买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉滨湖电子有限责任公司;湖南红船科技有限公司申请的专利一种基于数据驱动的高精度阵列测向方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117991178B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311858141.2，技术领域涉及：G01S3/14；该发明授权一种基于数据驱动的高精度阵列测向方法及系统是由熊海亮;朱守中;王晓平;刘思睿;郑洁;刘文果;钟清廉;向坤钟设计研发完成，并于2023-12-29向国家知识产权局提交的专利申请。

本一种基于数据驱动的高精度阵列测向方法及系统在说明书摘要公布了：本发明电子对抗领域，特涉及一种基于数据驱动的高精度阵列测向方法及系统，本发明首先分析单信号入射均匀线阵条件下阵列输出协方差矩阵的特点，提取冗余度小的输入特征，结合卷积神经网络，构建智能化阵列测向框架；然后基于独立分量分析，将多信号测向问题转化为单信信号测向问题，利用单信号训练好的网络逐个估计各信号的来波方向。该方法减少了输入特征向量的维数和网络训练所需的样本数目，降低了测向模型训练的复杂度，同时有效继承了机器学习技术对模型误差自我适应的优势。

本发明授权一种基于数据驱动的高精度阵列测向方法及系统在权利要求书中公布了：1.一种基于数据驱动的高精度阵列测向方法，其特征在于，包括以下步骤： 步骤1：单信号智能化阵列测向网络，包括以下子步骤： 步骤1.1单信号输入特征提取 单信号入射情况下，阵列协方差矩阵矩阵R为： R＝E[xtxHt]＝aθaHθη+σ2IM2 式中：θ为信号的入射方向，η为入射信号的功率，σ2为噪声功率，IM为M×M的单位矩阵，H表示共轭转置，在均匀线阵条件下R的第pp,qq个元素为： pp，qq分别表示矩阵R的行数和列数值，R的第一列列向量定义为向量 式4中d代表天线阵列阵元的距离，取出向量中的实部和虚部，归一化处理后作为输入特征向量z： 式5中real表示向量z实部，imag表示向量z虚部； 步骤1.2基于卷积神经网络的阵列测向网络训练； 以输入特征向量z为输入，中间使用四个卷积网络层学习理解输入特征向量与DOA的映射关系进行阵列测向网络训练；首先将角度区域按照角度间距划分为若干个不相交的区域，每一个区域对应一个输出节点；然后，输出节点按照01编码，输出值为1的节点对应来波方向，其它节点输出值为0，根据区域划分的规则采集多组阵列数据，形成训练样本Dtrain＝{z1,β1,z2,β2,…,zD,βD}，zn表示采集数据的第n组输入样本特征向量，βn为采集数据的第n组目标输出向量，元素值对应输出节点01编码规则； 步骤2多信号智能化阵列测向网络 分离矩阵W初始值根据输入数据量大小按照高斯函数生成模式随机生成，使得： WA＝PΛ7 式中，P为置换矩阵，Λ为对角矩阵的信号；通过盲分离，得到阵列流型矩阵的估计A＝W-1PΛ；定义则的每一列的列向量包含一个独立入射信号的方向信息，假定列向量对应的方向为θk，则应具有如下特性： 其中ρ代表对角矩阵Λ中与列向量对应的对角元素；取出向的实部和虚部，并进行归一化处理得到向量hk： 逐个提取每个信号的输入特征向量hk，输入至已训练好的单信号网络，依次得到各信号的测向结果； 网络训练时，求解LΩ关于Ω的梯度再沿着梯度的反方向更新参数使得损失函数最小化； 步骤2中具体特征提取流程为：1对阵列接收数据xt白化，首先计算xt的协方差矩阵Rx，然后对Rx进行正交分解： Rx＝E[xtxtH]＝QΛQH12 式中：Λ为对角矩阵，Q为正交矩阵；通过下式对数据进行白化处理得到数据vt： vt＝Λ-12QHxt13 2假定wq分离矩阵W的第q个列向量，初始化向量wq，设初始值为wq0，求协方差矩阵Pvv＝E[vtvtH]，假设N为阵列快怕数，n＝1,2,...,N，令i＝1，yn＝wqi-1vn，利用下式更新向量wq： 3假定估计得到向量w1,w2,…,wq-1，则： 4如果则得到wq，反之，则令i←i+1，返回至步骤3； 5令q←q+1，如果q＜M，则返回至步骤2，直至估计所有的列向量，从而得到分离矩阵W； 6计算假定为第k个列向量，取的实部和虚部，并将其归一化处理后作为输入特征向量hk。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉滨湖电子有限责任公司;湖南红船科技有限公司，其通讯地址为：430070 湖北省武汉市东湖新技术开发区流芳路51号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。