一种干涉仪测向方法、装置和系统
阅读：1发布：2020-09-14
专利汇可以提供一种干涉仪测向方法、装置和系统专利检索，专利查询，专利分析的服务。并且本 发明 公开一种干涉仪测向方法、装置和系统。本发明的方法包括：利用干涉仪接收 信号 ，获得所述接收信号的各基线 相位 差的测量数据；根据所述各基线 相位差 的测量数据与预先构建的第一 训练数据 集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；在第一估计结果符合预设条件时，将第一估计结果确定为接收信号的来波方向；在第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的 支持向量机 模型的输入，获得支持向量机模型输出的第二估计结果为接收信号的来波方向。本发明的技术方案能够有效提高测向性能。，下面是一种干涉仪测向方法、装置和系统专利的具体信息内容。
1.一种干涉仪测向方法，其特征在于，包括：
利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据；
根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；
在所述第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向；
在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向。
2.根据权利要求1所述的方法，其特征在于，所述来波方向估计模型为：
其中， 为所述第一估计结果， 为由各基线相位差的测量数据组成的相位差矩阵，为第一训练数据集对应的相位差矩阵，αlslabeli为用于表示来波方向的方位角参数。
3.根据权利要求1所述的方法，其特征在于，通过下述方法构建所述第一训练数据集：
在高信噪比条件下利用所述干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；
将每个来波方向已知的信号对应的各基线相位差的测量数据和表示来波方向的方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第一训练数据集。
4.根据权利要求1所述的方法，其特征在于，所述在所述第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向，包括：
在所述第一估计结果小于第一方位角阈值，或在所述第一估计结果大于第二方位角阈值时，将所述第一估计结果确定为所述接收信号的来波方向；其中所述第一方位角阈值小于所述第二方位角阈值。
5.根据权利要求1所述的方法，其特征在于，所述在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向，包括：
在所述第一估计结果不小于第一方位角阈值且不大于第二方位角阈值时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向；其中所述第一方位角阈值小于所述第二方位角阈值。
6.根据权利要求1所述的方法，其特征在于，通过下述方法训练所述支持向量机模型：
构建初始支持向量机模型；
获取作为所述初始支持向量机模型输入的第二训练数据集，所述第二训练数据集包括多个训练样本，每个训练样本均由相位差测量数据和表示来波方向的方位角构成；
利用所述第二训练数据集中的训练样本对所述初始支持向量机模型进行训练，获得训练好的支持向量机模型，所述支持向量机模型的模型参数包括相位差参数和方位角参数。
7.根据权利要求6所述的方法，其特征在于，所述获取作为所述初始支持向量机模型输入的第二训练数据集，包括：
在应用场景信噪比条件下利用所干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；
将每个来波方向已知的信号对应的各基线相位差的测量数据和方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第二训练数据集。
8.一种干涉仪测向装置，其特征在于，包括：
测量单元，利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据；
第一计算单元，根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；
第二计算单元，在所述第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向；在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向。
9.一种干涉仪测向系统，其特征在于，包括：
干涉仪，接收辐射源辐射的信号并发送给处理器；
存储器，存储计算机可执行指令；
