电离层虚高误差影响下基于神经网络的单站定位结果修正

针对电离层虚高观测误差使得超视距目标定位精度受到一定限制的问题,提出了一种电离层虚高误差影响下基于神经网络的单站定位误差校正方法。在存在电离层虚高误差的单站定位场景中,利用神经网络对多重信号分类(Multiple Signal Classification,MUSIC)算法的位置估计结果进行修正。仿真实验表明,在信噪比为0 dB的情况下,30 km的电离层虚高误差引起的定位误差能从111 km降到10 km以内。

基于神经网络的直接定位互耦与幅相差校正

在直接定位方法中,阵元通道不一致导致的幅相误差和实际工程中不可避免的阵元互耦效应,都会使得多重信号分类(MUSIC)定位算法性能大大降低。在短波单站定位的场景下,分别对这两种阵列误差造成的相位误差和幅度误差进行分析,证明相位特征对直接定位精度的重要性,进而建立一个增强阵列相位特征的神经网络,从而在利用协方差矩阵进行空间谱估计时,降低因畸变相位特征造成的定位误差。实验结果表明,提出的方法大大提高了阵列存在互耦和幅相差的情况下,MUSIC定位算法的精度。

一种基于酉变换的均匀线阵DOA估计方法

针对利用传统多信号分类算法(Multiple Signal Classification,MUSIC)求解信号来波方向时,运算复杂且在有限快拍的情况下接收信号的协方差矩阵并非厄米特矩阵的问题,提出了基于酉变换和前后项平均的DOA(Direction of Arrival,DOA)估计算法。利用前后项平均生成协方差矩阵在欧氏距离内最小的厄米特矩阵,对生成的厄米特矩阵进行酉变换,将复数域的运算转变为实数域运算。有效地降低了算法的复杂度,提高了分辨性能,仿真实验验证了该算法的有效性。