CN107765103B - 一种基于多传感器的复杂环境电磁态势反演方法 - Google Patents

Abstract

本发明公开了一种基于多传感器的复杂环境电磁态势反演方法，主要解决现有技术所需感知设备的数量庞大，电磁态势反演的准确度较低的问题。其技术方案是：1、确定和配置复杂电磁环境参数；2、构建传感器位置矩阵；3、构建路径损耗矩阵；4、根据传感器位置矩阵、路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率；5、根据识别的辐射源，电磁态势反演，获得各点的电磁态势。本发明可在少量传感器位置随机分布，辐射源位置和辐射功率随机分布的条件下，实现辐射源识别，进而实现电磁态势反演，可用于基于多传感器的复杂环境电磁态势反演。

Description

一种基于多传感器的复杂环境电磁态势反演方法

技术领域

本发明属于通信技术领域，涉及频谱感知技术，辐射源识别，更进一步涉及一种基于多传感器的复杂环境电磁态势反演技术，可用于复杂环境中的电磁态势反演。

背景技术

随着无线通信技术快速发展，各种通讯设备不断增加，信号种类也越来越多，而且信号的功率大，传输距离远，影响范围广。各种电磁设备交织在一起，所发送的信号共用无线通信环境，加上自然环境的影响以及各种背景噪声，形成了一个复杂快变的新空间——复杂电磁环境。复杂电磁环境电磁态势是指在复杂电磁环境下，敌我双方用频装备、设备的配置和电磁活动及其在“时域、频域、空域和能量域”等多域空间中变化所形成的状态和形式。在电磁环境日益复杂的网络中心战中，传统的以空间位置融合、运动参数估计为主的目标态势已经不能满足海战场信息化作战中电子对抗、通信传输、技术侦察、雷达探测等指挥控制功能对全面电磁态势的急迫需要。

对于态势的研究，国外很早就提出了态势感知和态势评估的概念。电磁态势感知是指感知目标周围的电磁场数据，并把得到的数据经过处理、分析，得出周围的电磁环境当前状态以及预测将来的变化趋势，再将抽象数据转化成形象逼真的图像。美国国防部提出的JDL模型将态势评估引入军事领域，该模型将态势评估看作数据融合的一个层次，并定义为“将战场中被观测的实体分布与活动情况和战场环境、知识库关联起来的过程”，其最终目的是形成便于理解的包括态势分析和估计的战场态势图。对于电磁态势的研究主要集中在辐射源识别、雷达覆盖范围展现、电磁环境可视化、电磁环境复杂度评估等几个方面。这些技术手段大多立足于电磁态势生成中的某些关键技术的研究，如雷达覆盖范围只针对雷达用频效能进行分析，电磁环境可视化也大多以频域或覆盖范围的方式进行展示，不能充分体现电磁态势各种域上的要素与关联特征。总之，目前缺乏较为成熟的技术手段生成系统的战场电磁态势。

目前，国内外在二维电磁态势技术研究方面成果较为丰富。二维电磁态势是仿真实验和战场电磁态势研究的重要内容，是目前战场电磁频谱管控的主要依据。周倜等人提出了改进平行坐标理论框架下的多维电磁态势展现方法，定量表达了电磁态势数据主体但文章较难直观、真实地实现电磁态势的可视化。田伟等人针对具体装备，提出了一种基于地理信息系统的用频台站电磁态势仿真和可视化分析方法，该方法可有效分析用频台站电磁态势分布和指导用频台站科学合理选址，但不能够有效地展示整体电磁态势。何俊等人侧重研究Delaunay三角网，提出了一种改进的前沿边推进算法，通过等值点的插值、追踪、平滑处理和等值区的构造，提高了Delaunay三角网的构网速度，基本实现了二维电磁态势的快速可视化。Chen M等人在采样点确定的情况下，依据无线电路测量数据空间分布特点，提出了一种将曲面样条插值算法应用于态势图生成的方法，并对算法进行了改进。但这些方法存在所需感知设备的数量庞大，电磁态势反演的准确度较低的问题，同时这些方法在实现电磁态势可视化时容易引起以下问题：

