《Sensors》：A Hybrid Raytracing and Deep Learning-Based Approach for Single-Site Localization of Radio Emitters in Urban Environment
编辑推荐：
在城市密集区域，高效的无源无线电监测受到多径传播和非视距（Non-Line-of-Sight, NLOS）条件的阻碍，导致传统单站定位方法遭受复合几何误差和稀疏数据可用性问题。为解决这些限制，本文提出一种新颖的混合框架，融合基于物理的波传播几何与数据驱动机器学
在城市密集区域，高效的无源无线电监测受到多径传播和非视距（Non-Line-of-Sight, NLOS）条件的阻碍，导致传统单站定位方法遭受复合几何误差和稀疏数据可用性问题。为解决这些限制，本文提出一种新颖的混合框架，融合基于物理的波传播几何与数据驱动机器学习。所提方法利用先进的循环修正MUSIC（Circulant Modified MUSIC, CM-MUSIC）算法，在5阵元均匀圆阵（Uniform Circular Arrays, UCA）天线上可靠分辨高度相关波分量。提取的方向输入经反向射线追踪（backward raytracing）引擎处理，生成连续空间似然图，随后由被训练为扇区语义掩膜的卷积神经网络（Convolutional Neural Network, CNN）过滤。使用低成本软件定义无线电（Software Defined Radio, SDR）平台捕获模拟FM传输的实地验证表明，在严重空间约束下具有高跟踪精度和稳健抗噪性，而理想扇区分类情景分析证实，所提框架接近几何模型的理论精度极限。该框架为现代民用无线电频谱监管执法提供可扩展、高成本效益且保持硬件不变的单站解决方案。
一、研究背景与问题
近年来，无线通信技术快速增长，电磁频谱复杂度急剧上升，高效无源无线电监测对民用监管机构和安全机构均十分必要。该领域最重要挑战之一是非合作发射机定位，例如未授权发射机、非法广播站或干扰信号源。与合作定位系统不同，后者目标主动参与并共享先验系统参数，被动定位必须在发射机不配合、信号规格未知条件下执行。城市密集区域中，射频信号传播受多径效应、阴影衰落以及发射机与接收机之间缺少直接视距（Line-of-Sight, LOS）路径影响，形成非视距（Non-Line-of-Sight, NLOS）问题。为应对NLOS，近期单站定位方法引入地图辅助算法或射线追踪，将反射视为虚拟源以重建传播路径。然而这些几何框架依赖理想到达方向（Direction-of-Arrival, DOA）估计已知的先验假设；实际监测中，非合作信号的方向数据受波相关和硬件不完善阻碍。当方向估计器无法提供无瑕角度输入时，传统射线追踪出现几何误差，重建路径显著偏离真实源位置。纯几何方法不足促使深度学习，尤其无线电指纹，被用于城市定位；但可靠指纹系统面临稀疏数据可用性：城市密集参考点采集耗时，严格无线电发射法规和干扰商业网络风险缩小合法测试时间窗口；私人物业、封闭社区和关键基础设施等禁区造成测量图“白点”，导致纯数据驱动神经网络在不完整、不连续无线电图上性能退化。因此，研究人员提出一种混合定位框架，用于严重NLOS、非合作发射机和高度稀疏数据条件。
研究人员开展了融合物理传播几何与深度学习的单站定位研究。其核心创新在于不依赖无线电地图或无瑕角度输入，而利用改进MUSIC算法可靠分辨真实环境高度相关波分量；将估计方向视为具有预设±2.5°裕量的空间不确定波束，并通过反向射线追踪映射为空间似然矩阵；同时部署深度神经网络分析稀疏信号特征，识别发射机可能扇区，通过将预测区域外概率置零过滤几何噪声。现场测量样本验证表明，基于物理的射线追踪与数据驱动扇区过滤相结合，可在不完整、碎片化经验数据约束下指示发射机位置。主要贡献包括：面向圆阵的相关鲁棒DOA估计；具有空间不确定建模的混合定位框架；基于现场实测数据的实验验证。研究结论是，该框架在严重空间约束下具有高跟踪精度和噪声鲁棒性，理想扇区分类情景下接近几何模型理论精度极限，为现代民用无线电频谱监管执法提供可扩展、高成本效益且保持硬件的单站方案。