处理器，所述计算机可执行指令在被执行时，使所述处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一个或多个计算机程序，所述一个或多个计算机程序被所述干涉仪测向系统的处理器执行时实现如权利要求1-7任一项所述的方法。
一种干涉仪测向方法、装置和系统
技术领域
[0001] 本发明涉及干涉仪测向技术领域，尤其涉及一种干涉仪测向方法、装置和系统。
背景技术
[0002] 干涉仪测向体制基于不同测向基线的相位差进行来波方向估计，是一种广为应用的测向体制。干涉仪测向系统的测向精度对各基线的相位差十分敏感，当干涉仪测向系统各天线单元方向图因设计或制造工艺原因不一致时，对于某来波方向各接收通道的信噪比不一致。为达到最优测向性能，往往需采用加权最小二乘法对各测向基线相位差数据进行处理，而权重参数需从各测向基线相位差的协方差矩阵中提取。
[0003] 工程应用中，干涉仪测向系统各天线单元间还可能存在互耦，互耦效应对各接收通道信号的幅度与相位造成很大的影响，极大地影响了干涉仪测向系统的性能。为此，通常需对互耦效应进行建模并基于大量的标校数据估计互耦矩阵并对干涉仪测向模型进行补偿。一种常用的降低互耦影响的方法是外场直接标校法，即在大信噪比的情况下，给定已知来波方向，直接记录各基线的相位差测量值并和标校方向一起予以保存，在测向应用中，再按最小二乘准则将各相位差实测值与外场标校时的保存值进行匹配，对应的标校方向即为来波方向的估计结果。
[0004] 外场直接标价法原理简单、操作简便，已得到广泛的工程应用。由于存在互耦的影响，即使存在各天线单元增益不同的情况，外场直接标校法也往往采用等加权的最小二乘法，尚未充分考虑天线单元之间的不一致性对测向精度的影响，未能发挥测向系统的最大效能。
发明内容
[0005] 本发明提供了一种干涉仪测向方法、装置和系统，以至少部分解决上述问题。
[0006] 第一方面，本发明提供了一种干涉仪测向方法，包括：利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据；根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；在第一估计结果符合预设条件时，将第一估计结果确定为接收信号的来波方向；在第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得支持向量机模型输出的第二估计结果为接收信号的来波方向。
[0007] 在一些实施例中，所述来波方向估计模型为：其中， 为第一估计结果， 为由各基线相位差的测量数据组成的相位差矩阵， 为第一训练数据集对应的相位差矩阵，αlslabeli为用于表示来波方向的方位角参数。
[0008] 在一些实施例中，通过下述方法构建所述第一训练数据集：在高信噪比条件下利用所述干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；将每个来波方向已知的信号对应的各基线相位差的测量数据和表示来波方向的方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第一训练数据集。
[0009] 在一些实施例中，在第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向，包括：在所述第一估计结果小于第一方位角阈值，或在所述第一估计结果大于第二方位角阈值时，将所述第一估计结果确定为所述接收信号的来波方向；其中所述第一方位角阈值小于所述第二方位角阈值。
[0010] 在一些实施例中，在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向，包括：在所述第一估计结果不小于第一方位角阈值且不大于第二方位角阈值时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向；其中所述第一方位角阈值小于所述第二方位角阈值。
[0011] 在一些实施例中，通过下述方法训练所述支持向量机模型：构建初始支持向量机模型；获取作为所述初始支持向量机模型输入的第二训练数据集，所述第二训练数据集包括多个训练样本，每个训练样本均由相位差测量数据和表示来波方向的方位角构成；利用所述第二训练数据集中的训练样本对所述初始支持向量机模型进行训练，获得训练好的支持向量机模型，所述支持向量机模型的模型参数包括相位差参数和方位角参数。
[0012] 在一些实施例中，获取作为所述初始支持向量机模型输入的第二训练数据集，包括：在应用场景信噪比条件下利用所干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；将每个来波方向已知的信号对应的各基线相位差的测量数据和方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第二训练数据集。
