总第 331 期 舰 船 电 子 工 程 Vol. 42 No.

1
2022 年第 1 期 Ship舰Electronic
船 电 子Engineering
工 程 73

∗
基于神经网络的飞机着陆速度预测模型
潘卫军 张衡衡 吴天祎 刘 涛 尹子锐
（中国民航飞行学院空中交通管理学院 广汉 618307）

摘 要 空中交通需求的增长迫切需要在繁忙的终端区准确地建立连续降落飞机间的间隔，因此需要准确地预测着陆
速度，以提高机场吞吐量，同时避免飞机间的间隔过小带来的碰撞危险。论文利用获取的机载飞行信息和机场监视信息，利
用神经网络建立飞机组之间后机的进近着陆速度预测模型，模拟后机进近到着陆跑道的最终进近速度剖面，使用确定 R2 系
数和均方根误差的拟合优度进行评估，在成都双流机场的数据条件下，模型准确预测了着陆速度，96%的情况下，弱阵风和
强阵风条件下的误差幅度分别为 12.2%和 11.9%。通过结果得出，这两种阵风条件下的着陆速度预测的不确定性至少降低
了 9.35%。
关键词 神经网络；进近着陆；着陆速度；模型预测
中图分类号 V211.7 DOI：10. 3969/j. issn. 1672-9730. 2022. 01. 018

Prediction Model of Aircraft Landing Speed Based on

Neural Network
PAN Weijun ZHANG Hengheng WU Tianyi LIU Tao YIN Zirui
（School of Air Traffic Management，Civil Aviation Flight University of China，Guanghan 618307）

Abstract With the growth of air traffic demand，it is urgent to accurately establish the spacing between aircraft in busy termi⁃
nal area，so it is necessary to accurately predict the landing speed，so as to improve the airport throughput and avoid the collision
risk caused by too small spacing between aircraft. In this paper，using the acquired airborne flight information and airport monitor⁃
ing information，the neural network is used to establish the prediction model of the approach and landing speed of the rear aircraft
between aircraft groups. The final approach speed profile of the rear aircraft approaching to the landing runway is simulated and de⁃
termined by using the neural network. Under the data condition of Chengdu Shuangliu airport，the model accurately predictes the
landing speed. Under the condition of 96%，the error ranges of weak gust and gust are 12.2% and 11.9% respectively. The results
show that the uncertainty of landing speed prediction under these two gust conditions is reduced by at least 9.35%.
Key Words neural network，approach and landing，landing speed，model prediction
Class Number V211.7

隔［2~3］，另一个是控制着陆飞机的跑道占用时间［4~5］。
1 引言 三是进行飞机间隔碰撞危险性分析［6］。因为上述
美国联邦航空管理局（FAA）计划在 2025 年前 建议都依赖于对飞机飞行进行精确的预测，基于精
实施下一代航空运输系统（NextGen） 实现国家空 ［1］
确的着陆速度预测和跑道占用时间预估，来提供连
域系统（NAS）的现代化，在已经拥挤的终端空域中 续到达的飞机之间的精确间隔，目前，管制程序规
提高其容量以满足预期的交通需求增长，实现这个 定了飞机在大部分空域的飞行速度，只有在飞机准
目标需要建立在安全间隔的前提下，为了保证航空 备进近着陆时的进场速度由飞行员决定。着陆速
之 间 的 安 全 间 隔 ，一 个 是 缩 减 终 端 区 的 尾 流 间 度的不确定性会导致飞机间隔过大或过小，引起飞

