基于决策树的无线电到达方位测量算法

中国电子科技集团公司第三十八研究所 洪兴勇

安徽新华学院电子通信工程学院 李文瑾

基于决策树的无线电到达方位测量算法

中国电子科技集团公司第三十八研究所 洪兴勇

安徽新华学院电子通信工程学院 李文瑾

在面临一个多变、复杂和密集的电磁信号环境中，能够快速和精确侦测无线电到达方位信息，将有利于精密定位攻击敌方武器装备或敌方干扰设备。本文将智能计算引入无线电方向估计中，通过智能学习方法达到来波方位预测的目的，智能测向学习器是训练样本通过利用学习算法建立学习模型，得出测向模型，然后应用测向模型对测试样本进行预测测试样本的方位。决策树构建速度快，因此将决策树作为分类器，实现对无线电到达来波方位估计和预测。

无线电；训练样本；决策树；方位估计

1 引言

进入新世纪以来，随着超大规模集成电路、信息网络、智能数据处理等高新技术的蓬勃发展及广泛应用，推动了全世界范围内的军事装备变革，特别是对探测和跟踪目标的精度提出了更高的要求。目前，当面临一个多变、复杂和密集的电磁信号环境时，无线电信号到达方向信息若被精确定位，可以实现对敌机进行精确打击和干扰[1]。影响无线电信号到达方位精度的有以下两个因素：（1）受到无线电体制、工作方式、工作模式、信号处理方法的影响；（2）受到大气传输效应、多径效应等电磁波在空间传输的影响。

随着智能信息处理技术的快速发展，智能计算的能力有了很大的提高，从而使通过海量学习获取非线性系统的能力成为可能，因此通过机器学习方法获取无线电信号到达方向测量的能力也成为可能。研究智能测向算法是将无线电信号到达方位测量问题转变成一个海量数据智能学习与识别问题，通过智能学习的方法，建立无线电信号到达方向测量的预测模型，实现对无线电信号的到达来波方位进行预测，实现无线电信号到达方向测量目的。本文提出一种基于决策树的无线电信号到达方位测算法。

2 无线电测向原理

无线电测向的目的是测量无线电波辐射源的方向，其实质是测量到达电磁波的波阵面的法线方向相对于参考方向（正北）之间的夹角。在实际使用的测向设备中，由于测向天线体系的天线元的间距不可能很大，因此，处在电波辐射场中的各天线阵元可以认为它们接收的电场强度的幅值是相等的，仅相位不同而已。所以，被测来波的方位信息就包含在天线所在点接收到的电场强度的相位中。这样，利用分布在电磁场中不同位置上的N元离散天线组成的天线体系或一定结构的天线体系进行测向时，天线体系上所产生的感应电动势的相位就与被测电台辐射的来波方向有关。按照从不同天线体系上所产生的感应电动势中提取目标电台方位信息的不同处理方法，亦即按提取来波到达方位信息方法的不同，可形成：被测来波方位是接收信号振幅的函数，以及该信号相位的函数，由此可产生比幅法与比相法两类基本的无线电测向方法[2]。

3 训练样本获取

对于将智能学习理论应用于方向估计的算法中，首先需要有效的训练样本。对于训练样本的选择，是使用在多种环境和多种方位的前提下，宽频段信号在接收天线阵列上的感应相位差。目前考虑的样本包括信号频率，信噪比，方向以及感应相位差。获得训练样本的方法如下：

3.1 实际测量

（1）首先将信号源放置在天线某个方向的远场，一般要求信号源与天线的距离需要超过信号十倍波长。

（2）然后将信号源置为所需频率和所需强度后发射，计算信号源在天线阵列的感应相位差，将频率、信噪比、方向以及相位差作为一个样本。

（3）修改信号强度，即调整信噪比，重复步骤2。当前频率在当前方向上的样本建立后，修改信号源频率，重复步骤2，3建立其他频率信号在当前方向上的样本。

（4）如果在指定一个方向上的所需频点以及信噪比测量结束后，将信号源置到下一个方向，重复步骤2，3。

在已有训练样本产生方法情况下，下一步需进一步研究的是在训练样本生成时，信号源频率间隔与阵列结构的关系，还有信噪比的变化步进设置问题以及方位间距设置问题等，还可以进一步研究地理条件对训练样本的影响。虽然实际测量获取的样本正确率较高，但因获取样本费时、费力等因素，论文中我们采用仿真实验的方法获取样本。本实验的数据都是以仿真数据为基础进行的。

