神經(jīng)網(wǎng)絡(luò)提升低成本軟件定義的無線電無人機探測平臺定位準確率研究

夏鴻 何泉 蒲磊 曾超 羅正華

摘 要：展示了用于比幅法測向的自研低成本軟件定義無線電（software defined radio，SDR）系統(tǒng)，同時針對比幅法測向精度較低的問題，探討了用來提升測向精度的神經(jīng)網(wǎng)絡(luò)，并重點驗證了神經(jīng)網(wǎng)絡(luò)對自研系統(tǒng)接收信號的測向精度的提升程度.實驗驗證表明，對于自研系統(tǒng)接收信號在神經(jīng)網(wǎng)絡(luò)優(yōu)化后的測向精度相較于直接通過比輻法解算接收信號的測向精度普遍有提高，其中性能最好的優(yōu)化算法測向精度提高了近10%.因此，低成本硬件平臺與神經(jīng)網(wǎng)絡(luò)形成了低成本且高精度的測向定位解決方案.

關(guān)鍵詞：比幅法；神經(jīng)網(wǎng)絡(luò)；低成本解決方案

中圖分類號：TP183;V279

文獻標志碼：A

文章編號：1004－5422（2023）03－0262－07DOI：10.3969/j.issn.1004-5422.2023.03.007

0 引 言

近年來，無人機產(chǎn)業(yè)發(fā)展迅速，在眾多領(lǐng)域都取得很好的應(yīng)用效果［1］.同時，由于其成本低廉且易于獲取的特性，機場、大型體育場館及大型人員密集場所等需要嚴控非合作型無人機的侵擾.目前，不少高校、科研院所和企業(yè)都在努力解決非合作型無人機的防控問題.如果按照非合作型目標的運動特點來分類，無人機屬于典型的“（飛行高度）低、（飛行速度）慢、（體積）小”類目標，所以要想防控該類目標，首先需要對其進行快速發(fā)現(xiàn)與精準測向定位，然而對于非合作型“低、慢、小”目標，快速發(fā)現(xiàn)和精準測向定位卻是公認的難題［2］.

無源信號探測技術(shù)主要通過對探測目標無線控制信號及其回傳信號（如無人機圖傳信號）進行被動探測和接收，由于不主動發(fā)射電磁信號，只是靠被動接收信號進行處理分析，因而直接使用該技術(shù)存在測向精度較差的問題.但是，采用該類技術(shù)的設(shè)備電磁輻射小，無頻譜干擾，對工作環(huán)境要求不高，體積通常較小且易于干擾壓制設(shè)備聯(lián)動.因此，如何發(fā)揮該類技術(shù)的優(yōu)勢并通過其他技術(shù)創(chuàng)新規(guī)避其缺點就特別具有探討的迫切性和價值.

目前，無源測向系統(tǒng)主要是基于地面的固定多站無源測向定位系統(tǒng)，其主要研究和應(yīng)用多集中在空間軌道飛行器對目標的測向定位，比如由中國電子科技集團公司先后研制的 DWL002 無源探測雷達系統(tǒng)和 YLC-20 雙站無源測向定位系統(tǒng)［3］.而基于無人機的測向定位研究相對較少，且主要集中在近幾年，例如，國防科技大學(xué)通過相關(guān)干涉儀對遙控及數(shù)傳信號進行測向，并對其測向定位算法進行分析［4］.另外，東南大學(xué)相關(guān)團隊對無人機信號的特征估計進行了探討，并對到達時間差（time difference of arrival，TDOA）估算算法進行了改進［5］.在國外，也有很多國家開展了“低、慢、小”目標測向定位技術(shù)研究［6］.另一方面，隨著人工智能技術(shù)特別是神經(jīng)網(wǎng)絡(luò)算法在各個領(lǐng)域的成功應(yīng)用，國內(nèi)外陸續(xù)有研究者和團隊嘗試使用人工智能的相關(guān)算法來解決測向定位問題.中南大學(xué)團隊使用卷積神經(jīng)網(wǎng)絡(luò)識別地下礦井中微地震事件的源位置［7］.上海海事大學(xué)的研究者利用隨機森林結(jié)合深度學(xué)習(xí)模型，并在結(jié)合天線陣列信息的基礎(chǔ)上實現(xiàn)對運輸設(shè)備及特殊貨物的定位［8］.巴西坎皮納斯大學(xué)團隊?wèi)?yīng)用支持向量機的方式對多天線信號波到達角進行預(yù)測分析［9］.韓國九州大學(xué)的研究者在TDOA定位中使用了機器學(xué)習(xí)，采用深度神經(jīng)網(wǎng)絡(luò)減小TDOA中的定位誤差［10］.日本琉球大學(xué)團隊采用基于決策樹的改進算法來解決移動目標定位問題［11］.由此可見，使用人工智能技術(shù)來解決測向定位問題或提高測向定位問題解決方案的精度是一種發(fā)展趨勢.

