基于數據驅動的高精度陣列測向方法

摘 要：針對現有測向系統多信號適應能力弱、測向精度低的問題，提出一種基于數據驅動的高精度陣列測向新方法。該方法提取單信號入射時的輸入特征向量，基于卷積神經網絡構建單信號測向網絡框架。利用信號的獨立性，將多信號測向問題轉化為單信號測向問題，在單信號訓練網絡的基礎上實現多信號來波方向估計。仿真實驗與理論分析結果表明，該方法有效減少了輸入特征維數和網絡訓練樣本數目，在多信號同時入射及陣列互耦效應條件下均獲得了高精度的到達方向（Ｄｉｒｅｃｔｉｏｎ ｏｆ Ａｒｒｉｖａｌ，ＤＯＡ）估計的測向結果。

關鍵詞：卷積神經網絡；數據驅動；陣列測向；互耦效應

中圖分類號：ＴＮ９１１． ７ 文獻標志碼：Ａ

文章編號：１００３－３１１４（２０２４）０５－１０１６－０８

０ 引言

陣列測向在雷達、電子偵察、水聲等領域都有著重大的應用需求。目前的陣列測向系統主要采用空間譜估計體制［１－６］和相位干涉儀測向體制［７－１１］兩種。空間譜估計體制可以實現同頻多信號情況下的方向估計，且精度較高，但需要進行譜峰搜索，計算量較大，工程應用上實時性效果不佳。相位干涉儀測向體制計算量小，可實時對單個輻射源測向，但不具備同頻多信號測向能力。上述兩種測向體制均建立在精準建模基礎之上，但在實際環境中，測向設備往往受到陣列互耦效應、多徑效應等非理想因素的影響，導致測向模型失配，測向精度無法達到性能指標。機器學習技術不依賴于預設模型，通過樣本數據學習建立模型，可表達信號接收數據與輻射源方向的映射關系，實現模型誤差條件下的高精度測向。通過數據驅動的陣列測向方法［１２－１８］有望解決傳統測向方法在模型誤差上面臨的瓶頸問題，從而有效提高測向系統在實際環境中的應用性能。