陈 中，王杰贵，唐希雯，杨 航

(国防科技大学电子对抗学院，安徽 合肥 230031)

0 引言

来波方向(direction of arrival，DOA)估计是目标定位、辐射源识别、威胁等级判定以及有效实施干扰的基础和前提，对于现代电子战具有非常重要的意义。随着电子对抗侦察装备的发展和更新换代，信号处理任务越来越复杂，对波达角估计的要求也越来越高，如高精度、高分辨率、实时性和智能化等。

目前常用的来波方向估计方法可以分为四种：1) 基于振幅法测向的算法：常见的有最大信号法测向、比幅法测向[1]、振幅和差法测向、罗特曼透镜法测向等；2) 基于时延相位的算法：典型代表为相位干涉仪测向[2]；3) 基于空间谱估计的算法：多重信号分类(MUSIC)算法[3]测向和旋转不变子空间(ESPRIT)算法[4]等；4) 基于机器学习[5]的算法：径向基函数(RBF)神经网络[6]、BP神经网络[7]和支持向量机(SVM)[8]等。利用机器学习的方法进行来波方向估计，实现高精度、实时化和智能化的波达角估计是近年来波达角估计方法研究的热点。

振幅法测向和相位干涉仪测向只适用于特定结构的天线阵列，空间谱估计算法计算量过大、实时性差，难以满足实际运用的需要，而RBF神经网络、BP神经网络和支持向量机的算法复杂度明显高于KNN算法。

针对上述问题，本文利用信号的相位和幅度信息作为K近邻[9](k-nearest neighbor，KNN)算法模型的输入数据，信号的来波方向[10]作为输出特征，实现对于任意天线阵列高精度、实时化的来波方向估计。

1 K近邻算法

K近邻算法是机器学习领域的一种常用算法，能够有效处理分类和回归问题，在数据分类和数据挖掘中获得了广泛应用。……