(1)需要获得某一时刻整个实验区域空间栅格顶点上的电磁态势数据，所需数据量多，这就需要大量的感知设备。

(2)由于电磁环境的复杂性，不能直接对电磁态势数据可视化，不能够有效地展示整体电磁态势。

发明内容

本发明的目的在于克服上述不足，提出了一种基于多传感器的复杂环境电磁态势反演方法，有效的减少了感知设备的数量，对辐射源识别，进而构建电磁态势，提升电磁态势反演的准确度，实现复杂电磁环境电磁态势反演的可视化。

本发明提出的一种基于多传感器的复杂环境电磁态势反演方法，包括如下步骤：

(1)确定和配置复杂电磁环境参数：实验区域采用N点栅格布局，K个辐射源、M个传感器随机的分布在N个栅格顶点处，列向量P_s∈R^M为M个传感器测量的其所在各个栅格顶点处的接收信号强度RSS构成的M维的向量，将所述N个栅格顶点选做N个参考点。

(2)构建传感器位置矩阵，所述传感器位置矩阵Φ可用如下公式表示：

其中，s_k∈[1,N]，是全称量词，表示任意的或所有的，表示所有的j都属于集合[1,N]，j表示第j个参考点，表示所有的k都属于集合[1,M]，k表示第k个传感器，s_k∈[1,N]表示第k个传感器在参考点上的位置，传感器位置矩阵[Φ]_kj是M*N矩阵。

(3)根据电磁环境的电磁传播模型，构建路径损耗矩阵，所述路径损耗矩阵Ψ可用如下公式表示：

其中，i、j满足表示所有的i、j都属于集合[1,N]，i表示第个i参考点，j表示第j个参考点，G_i,j表示第i个参考点与第j个参考点之间的阴影衰落，d_ij表示第i个参考点与第j个参考点之间的距离，d₀表示参考天线远场距离，α表示指数衰减系数，路径损耗矩阵[Ψ]_ij是一个N*N矩阵。

(4)根据所述传感器位置矩阵、所述路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率。

(5)根据识别的辐射源，电磁态势反演，求得N个参考点上的接收信号强度RSS：

其中，列向量P_r∈R^N表示N个参考点上的接收信号强度RSS，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，为AWGN(加性高斯白噪声，Additive White GaussianNoise)功率。

在一些实施例中，步骤(1)确定和配置复杂电磁环境参数，还包括如下步骤：

K个辐射源的类型不受限制，辐射源的类型可以是通信设备、干扰机、发射设备中的一种或多种。

辐射源的个数K、传感器的个数M、参考点的个数N满足如下关系：

M≥2*K

在一些实施例中，步骤(4)中根据所述传感器位置矩阵、所述路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率，包括如下步骤：

(4a)根据所述传感器位置矩阵Φ、所述路径损耗矩阵Ψ，计算传感矩阵R：

R＝ΦΨ

(4b)传感器测量的接收信号强度P_s与辐射源的辐射功率P_t之间存在以下关系：

其中，为加性高斯白噪声AWGN功率，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，列向量ε∈R^M表示传感器的测量误差。

(4c)构造预处理数据P_proc：

(4d)根据最小L1‐范数，求解辐射源的位置和辐射功率P_t：

min||P_t||,s.t.||P_proc-RP_t||₂≤μ

其中，||·||表示1‐范数，含义为向量中所有元素模值的和，||·||₂表示2‐范数，含义为向量中所有元素模值平方的和再开方，μ为收敛精度，min表示最小化，s.t.为subject to的简写表示“约束为”，整个方程的含义为在满足约束条件为||P_proc-RP_t||₂≤μ的条件下，使得P_t的值最小。

在一些实施例中，步骤(4d)根据最小L1-范数，求解辐射源的位置和辐射功率P_t，根据如下算法进行：

(4d1)设置输入输出参数，并对参数进行初始化操作。

输入：传感矩阵R、预处理数据P_proc、收敛精度μ、阈值P；

输出：N个参考点上辐射源的辐射功率向量P_t；

初始化：索引位置向量Pos＝[]、残差r＝P_proc、投影向量aug_y＝[]、选择列矩阵Aug_t＝[]、P_t＝＜0,0,...,0＞_N，其中，P_t＝＜0,0,...,0＞_N表示将N个参考点上辐射源的辐射功率向量P_t初始化为N*1的全零向量。