二、关键技术方法
现场样本来源为：5阵元UCA，半径26.3 cm，KrakenSDR（KrakenRF Inc., Chicago, IL, USA）五通道相干接收，2.4 MHz采样，固定测试车；Baofeng手持FM发射机在446.15625 MHz民用PMR频段，8个城市站点，每点4次、每次5 s、每通道12百万复样本；注入10–30 dB SNR加性高斯白噪声（additive white Gaussian noise, AWGN），每测量100变体，得3200训练谱和800验证谱。方法包括CM-MUSIC在UCA上循环反射平均恢复相关信号秩，能量阈值选子空间；CNN输入[2×765×1]、最多15个±2.5°波束、8扇区分类；反向射线追踪最多7次反射生成似然场；CNN二值掩膜、局部归一化和质心定位。
三、研究结果
3.1 混合定位精度与统计界限分析（Hybrid Localization Accuracy and Statistical Bound Analysis）：通过800个盲测谱比较完整混合框架与单独几何射线追踪。单独反向射线追踪在多峰模糊和虚假波交点下线性位移为80 m至250 m以上；混合框架使大多数线性误差快速下降并稳定在15 m以下，最小误差2.05 m，全局样本中位数9.22 m，全局平均误差55.52 m，后者被少量高幅值误差峰偏斜。非参数统计显示25百分位6.96 m，75百分位44.75 m，四分位距37.79 m，下须2.05 m，上须100.45 m，88.75%盲测集在100 m阈值内；检测到90个离群点，占11.25%，最大误差410.68 m，归因于CNN误识别发射机扇区，而非反向射线追踪本身失效。
3.2 深度学习扇区分类性能分析（Deep Learning Sector Classification Performance Analysis）：通过独立验证集分析CNN单独分类性能，全局准确率62.7%，错误率37.3%。Sector 4直接敏感度为0%，94%样本被系统误分为Sector 1；由于两扇区相邻、反射与散射边界近乎相同，该相邻类误分类对定位非破坏性，质心仍位于正确局部宏区边界附近。跨主要宏区误分类导致严重错误：Sector 8目标有37例被错分为Sector 1，Sector 5和Sector 7分别有20例和15例错分为Sector 2。此时二值掩膜将正确区域有效传播走廊置零，迫使质心在错误扇区计算，产生高幅值线性位移。
3.3 理想扇区分类情景（Ideal Sector-Classification Scenario）：通过假设CNN具有理想无瑕分类能力的消融分析，隔离物理几何引擎与分类动态。消除宏区掩膜错误后，全局平均定位误差降至9.3 m，最大误差限制在34.29 m，多数800验证实例误差稳定在10 m以下。箱线统计下界5.11 m，上界9.63 m，四分位距仅4.52 m，下须2.05 m，上须16.25 m，92.25%定位尝试优于16.3 m；仍有62个离群点，占7.75%，最大34.29 m，归因于3D城市模型将复杂建筑几何简化为长方体。
