基于數(shù)據(jù)學習的無源定位實驗研究
發(fā)布時間:2021-12-10 07:56
首先簡要介紹了傳統(tǒng)的無源定位方法,針對在復雜電磁環(huán)境條件下傳統(tǒng)方法在參數(shù)測量中面臨的挑戰(zhàn),重點介紹了通過從數(shù)據(jù)中提取與位置信息相關(guān)的特征,然后完成位置信息的學習與訓練,最后通過模型匹配獲取位置信息的無源定位方法。設(shè)計試驗并通過對真實試驗數(shù)據(jù)的分析,驗證了基于數(shù)據(jù)學習完成無源定位的可行性,給出了實測數(shù)據(jù)的無源定位結(jié)果,驗證了所提方法的有效性。
【文章來源】:電子信息對抗技術(shù). 2020,35(05)
【文章頁數(shù)】:4 頁
【部分圖文】:
傳統(tǒng)無源定位方法示意圖
其中多節(jié)點數(shù)據(jù)采集過程是通過稀疏布置的節(jié)點完成電磁波的采集,所有采集數(shù)據(jù)匯總到處理中心;特征提取是此類方法的關(guān)鍵,本文對每個節(jié)點時域數(shù)據(jù)首先作FFT處理變換到頻域,聯(lián)合多節(jié)點頻域信息提取特征向量,一次采集測量提取一個多維度的特征向量,同一位置屬性可多次測量得到多個同一屬性的特征向量。利用同一位置屬性的所有特征向量作為輸入,將其輸入到分類器進行模型訓練。根據(jù)提取的特征向量的特點,本文采用支持向量機模型。支持向量機[8]是一個通用的兩類分類器,通過最大間隔超平面將空間中的兩類樣本數(shù)據(jù)分開。支持向量機的最優(yōu)分類面由核函數(shù)定義如下:
試驗選擇在室內(nèi)進行,房間長、寬大于10米,房間高大于3米,接收節(jié)點由8個天線單元組成,天線接收節(jié)點稀疏布置,天線位于以下位置(0 1 4 10 16 18 21 23)×0.375m,天線距離地面1.8m;天線節(jié)點的布置情況如圖3所示。圖3中實線圓圈為“數(shù)據(jù)學習”階段的訓練點,信源放置于該位置,系統(tǒng)完成數(shù)據(jù)采集,該數(shù)據(jù)用于特征提取與模型訓練。圖3中虛線圓圈為“匹配定位”階段的測試點,信源放置于該位置,系統(tǒng)完成數(shù)據(jù)采集,該數(shù)據(jù)用于特征提取與打分判決。為了考查一般性,訓練點與測試點在試驗設(shè)計時就間隔一定的距離,而不是同一個點位。
本文編號:3532199
【文章來源】:電子信息對抗技術(shù). 2020,35(05)
【文章頁數(shù)】:4 頁
【部分圖文】:
傳統(tǒng)無源定位方法示意圖
其中多節(jié)點數(shù)據(jù)采集過程是通過稀疏布置的節(jié)點完成電磁波的采集,所有采集數(shù)據(jù)匯總到處理中心;特征提取是此類方法的關(guān)鍵,本文對每個節(jié)點時域數(shù)據(jù)首先作FFT處理變換到頻域,聯(lián)合多節(jié)點頻域信息提取特征向量,一次采集測量提取一個多維度的特征向量,同一位置屬性可多次測量得到多個同一屬性的特征向量。利用同一位置屬性的所有特征向量作為輸入,將其輸入到分類器進行模型訓練。根據(jù)提取的特征向量的特點,本文采用支持向量機模型。支持向量機[8]是一個通用的兩類分類器,通過最大間隔超平面將空間中的兩類樣本數(shù)據(jù)分開。支持向量機的最優(yōu)分類面由核函數(shù)定義如下:
試驗選擇在室內(nèi)進行,房間長、寬大于10米,房間高大于3米,接收節(jié)點由8個天線單元組成,天線接收節(jié)點稀疏布置,天線位于以下位置(0 1 4 10 16 18 21 23)×0.375m,天線距離地面1.8m;天線節(jié)點的布置情況如圖3所示。圖3中實線圓圈為“數(shù)據(jù)學習”階段的訓練點,信源放置于該位置,系統(tǒng)完成數(shù)據(jù)采集,該數(shù)據(jù)用于特征提取與模型訓練。圖3中虛線圓圈為“匹配定位”階段的測試點,信源放置于該位置,系統(tǒng)完成數(shù)據(jù)采集,該數(shù)據(jù)用于特征提取與打分判決。為了考查一般性,訓練點與測試點在試驗設(shè)計時就間隔一定的距離,而不是同一個點位。
本文編號:3532199
本文鏈接:http://sikaile.net/kejilunwen/wltx/3532199.html
最近更新
教材專著