本研究主要介紹自研的低成本可重構(gòu)無人機測向定位技術(shù)硬件平臺.該平臺包括定向天線（4天線陣）、多通道接收機、數(shù)據(jù)處理平臺及角度解算軟件等主要軟硬件模塊，可接收無人機圖傳信號進行比幅法目標測向.為了克服無源探測技術(shù)精度較低的不足，本研究還創(chuàng)新性地提出深度神經(jīng)網(wǎng)絡(luò)模塊，利用神經(jīng)網(wǎng)絡(luò)技術(shù)較強的數(shù)據(jù)擬合能力進行測向精度的提升，獲得較好實際效果.

1 基本原理

1.1 自研無人機探測平臺

由于著眼于低成本硬件的解決方案，本平臺采用支持SDR的零中頻（Zero-IF）接收機，相較于超外差接收機具有體積小且成本低的優(yōu)勢.該接收機的主要參數(shù)如增益、相位及工作頻段等皆支持重配置，且數(shù)字信號處理算法可重編程.整個硬件平臺不論是與其他設(shè)備的集成還是升級，都較靈活［12］.

1.2 比幅法

比幅法（amplitude comparison approach，ACA）用多個獨立且波束主瓣比鄰的天線覆蓋 360° 的方位，對相同入射信號來說，總有1對相鄰波束分別輸出最強和次強信號，通過比較這對相鄰波束輸出信號包絡(luò)幅度的相對大小來確定信號的方位［4］.如下假設(shè)：天線方向滿足圖1所示的振幅方向?qū)ΨQ性.

當(dāng)雷達方向位于任意2個天線之間且偏離天 線等信號方向的夾角為θ時，若天線方向圖采用高斯函數(shù)分布：

1.3 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)屬于運算模型，由大量節(jié)點（稱為神經(jīng)元）相互連接構(gòu)成.每個節(jié)點代表1個激活函數(shù)，表達函數(shù)為H（X）.每2個節(jié)點間的連接都代表1個對該連接信號進行的加權(quán)，稱為權(quán)重， 表達為W或ω.網(wǎng)絡(luò)的輸出則取決于網(wǎng)絡(luò)的結(jié)構(gòu)、連接方式、權(quán)重和激活函數(shù)，而網(wǎng)絡(luò)自身通常都是對自然界某種算法或函數(shù)的逼近.

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）指的是由大量神經(jīng)元相互連接而形成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu).它按照一定規(guī)則將許多神經(jīng)元聯(lián)系在一起，并行處理外界輸入的信息.ANN由前向神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)組成，其中，前向神經(jīng)網(wǎng)絡(luò)負責(zé)輸出的形成和損失函數(shù)的計算，反饋神經(jīng)網(wǎng)絡(luò)則依據(jù)選擇的優(yōu)化方法和激活函數(shù)反向傳導(dǎo)計算誤差，并根據(jù)誤差來調(diào)整每個連接的權(quán)重.

神經(jīng)網(wǎng)絡(luò)的架構(gòu)是由多個神經(jīng)元構(gòu)成層級結(jié)構(gòu).其中，每層都是前面那層的函數(shù)，每層的主體都是線性模型，并由激活函數(shù)對線性模型進行非線性映射.架構(gòu)通過矩陣乘法將特征映射到輸出，實現(xiàn)識別和回歸.

