基于数据学习的无源定位实验研究

发布时间：2021-12-10 07:56

　　首先简要介绍了传统的无源定位方法,针对在复杂电磁环境条件下传统方法在参数测量中面临的挑战,重点介绍了通过从数据中提取与位置信息相关的特征,然后完成位置信息的学习与训练,最后通过模型匹配获取位置信息的无源定位方法。设计试验并通过对真实试验数据的分析,验证了基于数据学习完成无源定位的可行性,给出了实测数据的无源定位结果,验证了所提方法的有效性。 

【文章来源】：电子信息对抗技术. 2020,35(05)

【文章页数】：4 页

【部分图文】：

传统无源定位方法示意图

其中多节点数据采集过程是通过稀疏布置的节点完成电磁波的采集,所有采集数据汇总到处理中心;特征提取是此类方法的关键,本文对每个节点时域数据首先作FFT处理变换到频域,联合多节点频域信息提取特征向量,一次采集测量提取一个多维度的特征向量,同一位置属性可多次测量得到多个同一属性的特征向量。利用同一位置属性的所有特征向量作为输入,将其输入到分类器进行模型训练。根据提取的特征向量的特点,本文采用支持向量机模型。支持向量机[8]是一个通用的两类分类器,通过最大间隔超平面将空间中的两类样本数据分开。支持向量机的最优分类面由核函数定义如下:

试验选择在室内进行,房间长、宽大于10米,房间高大于3米,接收节点由8个天线单元组成,天线接收节点稀疏布置,天线位于以下位置(0 1 4 10 16 18 21 23)×0.375m,天线距离地面1.8m;天线节点的布置情况如图3所示。图3中实线圆圈为“数据学习”阶段的训练点,信源放置于该位置,系统完成数据采集,该数据用于特征提取与模型训练。图3中虚线圆圈为“匹配定位”阶段的测试点,信源放置于该位置,系统完成数据采集,该数据用于特征提取与打分判决。为了考查一般性,训练点与测试点在试验设计时就间隔一定的距离,而不是同一个点位。


本文编号：3532199