[0013] 第二方面，本发明提供了一种干涉仪测向装置，包括：测量单元，利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据；第一计算单元，根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；第二计算单元，在所述第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向；在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向。
[0014] 第三方面，本发明提供了一种干涉仪测向系统，包括：干涉仪，接收辐射源辐射的信号并发送给处理器；存储器，存储计算机可执行指令；处理器，所述计算机可执行指令在被执行时，使所述处理器执行干涉仪测向方法。
[0015] 第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有一个或多个计算机程序，所述一个或多个计算机程序被干涉仪测向系统的处理器执行时实现干涉仪测向方法。
[0016] 本发明采用机器学习方法与最小二乘法的混合测向方法实现干涉仪测向，充分利用机器学习方法在天线单元存在互耦或单元方向图不一致的复杂场景下的建模能力，将最小二乘法的测向方法所得的来波方向估计结果作为粗估计结果，将该粗估计结果与机器学习方法对应的有效范围进行对比，当该粗估计结果位于机器学习方法对应的有效范围内时，利用机器学习方法进行来波方向估计，提升测向性能。附图说明
[0017] 图1为本发明实施例示出的干涉仪测向方法的流程图；
[0018] 图2为本发明实施例示出的测试样本来波方向粗估计结果示意图；
[0019] 图3为本发明实施例示出的测试样本来波方向最终估计结果示意图；
[0020] 图4为本发明实施例示出的三种测向方法对应的估计误差对比示意图；
[0021] 图5为本发明实施例示出的干涉仪测向装置的结构框图；
[0022] 图6为本发明实施例示出的干涉仪测向系统的结构框图。
具体实施方式
[0023] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0024] 以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0025] 在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0026] 在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0027] 附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
[0028] 因此，本发明的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本发明的技术可以采取存储有指令的机器可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本发明的上下文中，机器可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，机器可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。机器可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
[0029] 本发明提供一种干涉仪测向方法。
[0030] 图1为本发明实施例示出的干涉仪测向方法的流程图，如图1所示，本实施例的方法包括：
[0031] S110，利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据。
[0032] S120，根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果。
[0033] S130，在所述来波方向估计符合预设条件时，将所述来波方向第一估计结果确定为所述接收信号的来波方向。
[0034] S140，在所述来波方向第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持回归模型的输入，获得所述支持回归模型输出的第二估计结果为所述接收信号的来波方向。
[0035] 本实施例采用机器学习方法与最小二乘法的混合测向方法实现干涉仪测向，充分利用机器学习方法在天线单元存在互耦或单元方向图不一致的复杂场景下的建模能力，将最小二乘法的测向方法所得的来波方向估计结果作为粗估计结果，将该粗估计结果与机器学习方法对应的有效范围进行对比，当该粗估计结果位于机器学习方法对应的有效范围内时，利用机器学习方法进行来波方向估计，提升测向精度。
[0036] 为便于说明上述步骤S110-S140，首先说明最小二乘法与机器学习法所需要的训练数据集的构建。
[0037] 假设干涉仪的各基线为L1,...,LN，其中N为干涉仪的天线单元数量，对于用于训练来波方向估计模型的第一训练数据集和用于训练支持向量机模型的第二训练数据集而言，其训练数据均为已知来波方向及对应的各基线相位差的集合。