(4d2)找出所述残差r与所述传感矩阵R中列向量对应的最大内积的下标col，即：

其中，i表示第i列，R(:,i)表示传感矩阵R的第i列，R(:,i)’表示传感矩阵R的第i列的转置，norm()表示求向量的2‐范数的函数，abs()表示取绝对值，max表示取最大值，表示返回最大值对应的第i列的i值。

(4d3)根据所述下标col，更新索引向量Pos＝[Pos，col]，并对选择列矩阵Aug_t进行扩充，即：

Aug_t＝[Aug_t,R(:,col)]

(4d4)利用非负最小二乘法，求得投影向量aug_y：

aug_y＝lsqnonneg(Aug_t,P_proc)

其中，lsqnonneg()为最小二乘函数。

(4d5)比较投影向量aug_y中新选择列对应的元素(最后一个元素)与阈值P的大小，若小于阈值P，则删除选择列矩阵Aug_t中最后一列，删除索引向量Pos中最后一个元素，残差r不变；若大于阈值P，则选择列矩阵Aug_t不变，索引向量Pos不变，残差r更新为：

r＝P_proc-Aug_t*aug_y

(4d6)将传感矩阵R的第col列置0：

R(:,col)＝zeros(M,1)

其中，zeros(M,1)表示维度为M*1的零向量。

(4d7)判断是否满||r||₂＜u，若满足，则循环终止，否则，执行步骤(4d2)。

(4d8)求得N个参考点上辐射源的位置和辐射功率向量P_t：

P_t(pos(i))＝aug_y(i)

其中，索引位置向量Pos是辐射源的位置向量，只有在辐射源的位置处，辐射功率向量P_t对应元素为非零值。

本发明具有以下优点：

1、在电磁态势反演可视化中，实验区域同样采用N点栅格布局，现有技术需要在每个栅格顶点处设置一个传感器用于测量该栅格顶点处的接收信号强度，而本发明只需要设置M个传感器，且M远小于N，本发明能有效减少感知设备的数量。

2、本发明由于先利用传感器测量的接收信号强度RSS，实现对辐射源的识别，进而依据电磁环境传播模型，实现整个环境电磁态势的反演，提高了态势反演的广度和准确度。

3、本发明由于只需少量样本(M个传感器测量的接收信号强度)进行算法实现，故计算复杂度低、时间短，可满足电磁态势反演的实时性要求。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的、技术过程和优点将会变得更明显：

图1是本发明的实现流程图；

图2是辐射源识别的实现流程图；

图3是实际辐射源和传感器随机分布位置的仿真图；

图4是在本发明下，辐射源识别和实际辐射源对应位置辐射功率的相对误差；

图5是在本发明下，实际辐射源辐射功率和识别辐射源辐射功率的仿真对比图；实际电磁态势和电磁态势反演的仿真对比图；

图6是在本发明下，不同时刻辐射源识别和电磁态势反演仿真图。

具体实施方式

本发明用于复杂环境电磁态势反演，传感器在各个栅格顶点上接收信号，并对接收信号强度进行预处理，实现辐射源的识别，最终实现电磁态势的反演。

参照图1，示出了本发明的实现流程图100，具体步骤如下：

步骤101，确定和配置复杂电磁环境参数。

实际的电磁环境是千变万化的，不可能用一个普遍适用的、准确的数学模型来仿真。为此进行如下合理的假设和简化：实验区域采用N点栅格布局，在该实验区域中，根据战场规模需要在该实验区域设置一定数量的辐射源，在此设置辐射源的个数为K，K个辐射源随机的分布在N个栅格顶点处，辐射源的个数和位置未知，辐射源的辐射功率随机分布。在该实验区域设置M个传感器，M个传感器随机的分布在N个栅格顶点处，M个传感器在N个栅格顶点处的位置是已知的，传感器的个数M远小于栅格顶点数N。列向量P_s∈R^M为M个传感器测量的其所在各个栅格顶点处的接收信号强度(RSS，Received Signal Strength)构成的M维的向量，将上述N个栅格顶点选做N个参考点，其中，R^M表示M维的向量空间，P_s∈R^M表示P_s为M维的向量。

