道的信号进行AD采样后处理，得到数字采样信 号；

步骤二：特征提取：提取各通道采样信号的特征数据，特征数据包括频率 信息、各通道信号相对幅度和相位差信息；

步骤三：鲁棒性模型设计：选用卷积神经网络，设计具有鲁棒性的深度学 习测向模型，该模型对阵列结构、多通道的幅相误差、信号入射方向以及信号 带宽具有自适应性；

步骤四：建立训练数据集：对于任意给定的阵列结构，基于未经过校正的 多通道信号，建立训练样本集，用作深度学习的训练数据；

步骤五：鲁棒性学习训练：通过学习训练，得到鲁棒性测向模型的模型参 数；

步骤六：模型初始化，基于学习训练的结果，进行卷积神经网络参数初始 化；

步骤七：鲁棒性测向：利用鲁棒性的深度学习测向模型，基于侦察设备的 实际观测信号，实现对辐射源信号的测向；其中深度学习测向模型为：

设测向阵列由L个天线阵元组成，辐射源目标数量为p(p＜L)，辐射源满足 远场条件，辐射信号为窄带信号，信号入射方向为θ_i(i＝1,2,…,p)，则第k个阵元 接收到的总的信号表示为：