∗ 收稿日期：2021 年 7 月 7 日，修回日期：2021 年 8 月 13 日
基金项目：国家自然科学基金联合基金重点项目（编号：U1733203）；国家重点研发计划（编号：2016YFB0502403）；
大学生创新创业项目（编号：S202010624096）资助。
作者简介：潘卫军，男，博士，教授，研究方向：空中交通管制。张衡衡，男，硕士研究生，研究方向：空中交通管制。
 74 潘卫军等：基于神经网络的飞机着陆速度预测模型
机碰撞的可能性增大或者降低终端区运行效率和
机场跑道吞吐量。
当两架相继进近着陆的飞机接近着陆跑道时，
前机在后机之前减速时两机之间的距离会产生压
缩 ［7~8］
。为了控制两机之间距离压缩的程度，必须
在清楚前机的着陆速度后描绘出后机的进场速度
变化曲线。由于管制程序没有规定确定的着陆速
度，前机的着陆速度数据须通过飞机飞行数据和场
面监视系统得出。本文建立了一个后机着陆速度
预测模型，该模型基于前机的进近着陆速度参数进
行分析计算，从而得出精确的后机进近着陆速度，
使得后机以合适的速度进近着陆，在保证安全的间
隔前提下，增大跑道吞吐量和机场运行效率。
2 模型数据预处理
该建模方法使用神经网络回归技术，用于构建
预测模型的原始数据通常需要彻底的预处理步
骤。所采用的着陆速度预测方法是多变量非线性
回归，将输入值拟合成相应的历史着陆速度输出
值。选择以下三步方法进行数据预处理 ：数据
［9~10］
收集、筛选和参数选择决策。
数据收集：识别和收集尽可能多的数据，保证
数据集的充足性。飞行原始数据由机载的飞行参
数（如燃油消耗、飞机重量等）提供。机场环境条件
数据由场面监视雷达记录的数据和提供。选取成
都双流机场 30 天的飞行数据和机场监视数据作为
该模型的初始数据。
筛选：筛选出直接影响建模任务的变量上。检
测对着陆速度影响最大的参数，筛选出模型输入信
息中的重复和冗余信息，对整体模型精度没有影响
的变量进行删除。
参数选择决策：基于筛选结果决定输入到模型
的最终参数。最终模型输入值中只使用变量的实
际测量值。
3 神经网络模型
3.1 基本原理
神经网络是一种基于回归的数学建模技术。
神经网络可以模仿人脑的认知和推理功能，能够模
拟高度非线性的行为。一般来说，当线性建模方法
表现不佳时，神经网络可以作为一种替代建模方
法 ［11］
。最容易构建和实现的神经网络类型之一是
前馈反向传播（FFBP）。FFBP 是建立模型的良好
起点，因为前馈神经网络在理论上可以拟合输入和
输出之间的任何非线性关系。然而，从外部看模型
总第 331 期
是全封闭的，对于使用者就像一个黑盒子，不能看
出每个输入参数是如何进行计算分析和对输出值
的影响的［12~13］。
在体系结构上，FFBP 神经网络由输入层、隐藏
层和输出层组成，如图 1 所示。
图1 三输入两输出前反馈神经网络示意图
而隐藏层是网络的数据处理中心，输出层是对
模拟的响应。第一层是由神经元组成的，每个输入
元素通过权重（w）连接到每个神经元，添加偏置（b）
后加权输入［14］。
数学上，隐藏节点的值是通过构成逻辑函数来
计算的，如式（1）所示：
1
S(z) = （1）
1 + e -z
使用一个符合 Xi 设计变量的线性函数。隐藏
节点的形式如式（2）所示：
N
H j = S(d j + å (Cij Xij )) （2）
i=1
其中： d j 为第 j 个隐藏节点的截距项；Cij 为第 i
个设计变量的系数；Xi 为第 i 个设计变量的值；H j
为第 j 个隐藏节点的值；N 为输入变量的数量。
由式（1）定义的逻辑 Sigmoid 函数用于对输入
参数进行归一化处理，使得其输出是 0 和 1 之间的
值。通常，构建神经网络有三个主要步骤：训练、验
证 和 测 试 。 因 此 ，数 据 集 被 分 为 三 组 。 训 练 集
（Training set）用来拟合模型，通过设置分类器的参
数，训练分类模型。后续结合验证集作用时，会选
出同一参数的不同取值，拟合出多个分类器。验证
集（Cross Validation set）是当通过训练集训练出多
个模型后，为了能找出效果最佳的模型，使用各个
模型对验证集数据进行预测，并记录模型准确率。
选出效果最佳的模型所对应的参数，即用来调整模
型参数。最后测试集（Test set）通过训练集和验证
集得出最优模型后，使用测试集进行模型预测。用
来衡量该最优模型的性能和分类能力。即可以把
测试集当做从来不存在的数据集，当已经确定模型
参数后，使用测试集进行模型性能评价［15］。
2022 年第 1 期 舰 船 电 子 工 程 75