第1層結(jié)構(gòu)如下所示：

式中，y（1）表示第1層的輸出矩陣，x表示第1層的輸入矩陣， W（1）T、b1表示第1層的權(quán)重信息矩陣與偏置矩陣，h（1）表示第1層的激活函數(shù).與此相同，其余n層滿足以下結(jié)構(gòu)：

式（7）的y（n-1）表示上層網(wǎng)絡(luò)的輸出.該模型具備易于訓(xùn)練的特點，并且在使用線性模型時，可用許多損失函數(shù)把問題導(dǎo)出為凸優(yōu)化問題.網(wǎng)絡(luò)加了非線性隱藏層的前饋網(wǎng)絡(luò)，對于解決非線性問題提供了支撐.由于每個激活函數(shù)都可以將局部（每個神經(jīng)元自身）的線性模型進行非線性映射，在通過多級級聯(lián)后，整個神經(jīng)網(wǎng)絡(luò)模型就會獲得強大的非線性表示能力，從而可以表達輸入與輸出之間的非線性關(guān)系.

1.4 自研平臺與比幅法及神經(jīng)網(wǎng)絡(luò)結(jié)合的原理

由式（5）可知，比幅法中角度與信號幅度（或信號幅度之比）之間的對應(yīng)關(guān)系是非線性的.接收信號強度的誤差會因為該非線性對應(yīng)關(guān)系而被放大，造成解算出的角度誤差較大.因此，比幅法的解算精度對接收平臺的硬件性能要求極高.另一方面，比幅法又因為原理簡單常被用于低成本解決方案，使得使用這些方案的測向結(jié)果誤差較大.神經(jīng)網(wǎng)絡(luò)具有豐富的非線性表達能力，如式（6）與式（7）所示.單個神經(jīng)元的激活函數(shù)賦予神經(jīng)元本地非線性表達能力，則大量神經(jīng)元通過級聯(lián)方式使得整個網(wǎng)絡(luò)具備表達輸入與輸出間復(fù)雜的全局非線性關(guān)系的能力.所以，只要使用同平臺定標飛行時的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能學(xué)習(xí)該平臺輸入信號與輸出角度之間的對應(yīng)關(guān)系模型.訓(xùn)練好的模型自動考慮接收信號的誤差，避免了接收信號誤差通過非線性關(guān)系在輸出角度中的放大作用，可以很好地彌補自研比幅法平臺由于聚焦低成本解決方案而帶來的硬件缺陷，從一定程度上提高了結(jié)果精度.

自研探測平臺與比幅法及神經(jīng)網(wǎng)絡(luò)結(jié)合硬件如圖2所示.自研低成本平臺通過無源定向天線陣探測無人機數(shù)傳信號，探測到的信號由平臺上的AD9361進行接收.數(shù)據(jù)處理模塊使用Xilinx74020作為數(shù)據(jù)轉(zhuǎn)發(fā)中心，將接收到的信號進行簡單預(yù)處理（120次采樣累加，從數(shù)值上提升接收信號的幅度）后傳送給數(shù)據(jù)處理接收機終端.

終端運行MySQL數(shù)據(jù)庫，存儲無人機數(shù)傳信號數(shù)據(jù).終端上運行的比幅法解算程序讀取數(shù)據(jù)庫中的記錄，按照比幅法原理解算出當(dāng)前接收信號所對應(yīng)的角度值.同時，終端上也運行著訓(xùn)練好的神經(jīng)網(wǎng)絡(luò).神經(jīng)網(wǎng)絡(luò)使用與比幅法相同的輸入信號（數(shù)據(jù)庫中的記錄）.由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上的特殊性（選定結(jié)構(gòu)后，輸入層神經(jīng)元恒定），輸入信號讀取后會做相應(yīng)的組合，形成輸入矩陣，且矩陣的第1行應(yīng)等于輸入層神經(jīng)元的個數(shù).由于本平臺使用4天線陣列，因此神經(jīng)網(wǎng)絡(luò)輸入層為4個神經(jīng)元.相應(yīng)地，神經(jīng)網(wǎng)絡(luò)的輸入矩陣行數(shù)也為4.讀入輸入矩陣后，輸入信號通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)層層前饋，最終在輸出層產(chǎn)生輸出角度值.對于相同信號，本研究將神經(jīng)網(wǎng)絡(luò)的輸出與比幅法解算的輸出進行比較，進而探討基于自研平臺所接收的相同信號時神經(jīng)網(wǎng)絡(luò)相對于比幅法的提升程度.

