一种基于卷积神经网络的时频差提取方法

本发明属于电磁信号处理，特别涉及一种无源定位中时频差提取方法。

背景技术：

1、在卫星通信技术中，无源定位因其成本低、系统复杂度低、开发周期短、抗干扰性强、隐蔽性高等优点，被广泛应用于干扰信号的源位置估计。在大多数情况下，无源定位可以分为两个步骤：估计定位参数和求解由定位参数和已知信息构建的非线性方程。显然，定位的准确性在很大程度上取决于第一步中定位参数的估计结果。过去，由于具有更好的估计性能，许多研究使用到达时间差(tdoa)和到达频率差(fdoa)作为定位参数。传统的时频差估计方法(互模糊函数法)一直面临着难以平衡估计精度和计算量的问题。

技术实现思路

1、本发明的目的是：针对现有技术的不足，提出一个卷积神经网络辅助下的快速、高精度时频差提方法。

2、本发明的技术方案是：一种基于卷积神经网络的时频差提取方法，它包括以下步骤：

3、a.接收机截获离散复信号。

4、b.将离散复信号转化为时频图。

5、c.将时频图输入两个相同结构的卷积神经网络，分别对时差和频差进行提取，得到粗估计结果；训练时在验证集上对训练出的模型进行验证，并通过验证集误差推算出粗估计误差统计特征。

6、d.由推算出粗估计结果及误差统计特征划定出用以细估的时差、频差搜索范围。

7、e.在时间维度和频率维度选择一个小步长，用二维网格搜索法在时差、频差搜索范围进行搜索，每个搜素点计算互模糊函数值，选择互模糊函数值最大的时频点作为细估计结果。

8、f.细估计结果作为训练样本反馈至所述卷积神经网络，更新粗估计误差统计特征。

9、上述方案的基础上，进一步的，所述步骤b中，采用短时傅里叶变换绘制时频图。

10、上述方案的基础上，进一步的，所述步骤c中，输入卷积神经网络前，对训练集的原始数据和时差标签、频差标签进行归一化。

11、归一化的方法如下：

12、输入数据：

13、

14、其中：ri代表第i个接收机接收到的复信号，ri(n)代表信号第n个采样点对应的值，此处||代表复数的模，max()代表取最大值；

15、到达时间差：

16、

17、其中：j代表第j个训练集样本，s代表训练集样本数；代表第j个样本中第i个接收机和主星，即接收站1，之间的时差，此处||代表绝对值，max()代表取最大值；到达时间差的单位为秒；

18、到达频差：

19、

20、其中：j代表第j个训练集样本，s代表训练集样本数；fij1代表第j个样本中第i个接收机和主星，即接收站1，之间的频差，此处||代表绝对值，max()代表取最大值；到达频差的单位为赫兹。

21、上述方案的基础上，进一步的，所述步骤c中卷积神经网络的结构如下：

22、 层名 输出大小 卷积核大小 relu conv2d 3@224*224 3*3 yes conv2d 96@54*54 11*11，stride＝4,padding＝1 yes maxpool2d 96@26*26 3*3,padding＝2 no conv2d 256@26*26 5*5,padding＝2 yes maxpool2d 256@12*12 3*3,stride＝1 no conv2d 384@12*12 3*3,padding＝1 yes conv2d 384@12*12 3*3,padding＝1 yes conv2d 256@12*12 3*3,padding＝1 yes maxpool2d 256@5*5 3*3,stride＝2 no flatten 6400*1 none no linear 4096*1 none yes,dropout＝0.5 linear 1024*1 none yes,dropout＝0.5 linear 128*1 none yes linear 2*1 none no

23、上述方案的基础上，进一步的，所述步骤d中，时差、频差搜索范围为【粗估计结果-f(s，u)，粗估计结果+f(s，u)】，取值为2u或u+3s；其中：u为误差均值，s为误差标准差，f(s，u)为误差均值和标准差的函数。

24、有益效果：本发明在考虑到传统的时频差提取方法难以平衡计算量和估计准确度的问题，用卷积神经网络将时频差快速缩小到一个很小的范围(粗估计)，然后再在这个范围内用传统的互模糊函数进行小步长搜索，得到最终的估计结果(细估计)；该方法在计算量远小于传统方法的情况下，获得了几乎最好的估计结果。