[0038] 即第二训练集为：
[0039]
[0040] 在公式(1)中，n为第二训练集中训练样本数量， 为第二训练集中相位差矩阵，αlabel为已知来波方向矢量， 为第i个训练样本的相位差矢量，T为转置运算符， 为第i个训练样本中第k个中天线单元
与第j个中天线单元所构成的基线的相位差测量数据，αlabeli为第i个训练样本中表示来波方向的方位角。
与第j个中天线单元所构成的基线的相位差测量数据，αlabeli为第i个训练样本中表示来波方向的方位角。
[0041] 类似地，第一训练数据集为：
[0042]
[0043] 在公式(2)中，m为第一训练集中训练样本数量， 为第一训练集中相位差矩阵，αlslabel为已知来波方向矢量， 为第i个训练样本的相位差矢量， 为第i个训练样本中第k个中天线单元与第j个中天
线单元所构成的基线的相位差测量数据，αlslabeli为第i个训练样本中表示来波方向的方位角。
线单元所构成的基线的相位差测量数据，αlslabeli为第i个训练样本中表示来波方向的方位角。
[0044] 可以理解的是：通常支持向量机模型与来波方向估计模型的训练数据不是一次试验采集得到，支持向量机模型的训练数据获取应在与应用场景相当信噪比的条件下开展；而来波方向估计模型的训练数据应尽可能在高信噪比条件下获取。支持向量机模型的训练数据集中，对于某给定来波方向，通常需要获取数次样本(一般为10个以上)；对于来波方向估计模型，高信噪比条件下对于某来波方向仅需采集一次相位差数据。
[0045] 在一些实施例中，已知来波方向αlabel、αlslabel应尽可能覆盖应用场景中可能的来波方向范围，即：
[0046]
[0047] 在公式(3)中，αl、αu分别为可能来波方向的上下限，一般有：
[0048]
[0049] 即训练样本中第一已知来波方向与第二已知来波方向若来波方向相同，则两者对应的方位角相等，若来波方向不相同，则相差一个固定的步进Δαt，其取值通常应小于应用场景中的测向精度要求(如1°)。其中，第一已知来波方向与第二已知来波方向为相邻来波。
[0050] 在构建训练数据集之后，本发明实施例结合图2-4，对上述步骤S110-S140进行详细说明。
[0051] 首先，执行步骤S110，即利用干涉仪接收信号，获得接收信号的各基线相位差的测量数据。
[0052] 本实施例中的干涉仪可以为单基线干涉仪也可以为多基线干涉仪。
[0053] 在获得接收信号的各基线相位差的测量数据之后，继续执行步骤S120，即根据各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得接收信号的来波方向第一估计结果。
[0054] 在一些实施例中，通过下述方法构建所述第一训练数据集：首先在高信噪比条件下利用干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；然后将每个来波方向已知的信号对应的各基线相位差的测量数据和表示来波方向的方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第一训练数据集，即
[0055] 在一些实施例中，来波方向估计模型为：
[0056]
[0057] 在公式(5)中， 为来波方向第一估计结果， 为由各基线相位差的测量数据组成的相位差矩阵， 为第一训练数据集中第i个训练样本对应的相位差矩阵，αlslabeli为用于表示来波方向的方位角参数。
[0058] 在获得接收信号的各基线相位差的测量数据时，将接收信号的各基线相位差的测量数据代入到公式(5)中的 中，利用等加权最小二乘法求解公式(5)，即可得到最小二乘法对应的来波方向第一估计结果。
[0059] 在获得来波方向第一估计结果之后，继续执行步骤S130或步骤S140，即在第一估计结果符合预设条件时，将第一估计结果确定为所述接收信号的来波方向；在第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持回归模型的输入，获得所述支持回归模型输出的第二估计结果为所述接收信号的来波方向。
[0060] 在一些实施例中，通过下述方法训练支持向量机模型：
[0061] 首先初始支持向量机模型；
[0062] 给定数据集 支持向量回归问题即寻找一个M维空间至一维空间的映射函数f:RM→R，使其对于变量xi较好地拟合目标值yi。
[0063] 一个示例中，初始支持向量机模型可以表示为：
[0064]
[0065] 公式(6)满足条件 参数C控制经验风险项 相对于惩罚项 的权重，ξi、ξi*分别为非负中间变量，变量xi对应为
接收信号的各基线相位差的测量数据，拟合目标值yi对应为接收信号的方位角，w为法向量，b为截距参数，ε为不敏感变量，φ(·)为将xi映射至更易进行回归处理的空间的核函数，常用的核函数有线性函数、多项式函数、径向基函数、sigmod函数等。