2 測向?qū)嶒?/p>

本研究將自研的基于SDR的無人機探測平臺用于測向?qū)嶒灒褜嶒炈@數(shù)據(jù)輸入到數(shù)據(jù)處理接收終端（工作站服務(wù)器）上運行的神經(jīng)網(wǎng)絡(luò)，隨后將對神經(jīng)網(wǎng)絡(luò)輸出的角度誤差進行分析，論證神經(jīng)網(wǎng)絡(luò)對自研無人機探測平臺探測精度的提升能力.

2.1 實驗場景

本研究將進行測向?qū)嶒灥膶嶒灜h(huán)境選定在四川省成都大學(xué)校內(nèi).2個測量站分別位于2棟建筑樓頂開闊區(qū)域，且定位站A位于建筑A樓頂，定位站B位于建筑B樓頂［13］.2個定位站均選用了4天線陣，如圖3所示.該天線陣的覆蓋范圍為陣列正前方，以左側(cè)延長線為0°，逆時針旋轉(zhuǎn)至180°的開放半圓形范圍.天線陣后向連接自研硬件平臺，然后再與工作站服務(wù)器（PC端）相連.定位站A與定位站B間距為279 m.布站示意圖如圖4所示.

被測向?qū)ο鬄榇蠼`3小型無人機，實驗飛行半徑為距離飛手40 m、50 m及60 m.飛手朝向與4天線陣覆蓋方向一致，操作無人機在正前方0°～180°內(nèi)確定高度飛行.定位站A和定位站B用于對被測無人機多次航行所得接收信號進行測向定位.

2.2 參數(shù)說明

表1總結(jié)了實驗參數(shù)，其中，二維數(shù)據(jù)結(jié)構(gòu) （S_num，D_dim）表示天線陣列所采集到的數(shù)據(jù)矩陣.S_num為樣本數(shù)量，D_dim為每個樣本的維度數(shù)量.由于實驗采用4天線陣，所以每個接收樣本的維度與天線數(shù)量一致，均為4.每維表示對應(yīng)天線上的樣本特征值，即信號幅度值.另外，R_len表示無人機相對飛手航行的半徑，T_sail表示航行時間，C_cir表示航行的半圈數(shù)，V_sec表示航行平均速度，D_dis表示2個站之間的距離.

3 實驗結(jié)果與分析

本研究采用的提升比幅法測向精度的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示.其中，輸入特征量為4*2矩陣.矩陣的2列分別為定位站A和定位站B所接收信號經(jīng)過預(yù)處理后的幅度累加值，每列4個值分別是各定位站4天線陣中每個天線接收信號經(jīng)過預(yù)處理后的累加值，因此，輸入特征量為4*2矩陣.

3.1 實驗結(jié)果

本研究選擇4種算法對比幅法的定位估計進行測試，如圖5所示.其中，圖5（A）、5（B）、5（C）、5（D）、5（E）分別為原始ACA數(shù)據(jù)判別圖、IRLS優(yōu)化測試圖、SGD優(yōu)化神經(jīng)網(wǎng)絡(luò)測試圖、Adam優(yōu)化神經(jīng)網(wǎng)絡(luò)測試圖與Nadam優(yōu)化神經(jīng)網(wǎng)絡(luò)測試圖.

通過比較發(fā)現(xiàn)：

1）由圖5（A）和5（B）可知，ACA結(jié)合定位站間的空間關(guān)系信息（即定位站間距）能初步實現(xiàn)對測向目標初步測向定位，但測向效果不太理想.在測向信號盲區(qū)（175°附近）、數(shù)據(jù)抖動或者異常（25°、75°、125°附近）時，有較大波動出現(xiàn).而IRLS優(yōu)化算法能處理該異常情況，雖然可以大幅度減少數(shù)據(jù)間抖動，解決大部分測向信號盲區(qū)問題，但依舊存在信號數(shù)據(jù)盲區(qū)（165°～175°附近）角度和位置信息不能估計的問題（75°、150°附近）.

