[发明专利]基于相干子空间深度学习的频域鲁棒性测向方法

说明书

本发明公开了基于相干子空间深度学习的频域鲁棒性测向方法，属于无线电测向技术领域，具体步骤包括：步骤一：构建基于相干子空间深度学习测向模型；步骤二：进行数字化采样，获得数字化采样信号；步骤三：进行频域变换与子带分解；步骤四：聚焦处理，不同子带的信号子空间变换到参考信号子空间；步骤五：卷积处理，卷积层采用局部连接的方式，通过卷积操作实现对数据的非线性特征映射；步骤六：池化处理，基于平移不变特性池化处理，将输入的特征映射划分为多个不重叠的区域；步骤七：相干子空间宽带测向，在学习训练的基础上，实现基于相干子空间深度学习的频域鲁棒性测向；增加了相干子空间聚焦预处理，实现宽带信号的智能化测向。

技术领域

本发明属于无线电测向技术领域，具体是基于相干子空间深度学习的频域鲁棒性测向方法。

背景技术

对辐射源目标的测向，是电子侦察设备利用接收到的目标信号，通过信号处理，估计目标信号的到达方向。对辐射源目标测向方法，主要有振幅法测向、相位法测向、空间谱估计测向等，这些方法都是传统的非智能化测向方法。

目前，智能化测向方法已经成为研究热点。专利“基于深度学习的任意阵列波达角估计方法”，提出了一种基于卷积神经网络(CNN)的阵列信号测向方法，该方法针对任意给定的多元阵列，通过提取各阵元采样数据的阵元间相位差等特征信息，在深度学习的基础上，实现对辐射源目标的快速高精度测向。

但上述CNN测向方法是针对固定工作频率设计的，然而通常无线测向系统需要适应较宽的频率范围(如几MHz～几十GHz)。面对宽频段测向需求，当频率范围较窄时，上述CNN测向方法需要针对该频率范围内的每一个载频建立单独的函数模型分别训练，极大增加了训练开销以及存储需求；当频率范围很宽时，函数模型数量和训练样本都显著增加，导致神经网络训练困难，甚至难以收敛。

为了解决频域宽带信号的智能化测向问题，本发明提出了一种基于相干子空间深度学习的频域鲁棒性测向方法。

发明内容

为了解决上述方案存在的问题，本发明提供了基于相干子空间深度学习的频域鲁棒性测向方法。将相干子空间方法的思想应用到宽带CNN测向，首先采用相干子空间聚焦预处理，将宽带信号子空间聚焦到参考信号子空间，再利用卷积神经网络窄带信号测向模型，实现与频率无关的宽带信号鲁棒性测向。

本发明的目的可以通过以下技术方案实现：

基于相干子空间深度学习的频域鲁棒性测向方法，具体步骤包括：

步骤一：构建基于相干子空间深度学习测向模型；

步骤二：进行数字化采样，获得数字化采样信号；

步骤三：进行频域变换与子带分解；

步骤四：聚焦处理，不同子带的信号子空间变换到参考信号子空间；

步骤五：卷积处理；

步骤六：池化处理，基于平移不变特性池化处理，将输入的特征映射划分为多个不重叠的区域；

步骤七：相干子空间宽带测向，在学习训练的基础上，实现基于相干子空间深度学习的频域鲁棒性测向。

进一步地，基于相干子空间深度学习测向模型分为相干子空间聚焦预处理和CNN测向处理。

进一步地，进行数字化采样为：对各阵元接收到的辐射源信号进行数字采样处理，获得数字化采样信号x(k)。

进一步地，进行频域变换与子带分解的方法为：

基于数字化采样信号x(k)，进行傅立叶变换，得到：

将宽带信号分解为多个窄子带，对于宽带内中心频率为ω_n的窄子带，有：