接收信号的各基线相位差的测量数据，拟合目标值yi对应为接收信号的方位角，w为法向量，b为截距参数，ε为不敏感变量，φ(·)为将xi映射至更易进行回归处理的空间的核函数，常用的核函数有线性函数、多项式函数、径向基函数、sigmod函数等。
[0066] 然后获取作为初始支持向量机模型输入的第二训练数据集，即 第二训练数据集包括多个训练样本，每个训练样本均由相位差测量数据和表示来波方向的方位角构成；
[0067] 最后利用所述第二训练数据集中的训练样本对所述初始支持向量机模型进行训练，获得训练好的支持向量机模型，所述支持向量机模型的模型参数包括相位差参数和方位角参数。
[0068] 基于第二训练数据集 解公式(6)，即利用第二训练数据集 训练公式(6)，训练好的支持向量机模型为：
[0069] K(xi,x)+b (7)
[0070] 在公式(7)中，K为基于训练数据xi和输入数据x的线性或非线性函数。
[0072] 在一些实施例中，通过下述方法获取第二训练数据集：首先在应用场景信噪比条件下利用所干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；然后将每个来波方向已知的信号对应的各基线相位差的测量数据和方位角构建为一个训练样本，获得多个训练样本，多个训练样本构成所述第二训练数据集。
[0073] 在一些实施例中，在第一估计结果小于第一方位角阈值或在第一估计结果大于第二方位角阈值时，将第一估计结果确定为接收信号的来波方向；在第一估计结果不小于第一方位角阈值且不大于第二方位角阈值时，将所述各基线相位差的测量数据作为预先训练好的支持回归模型的输入，获得所述支持回归模型输出的第二估计结果为所述接收信号的来波方向；其中第一方位角阈值小于第二方位角阈值，第一方位角阈值与第二方位角阈值即为支持向量机模型的有效范围参数。
[0074] 一个示例中，假设第一方位角阈值为η1，第二方位角阈值为η2，其中η1,η2即为支持向量机模型的有效范围参数，可以根据大量历史样本估计η1,η2；当然，也可以根据具体的应用场景，根据采集的数据判断支持向量机模型表现较优的区间，将该表现较优的区间值作为η1，η2。在获得η1，η2之后，即可根据下述公式(8)估计接收信号的方位角：
[0075]
[0076] 在公式(8)中， 为接收信号的来波方向。
[0077] 为详细说明本实施例单基线干涉仪测向方法的有益效果，本发明通过下述实施例进行说明。
[0078] 以一五元均匀圆阵为例，该五元均匀圆阵的各天线单元大小有所不同，圆阵半径波长比0.4，考虑一典型互耦矩阵为：
[0079]
[0080] 根据天线设计情况，某给定信噪比条件下的相位差测量误差分别为：25°，5°，5°，10°，15°。在该信噪比条件下对于10°～350°来波方向，以步进为1°、每个来波方向采集10组样本构建第二训练集，即支持向量机模型训练集n＝3410。
[0081] 对于来波方向估计模型，在高信噪比(相位差测量误差可忽略)条件下对于10°～350°来波方向，以步进为1°、每个来波方向采集1组样本，即构建第一训练集m＝341。
[0082] 采用广泛应用的支持向量机libsvm，基于 及sigmod核函数开展支持向量机模型训练。对于支持向量机模型，采用sigmod核函数有：
[0083]
[0084] 其中，r0与γ均为sigmod核函数的实参数。为确定模型参数的合理性，采用4组交叉交验方法，经多次训练，确定参数C＝1000，γ＝2，交叉交验相关系数0.97921。
[0085] 同等信噪比条件下，又产生了3410组测试样本，同样对于10°～350°来波方向，以步进为1°、每个来波方向采集10组样本。图2给出了各组测试样本的来波方向粗估结果，其中首尾样本估计误差较大，是由于出现的测向模糊。
[0086] 根据图2中的粗估结果，图3给出了基于本实施例的测向方法(即混合测向方法)的最终测向结果，图4比较了各测试样本基于来波方向估计模型方法、基于支持向量机模型方法及基于本实施例的测向方法所得测向结果的误差。对于全部测试样本，基于来波方向估计模型方法的测向结果误差标准差为8.7262°，基于支持向量机模型的测向结果误差标准差为14.6085°，基于本实施例的测向方法的测向结果误差标准差为6.0248°。
[0087] 可见，本实施例的测向方法充分利用了支持向量机模型在部分区间测向精度较高，而来波方向估计模型方法在360°左右区域测向精度较高的特点，取得了全局较理想的测向性能。
[0088] 本发明实施例还提供了一种干涉仪测向装置。
[0089] 图5为本发明实施例示出的干涉仪测向装置的结构框图，如图5所示，本实施例的装置包括：
[0090] 测量单元，利用干涉仪接收信号，获得所述接收信号的各基线相位差的测量数据；
[0091] 第一计算单元，根据所述各基线相位差的测量数据与预先构建的第一训练数据集，利用最小二乘法求解预先建立的来波方向估计模型，获得所述接收信号的来波方向第一估计结果；
[0092] 第二计算单元，在所述第一估计结果符合预设条件时，将所述第一估计结果确定为所述接收信号的来波方向；在所述第一估计结果不符合预设条件时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向。