在一些实施例中，K个辐射源的类型不受限制，辐射源的类型可以是通信设备、干扰机、发射设备中的一种或多种。辐射源的个数K、传感器的个数M、参考点的个数N满足如下关系：

M≥2*K

步骤102，构建传感器位置矩阵。

在步骤101中，每次实验M个传感器随机的分布在N个栅格顶点处，但每次实验M个传感器的位置是已知的，可用传感器位置矩阵表示，传感器位置矩阵Φ可用如下公式表示：

其中，s_k∈[1,N]，是全称量词，表示任意的或所有的，表示所有的j都属于集合[1,N]，j表示第j个参考点，表示所有的k都属于集合[1,M]，k表示第k个传感器，s_k∈[1,N]表示第k个传感器在参考点上的位置，传感器位置矩阵[Φ]_kj是M*N矩阵。

步骤103，根据电磁环境的电磁传播模型，构建路径损耗矩阵。

电磁波通常在非规则、非单一的环境中传播，电磁波在穿透任何介质的时候都会有损耗。在估计路径损耗时，需要考虑传播路径上的地形、地貌，也要考虑到建筑物、树木、电线杆等障碍物，所以在不同环境中应选择不同的路径传输模型。常用的室外电磁传播模型有Okumura模型、Hata模型、自由空间的路径损耗模型等。本发明采用自由空间的路径损耗模型，但本发明同样适用于Okumura模型、Hata模型，仅需要替换对应的路径损耗矩阵。

P_i表示第i个参考点处的辐射功率，P_j表示第j个参考点处的接收功率，P_i与P_j满足如下关系：

则路径损耗矩阵Ψ可用如下公式表示：

其中，i、j满足表示所有的i、j都属于集合[1,N]，i表示第个i参考点，j表示第j个参考点，G_i,j表示第i个参考点与第j个参考点之间的阴影衰落，d_ij表示第i个参考点与第j个参考点之间的距离，d₀表示参考天线远场距离，α表示指数衰减系数，路径损耗矩阵[Ψ]_ij是一个N*N矩阵。

步骤104，根据传感器位置矩阵、路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率。

图2示出了辐射源识别的实现流程图。根据传感器位置矩阵、路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率包括如下步骤：

(4a)根据传感器位置矩阵Φ、路径损耗矩阵Ψ，计算传感矩阵R：

R＝ΦΨ

(4b)传感器测量的接收信号强度P_s与辐射源的辐射功率P_t之间存在以下关系：

其中，为加性高斯白噪声AWGN功率，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，列向量ε∈R^M表示传感器的测量误差，R^N表示N维的向量空间，P_r∈R^N表示P_r为N维的向量，R^M表示M维的向量空间，ε∈R^M表示ε是M维的向量。

(4c)构造预处理数据P_proc：

(4d)根据最小L1-范数，求解辐射源的位置和辐射功率P_t；

min||P_t||,s.t.||P_proc-RP_t||₂≤μ

其中，||·||表示1‐范数，含义为向量中所有元素模值的和，||·||₂表示2‐范数，含义为向量中所有元素模值平方的和再开方，μ为收敛精度，min表示最小化，s.t.为subject to的简写表示“约束为”，整个方程的含义为在满足约束条件为||P_proc-RP_t||₂≤μ的条件下，使得P_t的值最小。

步骤(4d)具体实现如下：

(4d1)设置输入输出参数，并对参数进行初始化操作：

输入：传感矩阵R、预处理数据P_proc、收敛精度μ、阈值P。

输出：N个参考点上辐射源的辐射功率向量P_t。

初始化：索引位置向量Pos＝[]、残差r＝P_proc、投影向量aug_y＝[]、选择列矩阵Aug_t＝[]、P_t＝＜0,0,...,0＞_N，其中，P_t＝＜0,0,...,0＞_N表示将N个参考点上辐射源的辐射功率向量P_t初始化为N*1的全零向量。

(4d2)找出上述残差r与上述传感矩阵R中列向量对应的最大内积的下标col，即：

其中，i表示第i列，R(:,i)表示传感矩阵R的第i列，R(:,i)’表示传感矩阵R的第i列的转置，norm()表示求向量的2‐范数的函数，abs()表示取绝对值，max表示取最大值，表示返回最大值对应的第i列的值i。