在现有的许多神经网络训练算法中，当需要快 进近速度，其作为该型飞机静风时的最后进近速
速训练时，Levenberg-Marquardt 的算法是前馈网络 度。
最常用的算法。基于该研究的目标，为了对输入变 在强阵风条件下，操作手册建议飞行员的参考
量进行回归建模以预测相应的着陆速度，使用网络 速度为
训练方法进行函数逼近。神经网络训练需要基于 VTarget = Vs + 0.5SW + GW （7）
已知输入和对应目标输出的训练集。神经网络也 其中：VTarget 为参考最后进近速度；Vs 为标准最后
可进行多次训练以提高拟合质量。使用式（3）中定
进近速度，其作为该型飞机静风时的最后进近速
义的均方误差（MSE）性能函数作为训练过程停止
度；SW 为定常风，即为所报告风的逆风分量；GW
的标准［16］。
N N
为阵风，即报告风和报告阵风之间的逆风差异。限
MSE = 1 å (ei)2 = 1 å (ti - ai )2 （3） 制条件是 0.5SW + GW 不得超过 20kn［18］。
N i=1 N i=1
确定选定机场固定参数（如机场高度、跑道长
其中：MSE 为均方误差即神经网络输出结果和参
度）有助于飞机的最终进场性能。此外，每种飞机
考结果之间的均方误差；ei 为第 i 个神经网络输出
类型（如 B737 或 A320）都有直接影响其着陆速度
结果和参考结果之间误差；ti 为第 i 个参考结果；ai
的特定性能参数。为了解决所有这些可能影响着
为第 i 个神经网络输出结果。
陆速度模型的准确度的参数，使用历史数据创建选
3.2 模型评估
定机场和选定飞机的着陆模型。
模型评估中包括神经网络模型的预测着陆速
本模型所提出的神经网络模型使用成都双流
度误差和参考速度误差，为了进行比较，定义了以
机场（CTU）的 A320 飞机类型的 30 天共计 5569 架
下两个指标。
次进近着陆数据。
参考误差：实际着陆速度和参考速度之间的绝
第一步：数据收集
对差值。
| V Actual - VTarget | 本 研 究 使 用 的 原 始 数 据 集 包 含 300 多 个 变
ErrorTarget = || ( ) ´ 100 || （4） 量。这些数据包括机场跑道信息（例如跑道长度和
| VTarget |
配置）、气象环境信息（例如能见度、风力条件）、特
模型误差：定义为实际着陆速度与神经网络模
定飞行参数（例如飞行的城市、燃料燃烧率、着陆重
型预测的着陆速度之间的绝对差值。
量等）以及 A320 飞机进近着陆的参数（如重量、飞
| V - V Model |
ErrorModel = | ( Actual ) ´ 100 | （5） 机最大有效载荷）。
| V Model |
第二步：筛选
其中：V Actual 为实际速度为地面速度和机场报告风
筛选即对参数预测值的识别。筛选分两步进
速之和；VTarget 为参考速度为基于飞机类型和飞机
行：消除无关性数据和消除模型的重复信息［19］。一
重量的飞行手册推荐的进近速度，此速度用作比较
开始就被确定为不相关的变量会被自动消除，冗余
的参考着陆速度；V Model 为神经网络模型预测的着
的消除是基于变量对之间的统计相关性，如果两个
陆速度。
或多个变量提供相同的信息，则计算分析时只使用
每种飞机都有飞行操作手册，其中有基于飞机
其中一个。
类型和着陆飞机重量的着陆速度称为参考速度。
表1 模型所需的变量
为了评估着陆速度模型的质量，将其预测结果与参
参数简称 参数全称
考结果进行比较。模型数据使用的飞机类型是
HW 逆风
A320，最常见的单通道飞机之一。对于这种飞机
GW 阵风
类型，飞行操作手册定义：弱阵风条件降落和强阵 FC 预测最大风速值
风条件降落，定义为阵风低于 10kn 为弱阵风条件， FV 预测能见度
阵风大于 10kn 为强阵风条件 ［17］
。 ALW 实际着陆重量
在弱阵风条件下，操作手册建议飞行员将进近 第三步：选择决定
参考速度定为 基于尽可能使用最少数量参数的原则，最后筛
VT arg et = Vs + 5knots （6） 选出的结果中包含与飞机着陆速度最相关的十三
其中：VTarget 为参考最后进近速度；Vs 为标准最后 个参数的简化集合。然后，为了将该建模方法适用
 76 潘卫军等：基于神经网络的飞机着陆速度预测模型 总第 331 期

