[发明专利]一种用于双通道测向系统的深度学习数据集生成方法

说明书

本发明公开了一种用于双通道测向系统的深度学习数据集生成方法，其特征在于，其实现包括以下步骤：S1：对部署的测角系统预先标定出待采集数据样本所对应的位置，并用水准仪标注校正源所在各标定位置相对接收阵列的角度；S2:在预先标定位置逐一发射校正信号，利用双通道测角系统接收校正源信号在各标定位置处的数据；S3：对采集的实测数据进行数据处理，构造出各校正源角度位置处的数据样本；S4：在实测数据样本基础上，利用实际双通道阵列流型，借助数值仿真手段模拟通道误差场景、不同信噪比场景下的数据样本，生成数据集。

技术领域

本发明涉及航空无线电智能测角技术领域，具体涉及一种专门用于双通道测角系统的深度学习数据集生成方法。

背景技术

无线电测角技术主要用于测定无线电信号源的所在方位，是开展航空无线电导航、无线电干扰源排查等业务的重要技术手段。由于当前绝大多数的双通道测角系统选取了相关干涉仪测角技术，该测角技术通过利用不同角度上采集的标校信号构建角度指纹。所构造的角度指纹不仅包含了不同角度信号达到的固有相位差特征，还包括了天线方向图误差、接收机通道误差、阵元安装位置误差、以及射频连接线缆的长短误差等所有系统误差因素，因此，双通道测角技术解决方案除了具备测角精度高的特点外，还具有测角系统成本低、系统复杂度低、测角系统便于小型化设计、以及具有便携式外场部署等技术优势，因此，双通道测角系统已在机场终端区无线电干扰信号排查、频谱监测等领域广泛应用。当前市面上推出的双通道测角系统，大多借鉴了RS公司最先推出的双通道相关干涉仪测角技术方案，各种同类型双通道测角系统均是在此基础上研制开发的。然而，随着无线电用频数量逐步增多，用频波形灵活多样，实际测角环境比以往任何时候都更加复杂，采用传统的双通道测角解决方案已越来越难适应新的无线电用频环境。

近年来，以深度学习为基础的智能测角技术为复杂电磁环境下的测角任务提供了新的技术途径。通过利用深度神经网络强大的非线性学习能力，直接从训练数据集中学习到阵列输出和信号角度之间的非线性映射规律，较之于现有的双通道测角系统更好地提升了对复杂环境的适应能力。为此，有关学者利用深度神经网络如何实现无线电信号智能测角开展了大量研究工作，已开发出多种智能测角神经网络模型。具体上讲，2015年，新加坡南阳理工大学Xiong Xiao等人利用测角阵列通道接收信号间的广义互相关结果作为角度特征，然后通过浅层神经网络估计信号角度，获得了比传统测角方法更高的测角精度(X.Xiao,S.Zhao,X.Zhong,D.L.Jones,E.S.Chng,and H.Li,“A learning-based approachto direction of arrival estimation in noisy and reverberant environments,”inProc.IEEE Intl.Conf.on Acoustics,Speech and Signal Processing(ICASSP),April2015,pp.2814–2818.)；2016年，日本科学工业研究所Takeda等人通过对阵列协方差矩阵特征分解后的噪声子空间特征向量作为训练样本，采用多隐层深度神经网络进行无线电信号测角，进一步对之前Xiong Xiao等人的工作进行了技术改进(R.Takeda and K.Komatani,“Sound source localization based on deep neural networks with directionalactivate function exploiting phase information,”in Proc.IEEE Intl.Conf.onAcoustics,Speech and Signal Processing(ICASSP),March 2016,pp.405–409.)；2018年，新加坡国立大学Abeywickram等人利用自编码器神经网络实现了单通道条件下的小型无人机目标测角，进一步降低了测角系统通道间的相位同步和天线方向图保形要求(Abeywickrama S,Jayasinghe L,Fu H,et al.RF-based direction finding of UAVsusing DNN[C]//IEEE International Conference on Communication Systems(ICCS)2018.IEEE,2018.)；2018年，国防科技大学刘璋蒙等人也提出了提出一种利用自编码器和全连接网络相结合的深度测角神经网络模型，进一步提高了对阵列误差场景和未知测角场景的泛化能力(Z.Liu,C.Zhang,and P.S.Yu,“Direction-of-arrival estimation basedon deep neural networks with robustness to array imperfections,”IEEETransactions on Antennas and Propagation,2018,vol.66,no.12,pp.7315–7327.)；此外，国防科技大学吴刘丽等人在深度卷积神经网络基础上也提出了一种有效的深度测角神经网络模型(L.Wu,Z.Liu and Z.Huang,Deep Convolution Network for Direction ofArrival Estimation With Sparse Prior,in IEEE Signal Processing Letters,vol.26,no.11,pp.1688-1692,Nov.2019.)。然而，利用各种测角神经网络尽管可提升测角系统对复杂环境的自适应能力，但均需事先收集足够丰富的数据样本训练网络模型。如何生成数据样本质量高、数据分布一致性好、数据样本特征尽可能丰富多样的数据集，是实现智能测角神经网络能否用于复杂电磁环境下进行测角的关键所在。在实际测角场合中，很难事先获得大量丰富的实测数据样本，如果单纯地通过纯数值仿真模型生成数据集，尤其在训练样本和测试样本的数据分布特征存在较大差异时，必然存在仿真假设模型与实际复杂测角环境模型不一致的情况，这直接限制了智能测角网络的泛化能力和测角性能。