基于智能学习的宽频段无线电测向方法研究

来波信号方位估计一直是通信、雷达、声纳等领域研究的热点问题。由于测向环境、测向目标、天线阵列等因素的复杂性，造成现有宽频段测向算法在来波方向估计的准确性、时效性以及与实际环境匹配性等方面还有待提高。本项目综合利用现代信号处理和智能信息处理技术，研究一种新的宽频段测向方法，拟通过智能学习的方式获取天线阵列测向能力以达到测向的目的。研究内容包括智能测向算法的总体框架；在提取天线各阵元相关函数的相角特征基础上，联合波达方向矩阵等多种特征，获取鲁棒性强的方位特征信息；将多粒度分层测向模型与神经网络、支持向量机等分类算法相结合，通过优化网络参数和降维处理，完成宽频段来波方位估计模型的构建；针对存在的天线阵列耦合、多信道不一致、阵列误差等情况，通过用实际测试数据增量学习的方法完成模型修正。项目研究的方法能有效提高测向精度、时效性和环境适应性，并能满足非规则阵列测向要求，促进测向新方法的研究与发展。

本项目综合利用现代信号处理和智能信息处理技术，通过方位特征提取、DOA估计模型构建、稀疏表示和增量误差校正等方式实现了对宽频段DOA的精确估计，初步形成了智能测向的理论体系。创新性工作及取得的成果主要包括：. 1.在特征提取方面，提出了特征矢量相角特征，解决现有方向特征鲁棒性较差导致方向估计精度不高的问题；研究了时空DOA矩阵特征，实现对多源来波方向降维估计的目的；提出了空间锥角特征，解决二维角估计时存在俯仰角和方位角组合难题；研究了联合方向特征，解决多信号源二维方向智能估计问题。. 2.在DOA估计模型构建方面，利用神经网络、支持向量机等分类算法实现来波方向估计。在构建RBF神经网络模型时，解决了模型的隐层中心、隐层神经元数目以及权值的优选问题，提高了模型的泛化性；在构建SVM模型时，利用启发式遗传算法对最小二乘支持向量机的核参数进行优化，提高了模型的估计精度；在宽频段DOA估计模型构建方面，将多粒度分层测向模型与神经网络、支持向量机等分类算法相结合，降低了模型构建的复杂性。. 3. 在多来波估计模型构建方面，提出了多源降维分解模型，首先对构造的时空DOA矩阵进行分离，用单信号构建模型，然后利用该模型对分离出来的信号时空DOA特征进行预测，实现对多来波方向的估计。研究了基于稀疏表示的解决方法，利用稀疏表示在过完备字典下的非正交表示形式实现了多来波DOA高分辨的估计。. 4. 在解决因实际环境造成的测向误差方面，提出了智能的校正方案。对存在的单一阵列误差，研究了基于粒子群算法的解决方法；对存在的综合测向误差，提出了增量校正方法，首先利用理论数据建立理想模型，然后通过少量实测样本增量学习，完成对误差存在情况下理想模型的校正，提高了模型估计的精度。. 通过仿真和实测数据验证了项目研究的方法测向精度高、时效性好和环境适应性强，具有广阔的应用前景，促进了测向新方法的研究与发展。