一种阵列误差下基于深度学习的超视距多目标直接定位方法

本发明涉及超视距定位，尤其涉及一种阵列误差下基于深度学习的超视距多目标直接定位方法。

背景技术：

1、无源定位在无人驾驶、雷达、声纳、物联网等多个领域得到了广泛的应用，其中基于超视距传播的短波目标定位在军事、民用领域有着重要用途。直接定位法(directposition determination, dpd)实现从信号到辐射源位置的直接估计，相比于两步定位法具有更高的鲁棒性以及在低信噪比下定位精度更高。dpd的基本思路最早可以追溯到wax和kailath在1985年提出的分散式处理方法，其正式框架则由以色列学者weiss于2004年正式提出，经典的直接定位方法主要包括子空间类等方法。

2、然而，现有dpd方法主要面临以下问题：dpd方法需要将目标区域进行离散划分再进行搜索，从而计算量较大，因此这些方法主要针对的问题是减少搜索难度从而减少计算量，却较少考虑实际中存在的阵列误差对定位精度的影响。

3、近年来，深度学习的引入为定位问题提供了新思路，相关数据驱动的方法大致分为三类：第一类为基于单种目标特征的方法，该方法通过从信号中提出特征作为网络输入进行目标位置估计；第二类为融合定位方法，融合多种数据进行定位，相比于单手段定位精度有较大的提升；第三类方法为基于位置谱图的方法，先利用网络生成对应的位置谱图，再基于该位置谱图进行目标位置估计。尽管如此，现有深度学习方法仍存在若干未解决的痛点：目前针对超视距传播场景的深度学习定位方法相对较少，而超视距范围广、环境复杂，使得常规方法难以直接迁移。具体而言，若基于分类网络进行定位，由于超视距传播的范围极大，则会造成类别数量很多从而输出维度很大。另外，如果直接输出目标位置，则输出维度会随目标数量改变而不固定，且训练过程中存在输出匹配难题。此外，在阵列误差条件下，大多数方法现有方法可挖掘的信息维度受限，造成了信息损失，定位精度受到影响。

技术实现思路

1、针对现有基于深度学习的目标定位方法不适合超视距传播场景，且在阵列误差条件，定位精度受限的问题，本发明提供一种阵列误差下基于深度学习的超视距多目标直接定位方法，通过充分利用信号原始数据生成高质量位置谱图，可以有效提高阵列误差条件下多目标定位性能。

2、本发明提供的一种阵列误差下基于深度学习的超视距多目标直接定位方法，包括：

3、利用接收阵列接收多个目标发射的信号，并结合接收阵列的非理想特性产生的阵列误差，构建超视距传播环境下的阵列输出信号模型；

4、对所述阵列输出信号模型所对应的阵列信号数据进行扩展，并将扩展后的阵列信号数据及其对应的真实位置谱图构成数据集，使用所述数据集对预设的生成对抗网络进行训练，使其具有生成满足预设质量要求的位置谱图的能力；

5、通过生成器和鉴别器的相互对抗学习得到高质量位置谱图；其中，生成器用于接收扩展后的阵列信号数据以生成的位置谱图；鉴别器用于接收生成的位置谱图和真实位置谱图以判断位置谱图的真假；

6、将接收阵列接收到的待定位信号输入至训练好的生成对抗网络中，生成位置谱图；

7、从生成的所述位置谱图中提取有效谱峰位置信息，根据有效谱峰位置信息解算得到目标位置估计结果。

8、进一步地，所述接收阵列为均匀圆阵。

9、进一步地，所述的利用接收阵列接收多个目标发射的信号，并结合接收阵列的非理想特性产生的阵列误差，构建超视距传播环境下的阵列输出信号模型，包括：

10、假设存在个接收阵列，每个接收阵列包含个阵元，个目标发射的信号，；其中，假设第个目标发射的信号到达第个接收阵列的方位角和仰角分别为和；

11、定义在不考虑阵列误差时，第个接收阵列的阵列输出信号模型为：

12、（1）

13、其中，为阵列输出，表示第个快拍第个接收阵列上所有阵元接收到的瞬时信号向量，；为阵列流形矩阵，为第个目标发射的信号到达第个接收阵列时对应的导向矢量；表示n个快拍内个目标发射的信号矩阵，表示第个快拍个目标发射的信号向量；为阵列加性噪声，表示第个快拍第个接收阵列上的加性噪声；