[0093] 在一些实施例中，图5所述的装置还包括预处理单元，在高信噪比条件下利用所述干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；将每个来波方向已知的信号对应的各基线相位差的测量数据和表示来波方向的方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第一训练数据集。
[0094] 结合本实施例，预处理单元，还构建初始支持向量机模型；获取作为所述初始支持向量机模型输入的第二训练数据集，所述第二训练数据集包括多个训练样本，每个训练样本均由相位差测量数据和表示来波方向的方位角构成；利用所述第二训练数据集中的训练样本对所述初始支持向量机模型进行训练，获得训练好的支持向量机模型，所述支持向量机模型的模型参数包括相位差参数和方位角参数。
[0095] 以及，预处理单元，在应用场景信噪比条件下利用所干涉仪分别测量多个来波方向已知的信号，分别获取每个来波方向已知的信号对应的各基线相位差的测量数据；将每个来波方向已知的信号对应的各基线相位差的测量数据和方位角构建为一个训练样本，获得多个训练样本，所述多个训练样本构成所述第二训练数据集。
[0096] 在一些实施例中，第二计算单元，在第一估计结果小于第一方位角阈值或在第一估计结果大于第二方位角阈值时，将第一估计结果确定为所述接收信号的来波方向；在第一估计结果不小于第一方位角阈值且不大于第二方位角阈值时，将所述各基线相位差的测量数据作为预先训练好的支持向量机模型的输入，获得所述支持向量机模型输出的第二估计结果为所述接收信号的来波方向；其中所述第一方位角阈值小于所述第二方位角阈值。
[0097] 对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0098] 本发明实施例还提供了一种干涉仪测向系统。
[0099] 图6为本发明实施例示出的干涉仪测向系统的结构示意图，如图6所示，在硬件层面，该测向系统包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器等。当然，该测向系统还可能包括其他业务所需要的硬件，如干涉仪，接收辐射源辐射的信号并发送给处理器。
[0100] 处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0101] 存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机可执行指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
[0102] 处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成干涉仪测向装置。处理器，执行存储器所存放的程序实现如上文描述的干涉仪测向方法。
[0103] 上述如本说明书图5所示实施例揭示的干涉仪测向装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上文描述的干涉仪测向方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成图1所示的干涉仪测向方法步骤。
[0104] 本发明还提供了一种计算机可读存储介质。
[0105] 该计算机可读存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被干涉仪测向系统的处理器执行时，能够实现图1所示的干涉仪测向方法。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于单频信噪比归一化的GPS/BDS多路径实时抑制方法 | 2020-05-08 | 161 |
| 一种快速响应的高精度光散射浊度计测量装置 | 2020-05-08 | 250 |
| 一种新型防射频干扰的微机电系统麦克风 | 2020-05-08 | 551 |
| 一种基于可调狭缝的波长可调谐掺铒光纤锁模激光振荡器 | 2020-05-08 | 884 |
| 一种基于干扰感知多图的V2V通信异质频谱分配方法 | 2020-05-08 | 574 |
| 一种基于FPGA的实时三维重建系统及其方法 | 2020-05-08 | 838 |
| 多频段虚拟的扩展阵列系统 | 2020-05-11 | 889 |
| 一种结合神经网络实现2ASK信号及AM信号调制识别的方法 | 2020-05-08 | 907 |
| 一种针对智能多天线波束赋形实现单载波均衡的方法 | 2020-05-08 | 690 |
| 一种窃听环境下轮流中继网络的安全传输方法 | 2020-05-08 | 435 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