(4d3)根据上述下标col，更新索引向量Pos＝[Pos，col]，并对选择列矩阵Aug_t进行扩充，即：

Aug_t＝[Aug_t,R(:,col)]

其中，Aug_t＝[Aug_t,R(:,col)]表示将传感矩阵R的第col列加入选择矩阵Aug_t。

(4d4)利用非负最小二乘法，求得投影向量aug_y：

aug_y＝lsqnonneg(Aug_t,P_proc)

其中，lsqnonneg()为最小二乘函数。

(4d5)比较投影向量aug_y中新选择列(第col列)对应的元素(最后一个元素)与阈值P的大小，若小于阈值P，则删除择列矩阵Aug_t中最后一列，即：Aug_t(:,end)＝[]，删除索引向量Pos中最后一个元素，即：Pos(end)＝[]，残差r不变；若大于阈值P，则选择列矩阵Aug_t不变，索引向量Pos不变，残差r更新为：

r＝P_proc-Aug_t*aug_y

(4d6)将传感矩阵R的第col列置0：

R(:,col)＝zeros(M,1)

其中，zeros(M,1)表示维度为M*1的零向量。

(4d7)判断是否满||r||₂＜u，若满足，则循环终止，否则，执行步骤(4d2)。

循环终止的条件为||r||₂＜u，即||P_proc-RP_t||₂≤μ；每次循环都寻找残差r与传感矩阵R中最相关的列，使投影值最小，最终获得满足约束条件的min||P_t||。

(4d8)求得N个参考点上辐射源的位置和辐射功率向量P_t：

P_t(pos(i))＝aug_y(i)

其中，索引位置向量Pos是辐射源的位置向量，只有在辐射源的位置处，辐射功率向量P_t对应元素为非零值。

步骤105，根据识别的辐射源，电磁态势反演，求得N个参考点上的接收信号强度RSS。

按照如下公式求N个参考点上的接收信号强度RSS的向量P_r：

其中，列向量P_r∈R^N表示N个参考点上的接收信号强度RSS，即N个参考点上的接收功率，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，表示加性高斯白噪声AWGN功率，R^N表示N维的向量空间，P_r∈R^N、P_t∈R^N表示P_r、P_t为N维的向量。

本发明的效果可以通过以下仿真进一步说明：

A、仿真条件

将实验区域布置在200m*200m的广场上，将其划分为20*20的栅格，每个栅格的面积为100m²，总栅格顶点数N＝400。将M＝100个传感器，K＝8个辐射源随机的分布在400个栅格顶点上。假设辐射频率为3MHz，辐射功率的可能值为P0的整数倍，即发射功率随机的分布在功率集合{P0，2P0，...,P_m}，其中，P0为参考功率、P_m表示功率最大值。辐射功率重构的性能用相对误差来表示。辐射功率重构时，辐射源个数和位置未知。

B、仿真内容与结果

仿真1：某一时刻，100个传感器，8个辐射源随机地分布在400个栅格顶点上，仿真结果如图3所示；

由图3可以看出，辐射源和传感器都是随机分布的，体现电磁环境的实时动态变化，能够很好实现算法的鲁棒性。

仿真2：在8个辐射源的辐射功率随机的分布在功率集合的条件下，对本发明的辐射源的识别性能进行仿真。辐射源识别的性能用相对误差PowE来表示，计算方法是取辐射源真实辐射功率向量和识别辐射功率向量对应元素差值的绝对值的和与参考辐射功率P0的比值：

其中，P_t为N*1维的辐射源的真实辐射功率向量，为N*1维的辐射源的识别辐射功率向量，P0为参考功率。每次实验中，辐射源和传感器随机的分布在400个栅格顶点上，辐射功率随机的分布在功率集合中，重复实验100次，辐射源的识别性能仿真结果如图4所示。

由图4可以看出，在100次试验中，相对误差保持在10^-12上，相对误差特别小且较稳定，说明本发明的辐射源的识别性能优越，且对辐射源位置、传感器位置、辐射源辐射功率都有鲁棒性。