2）引入了神經(jīng)網(wǎng)絡(luò)的SGD優(yōu)化算法同樣具有測向定位能力.由圖5（C）可知，該方法和IRLS優(yōu)化算法一樣，可以解決抖動問題，有較好魯棒性，也可以部分解決數(shù)據(jù)異常問題，并且由于引入神經(jīng)網(wǎng)絡(luò)作為工具，而神經(jīng)網(wǎng)絡(luò)這類機器學(xué)習(xí)算法具備預(yù)測能力，這為解決數(shù)據(jù)盲區(qū)問題提供了可能性.由圖5（C）橫坐標最右側(cè)區(qū)域（即角度值為180°左右）的圖像可知，相比ACA和IRLS算法，神經(jīng)網(wǎng)絡(luò)SGD優(yōu)化算法對該數(shù)據(jù)盲區(qū)作出了較合理的預(yù)測，一定程度上解決了數(shù)據(jù)盲區(qū)的問題.但從圖5（C）整條曲線來看，由于整條曲線斜率起伏較大，說明該方法仍存在角度和位置信息精度較差等不足.

3）Adam與Nadam優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的結(jié)果分別見圖5（D）和5（E）.相較于SGD優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，此2種算法得出的曲線更加平滑，對角度和位置信息的估計更加精確，更加接近實際測向目標移動的趨勢.另外，與SGD算法一樣，Adam與Nadam優(yōu)化神經(jīng)網(wǎng)絡(luò)算法都能解決數(shù)據(jù)盲區(qū)、抖動及數(shù)據(jù)異常的問題.

4）不改變數(shù)據(jù)樣本數(shù)量時，Adam和Nadam處理效果十分接近，但在細節(jié)處（尤其是曲線中段，約60°～125°處）可發(fā)現(xiàn)，在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一定的情況下，使用Nadam優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)波動比使用Adam優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)波動小，即預(yù)測角度和位置信息的方差更小且收斂性更好，即圖5（E）中所繪曲線比圖5（D）中所繪曲線更加平滑、更加接近實際被測目標的運動趨勢和位置.

3.2 測向性能分析

由于采用Nadam優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)對于ACA體制下的信號幅度數(shù)據(jù)具有較好的性能和預(yù)測效果，因此本研究也使用ACA_Nadam對測向目標的探測數(shù)據(jù)進行位置信息估計，分別在定位站A和B進行航行半徑為40 m、50 m、60 m和70 m的順時針和逆時針實驗.為了驗證該優(yōu)化估計方式的準確程度，本研究將計算估計的均方誤差（mean square error，MSE）和平均絕對百分比誤差（mean absolute percentage error，MAPE），如表3所示.其中，R_len表示測向目標的航行半徑，NumC表示采樣點數(shù)，Time_delay表示時延，Pos_pre表示測向估計的預(yù)測準確率，MSE表示均方誤差，MAPE表示平均絕對百分比誤差.

經(jīng)過分析以上結(jié)果且驗證誤差比對后，可以發(fā)現(xiàn)ACA、ACA_IRLS與ACA_Nadam三者的區(qū)別：

1）ACA的解算準確率及時延都比較差，相對后兩者來說，預(yù)測準確率大約在78%～82%，預(yù)測時間也較長（在1.01 dot/ms左右），即需要接近1 ms才能解算出1次被測目標位置信息.

2）ACA_IRLS相對ACA有明顯改善，預(yù)測準確率大約在83%～86%，而相對ACA提升5%左右，但是對于較少的采樣點數(shù)，預(yù)測時間卻延長100 ms左右，預(yù)測時間在0.98 dot/ms左右，即輸出1次新的經(jīng)過解算的位置需要略大于1 ms的時間.

3）ACA_Nadam相對ACA與ACA_IRLS而言，預(yù)測準確率和時效性都有顯著提升.預(yù)測準確率大約在92%～96%，相對ACA_IRLS提升8%左右.預(yù)測時間在5.30 dot/ms左右，即輸出1次新的被測目標位置只需平均不到0.2 ms的時間，并且可以保證較好的準確度.由于本系統(tǒng)設(shè)計中，輸出1次被測目標的位置信息需要120次測量，通過ACA_Nadam算法只需不到0.2 ms時間即可解算出被測目標位置信息，等效于每60次測量只需不到0.1 ms的運行時間.

