【技术实现步骤摘要】
本专利技术属于无线电测向，具体涉及一种基于神经网络的测向方法、装置、设备及介质。
技术介绍
1、无线电测向是对某个频段的无线电辐射源进行被动方位测量的一种方法，按照频段划分可以分为长波、短波、超短波、微波等，按照电波传播路径可以分为水下、天波、地波测向等，按照天线阵列相对于电波波长的比例分为大基础、中基础、小基础测向，按照测向原理体制可以分为比幅侧向、多普勒测向、干涉仪测向、时差测向、空间谱估计测向等；按照天线是否转动分为手持测向仪、机械扫描测向机、全自动测向机等，原理基本都基于无线电波直线传播的特点，结合天线的方向图或者天线不同阵子接收到的信号的电特性差异（幅度差、多普勒频移、相位差、时间差）确定来波方向。无线电测向广泛应用于军民用领域，比如用一个或多个测向台站对无线电干扰源的排查、特定通信电台的测向定位、无线电导航等。
2、现有常用的测向机干涉仪体制测向机，一般使用圆形天线阵列（五阵子、九阵子等），即通过检测特定频率信号在不同天线阵子上的相位差进行定向。具体做法是将天线阵中的某一个阵子作为参考阵子，检测其余阵子与参考阵子信号的相位的差异，通过相位差最小二乘或者相关计算的方法进行测向。典型的相关干涉仪测向机有德国rs公司的ddfxxx系列产品等。其原理基于以下先验事实：理论上对于某个特定方向的特定频率的来波，每个天线阵子相对于参考阵子的相位差是可以预先计算出来的（a个天线阵子，有a-1对相位差），假设测向机分辨率（测向精度）为1°，那么可以预先存储360组理论相位差作为比较基准，在实际工作中，再将实测的相位差与上述
3、多普勒与时间差等其它体制测向原理与测向机干涉仪体制测向机类似，只不过将阵子间相位差检测改为频移检测、时间差检测等。
4、现有的测向方法至少存在以下缺陷：
5、1、传统的干涉仪、多普勒、时差测向无法使用先验电磁环境数据进行预训练和精调；
6、2、最小二乘等参数估计算法利用的先验信息少，易受干扰影响测向准确性；
7、3、计算过程较为费时复杂，稳定性差，反应速度慢；
8、4、相关法测向需要预先存储工作频段各频点的大量理论数据，随着对频率精度要求的提高，占用海量的存储空间；如频率精度到1khz，测向精度1°，那么3ghz频段内要求存储的相位差理论值数据就要达到约360*3*106*(a-1)对；
9、5、空间谱估计测向虽然可以同时对多目标进行测向，但是每一个阵子都需要配置一台信道接收机，不仅成本高昂代价巨大，算法复杂，而且互感耦合、阵列适配、阵列位置误差导致测向误差较大，一般用于短波测向。
技术实现思路
1、本专利技术的目的是提供一种基于神经网络的测向方法、装置、设备及介质，用以解决现有技术中存在的上述问题。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供了一种基于神经网络的测向方法，所述方法包括：
4、配置测向机的测向参数，所述测向参数包括：工作频段、频率分辨率、测向精度、天线阵子数和天线阵型；
5、基于工作频段、频率分辨率、测向精度、天线阵子数和天线阵型构建第一训练集；
6、将预设噪声加入到第一训练集，构建第二训练集；
7、基于测向参数对测向机进行靶场测试，采集测向机的靶场测试的实测数据，基于实测数据构建第三训练集；
8、采用第一训练集、第二训练集和第三训练集依次对神经网络模型进行三轮训练，在前二轮训练中，当神经网络模型的输出误差达到每轮设置的阈值后，执行下一轮的训练，在第三轮训练中，当神经网络模型的输出误差达到第三轮设置的阈值后，得到训练好的神经网络模型。
9、优选地，所述方法还包括：
10、获取测向机在真实环境下的采样数据；
11、将采样数据输入至训练好的神经网络模型中，输出多个估计值；
12、对多个估计值从大到小进行排序，得到估计值序列，从估计值序列中选出前l个估计值作为测向预测参考值，所述测向预测参考值用于表征对目标方位与测向质量的度量。
13、优选地，所述神经网络模型为bp神经网络模型，所述bp神经网络模型包括输入层、多层隐藏层和输出层；
14、所述输入层包括多个输入神经元，所述输入神经元的数量根据天线阵子数确定；
15、所述输出层包括多个输出神经元，所述输出神经元的数量根据测向精度确定；
16、所述隐藏层的层数为2层~5层，各层隐藏层的神经元的数量基于预设规则确定。
17、优选地，所述预设规则为：
18、第1层隐藏层的神经元的数量不大于输入层的输入神经元的数量的2倍；
19、第2层隐藏层的神经元的数量小于或等于第1层隐藏层的神经元的数量，且第2层隐藏层的神经元的数量与第1层隐藏层的神经元的数量的乘积达到预设数量范围，所述预设数量范围根据输入神经元的数量和输出神经元的数量确定；