仿真3：在仿真条件下，对识别辐射源的辐射功率进行仿真，并将其与真实辐射源辐射功率进行对比；对电磁态势的反演进行仿真，并将其与真实电磁态势图进行对比。仿真结果如图5所示。

一种改进的正交匹配追踪算法OMPSE是已知的算法。

图5(a)为实际辐射源功率；图5(b)为OMPSE重构辐射源功率；图5(c)为本发明识别辐射源功率；图5(d)为实际电磁态势；图5(e)为OMPSE电磁态势反演；图5(f)为本发明电磁态势反演。

由图5可以看出，颜色的深浅可以表示功率的大小，等高线表示了辐射源的覆盖范围，可以直观的看出辐射源的位置和辐射功率大小，以及各点的电磁态势。图5(a)、图5(b)、图5(c)辐射源功率图对比，本发明对辐射源的识别时，其重构功率的大小和位置基本上与实际辐射源辐射的功率和位置一致，本发明的重构辐射源功率的准确度比OMPSE算法重构辐射源功率的准确度高；图5(d)、图5(e)、图5(f)电磁态势图对比，电磁态势图是指实验区域400个参考点上的接收信号强度RSS(接收功率)的可视化图，本发明的对电磁态势的反演图基本上与实际电磁态势图一致，即本发明反演的参考点上的接收信号强度RSS(接收功率)的大小和位置基本上与实际接收信号强度RSS一致，本发明的电磁态势反演的准确度比OMPSE算法电磁态势反演的准确度高。说明本发明更能够准确实现辐射源的识别，进而实现电磁态势的反演。

仿真4：在仿真条件下，每一时刻，辐射源和传感器随机的分布在400个栅格顶点上，辐射功率随机的分布在功率集合中，对不同时刻辐射源识别和电磁态势的反演进行仿真。仿真结果如图6所示。

图6(a)不同时刻的辐射源识别；图6(b)不同时刻的电磁态势反演。

由图6可以看出，图6(a)中三个图层分别对应三个时刻识别的辐射源，三个时刻辐射源位置和功率大小都发生了随机变化，图6(b)中三个图层分别对应三个时刻的电磁态势反演，体现了三个时刻的电磁态势也发生了相应变化。因而本发明可以实现不同时刻辐射源的识别，进而实现复杂环境电磁态势的反演。

综合上述仿真分析，本发明可在少量传感器位置随机分布，辐射源位置和辐射功率随机分布的条件下，实现辐射源识别，进而实现基于多传感器的复杂环境电磁态势反演。

Claims (4)

1.一种基于多传感器的复杂环境电磁态势反演方法，其特征在于，所述方法包括如下步骤：

(1)确定和配置复杂电磁环境参数：实验区域采用N点栅格布局，K个辐射源、M个传感器随机的分布在N个栅格顶点处，列向量P_s∈R^M为M个传感器测量的其所在各个栅格顶点处的接收信号强度RSS构成的M维的向量，将所述N个栅格顶点选做N个参考点；

(2)构建传感器位置矩阵，所述传感器位置矩阵Φ可用如下公式表示：

其中，s_k∈[1,N]，是全称量词，表示任意的或所有的，表示所有的j都属于集合[1,N]，j表示第j个参考点，表示所有的k都属于集合[1,M]，k表示第k个传感器，s_k∈[1,N]表示第k个传感器在参考点上的位置，传感器位置矩阵[Φ]_kj是M*N矩阵；

(3)根据电磁环境的电磁传播模型，构建路径损耗矩阵，所述路径损耗矩阵Ψ可用如下公式表示：

其中，i、j满足表示所有的i、j都属于集合[1,N]，i表示第个i参考点，j表示第j个参考点，G_i,j表示第i个参考点与第j个参考点之间的阴影衰落，d_ij表示第i个参考点与第j个参考点之间的距离，d₀表示参考天线远场距离，α表示指数衰减系数，路径损耗矩阵[Ψ]_ij是一个N*N矩阵；

(4)根据所述传感器位置矩阵、所述路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率；

(5)根据识别的辐射源，电磁态势反演，求得N个参考点上的接收信号强度RSS：

其中，列向量P_r∈R^N表示N个参考点上的接收信号强度RSS，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，表示加性高斯白噪声AWGN功率。