14、假设阵列误差包括幅度相位误差、互耦误差和阵元位置误差中的至少一种，三种误差分别表示为：

15、（2）

16、（3）

17、（4）

18、其中，表示第个接收阵列上的幅度相位误差，和分别表示第个接收阵列中第个阵元的幅度误差和相位误差；表示第个接收阵列上的互耦误差，表示托普利兹矩阵，表示互耦合误差幅度，表示向下取整操作，表示第个接收阵列中第个阵元的理论位置，表示第个接收阵列中第个阵元的位置误差，表示考虑阵元位置误差时，第个目标发射的信号到达第个接收阵列中第个阵元对应的导向因子估计值；

19、则在考虑阵列误差时，第个接收阵列的阵列输出信号模型为：

20、（5）

21、其中，为考虑阵元位置误差后的实际阵列流形矩阵，表示考虑阵列误差后的实际阵列输出。

22、进一步地，所述的对所述阵列输出信号模型所对应的阵列信号数据进行扩展，包括：

23、利用信号的非圆特性，将第个接收阵列的阵列信号数据扩展为：

24、（6）

25、其中，表示第个接收阵列对应的扩展后的阵列信号数据，表示的共轭矩阵。

26、进一步地，所述的使用所述数据集对预设的生成对抗网络进行训练，包括：

27、提取扩展后的阵列信号的实部与虚部并进行拼接，将拼接后数据输入至生成器，得到生成的位置谱图，将生成的位置谱图和真实位置谱图输入至鉴别器，判断位置谱图的真假；计算生成损失与判断损失并相应更新生成器和鉴别器的参数；迭代执行上述流程，直至满足停止条件，得到训练好的生成对抗网络。

28、进一步地，在所述生成对抗网络中，生成器包括依次连接的批归一化层、位置编码层、融合层、transformer编码器、均值池化层、特征映射模块和重塑层；其中，所述融合层用于将所述位置编码层的输出与所述批归一化层的输出进行逐元素相加；所述特征映射模块用于对所述均值池化层的输出进行全连接映射和非线性激活处理，以输出高层映射特征。

29、进一步地，所述特征映射模块包括依次连接的第一全连接层、第二全连接层、第三全连接层、第四全连接层和第五全连接层；其中，所述第二、第五全连接层配置有relu激活函数，所述第三、第四全连接层配置有relu激活函数和dropout正则化层，所述第五全连接层配置有relu激活函数。

30、进一步地，在所述生成对抗网络中，鉴别器包括依次连接的第一卷积块、最大池化层、第二卷积块、第三卷积块、第四卷积块、第五卷积块、自适应平均池化层和全连接层；其中，所述第一、第二、第三和第四卷积块包括依次连接的卷积层、批归一化层和relu激活函数；所述第五卷积块包括依次连接的卷积层和批归一化层。

31、本发明的有益效果为：

32、本发明提供了一种存在阵列误差下基于生成对抗网络(generative adversarialnetworks, gan)的超视距多目标端到端定位方法。其中，利用基于transformer的gan用来直接处理多个观测站的阵列信号以得到多目标的超分辨位置谱图；基于生成的谱图，利用持续性同源进行谱峰检测，从而在不需要已知目标数量的情况下也能实现定位。由于本发明方法直接利用了阵列原始输出信号，因此本发明所提出的方法能够有效抑制阵列误差对目标位置估计性能的影响，从而具有更高的定位精度。并且，本发明方法中，基于目标发送信号的非圆特性对信号维度进行扩展，使用扩展后数据作为网络输入，从而提供了关于目标位置的更多信息。