3.2 仿真获取

如果不考虑信道对测向的影响，在只考虑信噪比影响的情况下，训练数据也可以通过仿真模型获取。通过构建仿真的多信道测向系统，天线阵列接收各种频率的信号，然后天线阵列所接收的信号通过五信道接收机接收。假设不考虑五信道接收机中信道对信号的影响，那么可通过仿真实验的方法来获取五信道接收机中各信道间的相位差。

表1 训练样本

表1中的样本反映了在不同频率、不同信噪比、不同来波角度情况下天线阵列上感应的相位差，这些相位差可以作为智能测向的样本。

4 基于决策树的测角仿真实验

用决策树全方位预测无线电的来波方位。把1°～360°分为360类，每一度作为一类，对表1数据作为样本进行训练得出下列的决策树。如图1所示：

图1 每1°作为一类的树结构

用3-折交叉确认法[3]（3-fold cross-validation）对决策树进行处理，把全方位分成360类，每1°作为一类，识别正确率如表2所示：

表2 每1°作为一类识别正确率

由表2可知： 决策树把全方位分成360类来识别来波方位时，误差小于等于1°或2°时，对来波方位识别的正确率较低；误差小于等于≤10°时，决策树对来波方位识别的正确率很高。决策树对无线电来波方位估计能够快速和精确侦测无线电到达方位信息，将有利于精密定位攻击敌方武器装备或敌方干扰设备。

5 结论

本文通过仿真实验获取智能信息学习的训练样本。基于决策树的学习算法的一个最大优点就是，它在学习过程中不需要使用者了解很多的背景知识。只要训练例子能够用属性和结论的方式表达出来，就能使用该算法来学习。决策树能够快速估计无线电来波方位信息，并且方位误差越大，估计方位信息的正确率越高。因此基于决策树的无线电信号到达方位估计算法能够满足宽频段、快速和高精度的智能测向系统。

[1]贺平,罗景青.雷达对抗原理[M].北京:国防工业出版社,2016.

[2]陈玲.无源测向测时差定位算法研究[J].电子与信息学报,2003,25(6).

[3]郭景峰,米浦波,刘国华.对一种新的决策树建立方法的研究[J].计算机科学,2002(29).

图3 芯片外观图

图4 H桥控制电路

图5 无线遥控发射电路图

图6 无线遥控接收电路图

3.5 无线遥控电路设计

本文采用无线遥控芯片TX-2B/RX-2B构成爬壁机器人的无线控制系统。其无线发射电路如图5所示，无线接收电路如图6所示，两电路必须配对使用。

本设计利用无线控制系统对爬壁机器人进行了实验，整机调试，爬壁机器人样机能完成自由爬壁并在垂直墙面上完成前进、后退、转向、制动等功能。

4 总结

本设计并实现了一种负压吸附型爬壁机器人，主要包括机器人本体结构设计、驱动系统设计、无线控制系统等几个部分。对系统中的主要部件进行了参数设计，并介绍了其主要性能。该系统元器件设计合理、选型准确。针对所设计的爬壁机器人运用无线遥控设计控制，实现爬壁机器人的无线模块控制。

参考文献

[1]彭晋民,李济泽,邵洁,李军.壁机器人吸附系统研究[M].中国机械工程,2012,9.

[2]吴善强,李满天,孙立宁.爬壁机器人负压吸附方式概述[J].林业机械与木工设备,2007,2.

许云倩，现就读于山东淄博实验中学2015级26班。

王营博，山东理工大学机械工程学院硕士研究生，从事仪器科学与技术方面的研究。