3.4 计算复杂性与实时可行性（Computational Complexity and Real-Time Feasibility）：在标准Matlab环境、Intel Core i7-12700处理器和16 GB RAM上，对800个独立多径传播谱连续处理，单数据全流程平均执行时间0.51 s。当前未优化Matlab原型为离线研究平台，但单数字秒执行时间在标准办公硬件上表明运行可行性；移植几何方程至编译语言并经优化推理引擎部署神经网络可降低延迟。实际频谱监测宜采用事件触发架构，检测后仅对环形缓冲中窄时窗调用完整定位流程。
四、讨论与结论
讨论部分指出，该混合框架将物理传播几何与数据驱动模式识别结合，可应对恶劣NLOS城市环境和严格稀疏数据约束下非合作发射机跟踪。单独反向射线追踪在原始方向输入受多径相关和CM-MUSIC子空间泄漏退化时崩溃，产生连续空间模糊和大线性位移；CNN作为高层语义滤波器可识别活动监测扇区，将外围几何噪声和虚假射线交点置零，使质心引擎获得全局样本中位误差9.22 m。主要算法脆弱性是对CNN宏观区域分类失败高度敏感：当CNN跨东西主宏边界误分类时，空间掩膜抑制真实传播走廊，质心在错误区域计算，导致最大离群误差410.68 m。方法还依赖3D城市模型可用性，经验验证限于单一固定基站拦截窄带PMR频率；动态移动接收机或多频宽带跳频发射机下，协方差矩阵空间相位关系会快速波动，可能提高原始特征输入结构误差率。理想上界分析表明，当避免语义扇区掩膜错误时，CM-MUSIC、反向射线追踪和质心提取组合的全局平均定位精度为9.30 m，50%样本集中在4.52 m四分位区间内，残余离群最大34.29 m，主要源于3D模型将复杂多翼建筑简化为长方体。因此，物理波跟踪和质心定位流程已高度优化且结构完整，CNN扇区分类器是整个框架主要性能瓶颈，后续优化应聚焦提升CNN分类准确率和多类韧性，而非修改底层几何射线追踪方程。实用上，该系统用单一资源受限监测平台和碎片化经验数据取得亚十米中位精度，利用多径反射作为虚拟源路径，无需直接LOS路径，为先进城市频谱执法提供高效、可扩展和保持硬件的方法。
结论翻译：本文提出一种新颖混合定位框架，用于密集城市NLOS条件和稀疏经验数据下的非合作单站发射机跟踪。所开发架构通过结合先进信号处理、机器学习模式识别和基于物理的波传播模型实现稳健跟踪能力。通过实现几何感知CM-MUSIC算法，在资源受限5阵元UCA上成功保持空间相位依赖且无物理孔径损失。CNN作为宏扇区语义掩膜的集成有效隔离真实物理传播走廊，消除通常导致独立几何引擎失败的空间模糊和虚假射线交点。完整框架的经验有效性和韧性在严格盲测操作条件下得到证明，使用安装于单一固定车辆的低成本SDR无线电平台捕获FM传输。实验结果显示高跟踪精度，全局样本中位定位误差仅9.22 m，绝对最小误差界2.05 m。尽管神经网络层内系统性跨宏区分类错误通过产生高幅值空间离群值使全局平均误差偏至55.52 m，基线几何引擎仍展示出非凡潜力。理想扇区分类情景分析确认，在理想扇区掩膜条件下，CM-MUSIC与反向射线追踪组合管道收敛至全局平均定位误差9.3 m，半数验证点紧密约束在4.52 m四分位距内。然而，所提框架仍存在高达410.68 m线性误差的离群结果。尽管这不是典型值，但可得出结论，将CNN结果视为硬扇区掩膜可能不是最有效方案。进一步研究该主题，包括将类别概率作为权重，必须开展，这可能限制当前框架中出现的离群结果。从单一移动监测站取得显著定位精度，为现代电子侦察和民用射频监管执法建立了高度可扩展且成本有效的框架。未来研究中，该混合框架的操作能力将扩展至固定拦截之外。未来工作将聚焦于使底层信号处理模型适应实时跟踪动态移动发射机，以及验证系统对宽带发射和复杂跳频波形的跟踪韧性。还需要在CNN训练期间在每个扇区内重复当前研究并增加测量位置，并在测试期间对未知发射机位置开展研究。这将有助于确保框架对完全未知信号分布的稳健性，这是该框架的核心假设。