2.根据权利要求1所述的一种基于多传感器的复杂环境电磁态势反演方法，其特征在于，所述步骤(1)确定和配置复杂电磁环境参数，还包括如下步骤：

K个辐射源的类型不受限制，辐射源的类型可以是通信设备、干扰机、发射设备中的一种或多种；

辐射源的个数K、传感器的个数M、参考点的个数N满足如下关系：

M≥2*K

3.根据权利要求1所述的一种基于多传感器的复杂环境电磁态势反演方法，其特征在于，所述步骤(4)根据所述传感器位置矩阵、所述路径损耗矩阵进行辐射源识别，获得辐射源的位置和辐射功率，包括如下步骤：

(4a)根据所述传感器位置矩阵Φ、所述路径损耗矩阵Ψ，计算传感矩阵R：

R＝ΦΨ

(4b)传感器测量的接收信号强度P_s与辐射源的辐射功率P_t之间存在以下关系：

其中，为加性高斯白噪声AWGN功率，列向量P_t∈R^N表示N个参考点上辐射源的辐射功率，列向量ε∈R^M表示传感器的测量误差；

(4c)构造预处理数据P_proc：

(4d)根据最小L1-范数，求解辐射源的位置和辐射功率P_t：

min||P_t||,s.t.||P_proc-RP_t||₂≤μ

其中，||·||表示1-范数，含义为向量中所有元素模值的和，||·||₂表示2-范数，含义为向量中所有元素模值平方的和再开方，μ为收敛精度，min表示最小化，s.t.为subject to的简写表示“约束为”，整个方程的含义为在满足约束条件为||P_proc-RP_t||₂≤μ的条件下，使得P_t的值最小。

4.根据权利要求3所述的一种基于多传感器的复杂环境电磁态势反演方法，其特征在于，所述步骤(4d)根据最小L1-范数，求解辐射源的位置和辐射功率P_t，根据如下算法进行：

(4d1)设置输入输出参数，并对参数进行初始化操作：

输入：传感矩阵R、预处理数据P_proc、收敛精度μ、阈值P；

输出：N个参考点上辐射源的辐射功率向量P_t；

初始化：索引位置向量Pos＝[]、残差r＝P_proc、投影向量aug_y＝[]、选择列矩阵Aug_t＝[]、P_t＝＜0,0,...,0＞_N，其中，P_t＝＜0,0,...,0＞_N表示将N个参考点上辐射源的辐射功率向量P_t初始化为N*1的全零向量；

(4d2)找出所述残差r与所述传感矩阵R中列向量对应的最大内积的下标col，即：

其中，i表示第i列，R(:,i)表示传感矩阵R的第i列，R(:,i)’表示传感矩阵R的第i列的转置，norm()表示求向量的2-范数的函数，abs()表示取绝对值，max表示取最大值，表示返回最大值对应的第i列的i值；

(4d3)根据所述下标col，更新索引向量Pos＝[Pos，col]，并对选择列矩阵Aug_t进行扩充，即：

Aug_t＝[Aug_t,R(:,col)]

(4d4)利用非负最小二乘法，求得投影向量aug_y：

aug_y＝lsqnonneg(Aug_t,P_proc)

其中，lsqnonneg()为最小二乘函数；

(4d5)比较投影向量aug_y中新选择列对应的元素即最后一个元素与阈值P的大小，若小于阈值P，则删除选择列矩阵Aug_t中最后一列，删除索引向量Pos中最后一个元素，残差r不变；若大于等于阈值P，则选择列矩阵Aug_t不变，索引向量Pos不变，残差r更新为：

r＝P_proc-Aug_t*aug_y

(4d6)将传感矩阵R的第col列置0：

R(:,col)＝zeros(M,1)

其中，zeros(M,1)表示维度为M*1的零向量；

(4d7)判断是否满||r||₂＜u，若满足，则循环终止，否则，执行步骤(4d2)；

(4d8)求得N个参考点上辐射源的位置和辐射功率向量P_t：

P_t(pos(i))＝aug_y(i)

其中，索引位置向量Pos是辐射源的位置向量，只有在辐射源的位置处，辐射功率向量P_t对应元素为非零值。