20、第3层隐藏层的神经元数量~第5层隐藏层的神经元数量均相等或依次递减，且第3层隐藏层的神经元数量~第5层隐藏层的神经元数量的数量总乘积达到预设数量范围。
21、优选地，基于工作频段、频率分辨率、测向精度、天线阵子数和天线阵型构建第一训练集，包括：
22、从工作频段的最小工作频率到最大工作频率按取值步进依次取值，得到若干工作频率取值；所述取值步进根据频率分辨率确定；
23、设定每个工作频率取值下的多个理论来波方向，相邻两个理论来波方向的方位步进根据测向精度确定；
24、对于每个理论来波方向，基于天线阵子数和天线阵型计算每个天线阵子与参考阵子之间的各工作频率对应的理论相位差、多普勒频移或到达时间差；
25、对多个理论来波方向进行归一化处理，得到第一输出集；
26、对每个天线阵子与参考阵子之间的各工作频率取值对应的理论相位差、多普勒频移或到达时间差进行归一化处理，得到第一输入集；
27、根据第一输入集和第一输出集构建第一训练集。
28、优选地，所述预设噪声为高斯白噪声，将预设噪声加入到第一训练集，构建第二训练集，包括：
29、生成均值为零的高斯白噪声；
30、基于高斯白噪声和测向机的信噪比对第一输入集进行更新，得到第二输入集；
31、根据第二输入集和第一输出集构建第二训练集。
32、优选地，基于测向参数对测向机进行靶场测试，采集测向机的靶场测试的实测数据，基于实测数据构建第三训练集，包括：
33、在靶场布置目标信号源，控制目标信号源绕着测向机的中心以方位步进进行多次旋转，在目标信号源的每次旋转过程中，按照测向机的工作频段和频率分辨率进行靶场测试，采集测向机的靶场测试的实测数据；
34、对多次旋转后的测向机的靶场测试的实测数据进行本文档来自技高网...
【技术保护点】
1.一种基于神经网络的测向方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的测向方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的基于神经网络的测向方法，其特征在于，所述神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层、多层隐藏层和输出层；
4.根据权利要求3所述的基于神经网络的测向方法，其特征在于，所述预设规则为：
5.根据权利要求1所述的基于神经网络的测向方法，其特征在于，基于工作频段、频率分辨率、测向精度、天线阵子数和天线阵型构建第一训练集，包括：
6.根据权利要求5所述的基于神经网络的测向方法，其特征在于，所述预设噪声为高斯白噪声，将预设噪声加入到第一训练集，构建第二训练集，包括：
7.根据权利要求5所述的基于神经网络的测向方法，其特征在于，基于测向参数对测向机进行靶场测试，采集测向机的靶场测试的实测数据，基于实测数据构建第三训练集，包括：
8.一种基于神经网络的测向装置，所述装置用于实现权利要求1-7中任一项所述的基于神经网络的测向方法，其特
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的基于神经网络的测向方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述的基于神经网络的测向方法。
...【技术特征摘要】
1.一种基于神经网络的测向方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的测向方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的基于神经网络的测向方法，其特征在于，所述神经网络模型为bp神经网络模型，所述bp神经网络模型包括输入层、多层隐藏层和输出层；
4.根据权利要求3所述的基于神经网络的测向方法，其特征在于，所述预设规则为：
5.根据权利要求1所述的基于神经网络的测向方法，其特征在于，基于工作频段、频率分辨率、测向精度、天线阵子数和天线阵型构建第一训练集，包括：
6.根据权利要求5所述的基于神经网络的测向方法，其特征在于，所述预设噪声为高斯白噪声，将预设噪声加入到第一训练集，构建第二...
【专利技术属性】
技术研发人员：朱红伟，
申请(专利权)人：北京尚思数智技术有限公司，
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。