4 結(jié) 論

本研究依托Zero-IF構(gòu)架的多通道SDR接收機，實現(xiàn)了低成本可重構(gòu)無人機測向硬件平臺，在該平臺上使用ACA體制對“低、慢、小”無人機進行了測向，針對ACA體制測向精度較低的缺點創(chuàng)新性地引入深度神經(jīng)網(wǎng)絡(luò)來提升測向精度.由最終的實驗結(jié)果可知，深度神經(jīng)網(wǎng)絡(luò)可以將ACA測向體制的數(shù)據(jù)準確率提升10%以上.

參考文獻：

［1］宋晨暉.民用無人機應(yīng)用進展［J］.機電工程技術(shù)，2018，47（11）：149-152.

［2］屈旭濤，莊東曄，謝海斌.“低慢小”無人機探測方法［J］.指揮控制與仿真，2020，42（2）：128-135.

［3］房嘉奇.多基站時差頻差無源定位處理方法研究［D］.西安：西安電子科技大學(xué)，2016.

［4］張麗宏.對微型無人機信號的無源探測與定位技術(shù)研究［D］.長沙：國防科技大學(xué)，2017.

［5］秦顧正.對無人機的無源定位關(guān)鍵技術(shù)研究［D］.南京：東南大學(xué)，2019.

［6］馬魯潼.低慢小目標頻掃探測雷達系統(tǒng)設(shè)計［D］.西安：西安電子科技大學(xué)，2020.

［7］Huang L，Li J，Hao H，et al.Micro-seismic event detection and location in underground mines by using convolutional neural networks （CNN） and deep learning［J］.Tunn Undergr Space Technol，2018，81：265-276.

［8］謝宏，楊環(huán).一種隨機森林與深度學(xué)習(xí)結(jié)合的室內(nèi)定位方法［J］.上海海事大學(xué)學(xué)報，2020，41（3）：117-121.

［9］Lima C A M，Junqueira C，Suyama R，et al.Least-squares support vector machines for DOA estimation：a step-by-step description and sensitivity analysis［C］//2005 IEEE International Joint Conference on Neural Networks.Montreal，QC，Canada：IEEE，2015.

［10］Cho J S，Hwang D Y，Kim K H.Improving TDOA based positioning accuracy using machine learning in a LORAWAN environment［C］//2019 International Conference on Information Networking （ICOIN）.Kuala Lumpur，Malyasia：IEEE，2019.

［11］Sashida A，Moussa D P，Nakamura M，et al.A machine learning approach to indoor positioning for mobile targets using BLE signals［C］//2019 34th International Technical Conference on Circuits/Systems，Computers and Communications （ITC-CSCC）.JeJu，South Korea：IEEE，2019.

［12］周志華.機器學(xué)習(xí)［M］.北京：清華大學(xué)出版社，2016.

［13］Herath S，Pathirana P.Optimal sensor arrangements in angle of arrival （AOA） and range based localization with linear sensor arrays［J］.Sensors，2013，13（9）：12277-12294.

（實習(xí)編輯：黃愛明）

Abstract：In this paper，a low-cost software defined radio（SDR） system for amplitude comparison approach（ACA） method is demonstrated.To address the shortcoming of low accuracy of ACA，a neural network to improve the accuracy of the angle measurement is proposed.The amount of accuracy improvement by introducing neural network is mainly studied.Experimental results show that neural network has higher direction-finding accuracy than that by directly applying ACA method on received signals.The direction-finding accuracy of the best optimization algorithm increases approximately by 10%.The results of this paper show that combining the SDR system with the neural network can provide a low-cost and highly accurate solution to angle measurement problems.

Key words：amplitude comparison approach （ACA）;neural network;low-cost solution

基金項目：四川省科技計劃重點研發(fā)項目（2021YFS0311、2021YFG0361）

作者簡介：夏 鴻（1984—），男，碩士，副總設(shè)計師，從事電子系統(tǒng)設(shè)計研究.E-mail：XHTougaoyong@outlook.com

通信作者：羅正華（1965—），男，碩士，副研究員，從事通信與電子系統(tǒng)研究.E-mail：694352170@qq.com