【技术实现步骤摘要】
本专利技术属于电磁信号处理，特别涉及一种无源定位中时频差提取方法。
技术介绍
1、在卫星通信技术中，无源定位因其成本低、系统复杂度低、开发周期短、抗干扰性强、隐蔽性高等优点，被广泛应用于干扰信号的源位置估计。在大多数情况下，无源定位可以分为两个步骤：估计定位参数和求解由定位参数和已知信息构建的非线性方程。显然，定位的准确性在很大程度上取决于第一步中定位参数的估计结果。过去，由于具有更好的估计性能，许多研究使用到达时间差(tdoa)和到达频率差(fdoa)作为定位参数。传统的时频差估计方法(互模糊函数法)一直面临着难以平衡估计精度和计算量的问题。
技术实现思路
1、本专利技术的目的是：针对现有技术的不足，提出一个卷积神经网络辅助下的快速、高精度时频差提方法。
2、本专利技术的技术方案是：一种基于卷积神经网络的时频差提取方法，它包括以下步骤：
3、a.接收机截获离散复信号。
4、b.将离散复信号转化为时频图。
5、c.将时频图输入两个相同结构的卷积神经网络，分别对时差和频差进行提取，得到粗估计结果；训练时在验证集上对训练出的模型进行验证，并通过验证集误差推算出粗估计误差统计特征。
6、d.由推算出粗估计结果及误差统计特征划定出用以细估的时差、频差搜索范围。
7、e.在时间维度和频率维度选择一个小步长，用二维网格搜索法在时差、频差搜索范围进行搜索，每个搜素点计算互模糊函数值，选择互模糊函数值最大的时频点作为细估计结果
8、f.细估计结果作为训练样本反馈至所述卷积神经网络，更新粗估计误差统计特征。
9、上述方案的基础上，进一步的，所述步骤b中，采用短时傅里叶变换绘制时频图。
10、上述方案的基础上，进一步的，所述步骤c中，输入卷积神经网络前，对训练集的原始数据和时差标签、频差标签进行归一化。
11、归一化的方法如下：
12、输入数据：
13、
14、其中：ri代表第i个接收机接收到的复信号，ri(n)代表信号第n个采样点对应的值，此处||代表复数的模，max()代表取最大值；
15、到达时间差：
16、
17、其中：j代表第j个训练集样本，s代表训练集样本数；代表第j个样本中第i个接收机和主星，即接收站1，之间的时差，此处||代表绝对值，max()代表取最大值；到达时间差的单位为秒；
18、到达频差：
19、
20、其中：j代表第j个训练集样本，s代表训练集样本数；fij1代表第j个样本中第i个接收机和主星，即接收站1，之间的频差，此处||代表绝对值，max()代表取最大值；到达频差的单位为赫兹。
21、上述方案的基础上，进一步的，所述步骤c中卷积神经网络的结构如下：
22、 层名 输出大小 卷积核大小 relu conv2d 3@224*224 3*3 yes conv2d 96@54*54 11*11，stride＝4,padding＝1 yes maxpool2d 96@26*26 3*3,padding＝2 no conv2d 256@26*26 5*5,padding＝2 yes maxpool2d 256@12*12 3*3,stride＝1 no conv2d 384@12*12 3*3,padding＝1 yes conv2d 384@12*12 3*3,padding＝1 yes conv2d 256@12*12 3*3,padding＝1 yes maxpool2d 256@5*5 3*3,stride＝2 no flatten 6400*1 none no linear 4096*1 none yes,dropout＝0.5 linear 1024*1 none yes,dropout＝0.5 linear 128*1 none yes linear 2*1 none no
23、上述方案的基础上，进一步的，所述步骤d中，时差、频差搜索范围为【粗估计结果-f(s，u)，粗估计结果+f(s，u)】，取值为2u或u+3s；其中：u为误差均值，s为误差标准差，f(s，u)为误差均值和标准差的函数。
本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的时频差提取方法，其特征在于，它包括以下步骤：
2.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤B中，采用短时傅里叶变换绘制时频图。
3.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤C中，输入卷积神经网络前，对训练集的原始数据和时差标签、频差标签进行归一化。
4.如权利要求3所述的一种基于卷积神经网络的时频差提取方法，其特征在于，归一化的方法如下：
5.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤C中卷积神经网络的结构如下：
6.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤D中，时差、频差搜索范围为【粗估计结果-f(s，u)，粗估计结果+f(s，u)】，取值为2u或u+3s；其中：u为误差均值，s为误差标准差，f(s，u)为误差均值和标准差的函数。
【技术特征摘要】
1.一种基于卷积神经网络的时频差提取方法，其特征在于，它包括以下步骤：
2.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤b中，采用短时傅里叶变换绘制时频图。
3.如权利要求1所述的一种基于卷积神经网络的时频差提取方法，其特征在于，步骤c中，输入卷积神经网络前，对训练集的原始数据和时差标签、频差标签进行归一化。
4.如权利要求3所述的一种基于卷积神经网络的时频差...
【专利技术属性】
技术研发人员：王敬超，杜瑜楷，邓博于，陈融冰，薛超，
申请(专利权)人：中国人民解放军军事科学院系统工程研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。