于其他机场，从中排除了其他机场不可获取的变 和均方根误差分别为 0.42 和 3.48，强阵风条件下分

量。最后，数据处理的结果是表 1 所示的五个变量 别为 0.57 和 3.5。
参数。用表 1 选定的五个变量用作建立神经网络 此外，从图 4 和图 5 可以推断，尽管使用相同的
模型的输入变量，输出则是着陆速度。 数据集进行建模和测试，但在弱阵风和强阵风条件
下，着陆速度预测存在相当大的偏差。
4 神经网络建模及运算
160
155 实际速度
因为参考着陆速度预测是根据着陆阵风条件 预测速度
150

实际着陆速度/knot
来划分的，所以数据也分为两组：弱阵风和强阵风 145
140
条件。
135
表 1 所示的五个输入变量用作模型输入，使用 130
Matlab 软件为两种阵风条件建立前馈神经网络。 125
120
图 2 所示的神经网络示意图有三个隐藏层和一个 115
输出层。 110
110 115 120 125 130 135 140 145 150 155 160
Hidden Output 模型预测速度/knot
Input Output
图4 弱阵风条件下实际速度与预测速度对比图

5 1 基于图 4 和图 5 所示数据点的聚集性质，表明
3 1 实际和预测着陆速度呈现正态分布特征。因此，模
图2 神经网络简介图 型误差分布也具有正态分布特征。
基于在可用数据点数量有限的情况下允许足 160
实际速度
155 预测速度
够大的训练集大小，数据集被随机分成如下三组： 150
70% 用 于 训 练 ，20% 用 于 验 证 ，其 余 10% 用 于 测
实际着陆速度/knot

145
140
试。训练过程包括调整权重和偏差，直到验证数据
135
集收敛。 130
500 125
最优 120
400
训练集 115
测试集
验证集 110
110 115 120 125 130 135 140 145 150 155 160
300
均方根误差

模型预测速度/knot

200 图5 强阵风条件下实际速度与预测速度对比图

如图 6 所示的正态概率图所示，因为所有数据
100
点都落在测线附近，正态分布的假设对于弱阵风条
0 2 4 6 8 10 12 14 件是合理的，对于强阵风情况，也观察到类似的趋
迭代次数 势。因此，正态分布统计可以用来比较模型结果与
图3
其相应的标准之间的差异。表 2 是计算出的统计
强阵风条件下的均方误差

在图 3 所示的强阵风情况的例子中，收敛发生 参数的汇总。
在第六次迭代之后。 1.0
参考
0.9 预测
5 结果分析 0.8
0.7
0.6
在建立模型和预测着陆速度之后，进行评估预 0.5
概率

测的质量。图 4 和图 5 分别表示了弱阵风和强阵风 0.4

0.3
时实际着陆速度与预测着陆速度的函数关系，如果 0.2
0.1
模型能精确预测实际着陆速度，所有的红三角都会 0.0
落在绿线上。 -0.1
-15 -10 -5 0 5 10 15
预测结果的质量使用确定 R2 系数和均方根误 模型误差/%
差进行评估。对于上述数据集，弱阵风的 R2 误差 图6 弱阵风条件下正态概率图
2022 年第 1 期 舰 船 电 子 工 程 77

表2 着陆速度误差统计总结 大值，即参考结果误差显示系统误差分布向右移
评价参数 弱阵风结果误差 强阵风结果误差 动。相比之下，对于强阵风情况，参考结果误差分
模型 参考 模型 参考 布向左移动，概率密度函数最大值约为 8%。
平均值 -0.11 4.19 -0.21 -7.1 对弱阵风条件的定量分析表明，神经网络建模
标准偏差 4.2 4.9 4.0 4.4
方法结果提供了比参考结果更准确的着陆速度预
最小值 -12.9 -15.4 -12.8 -20.1
测。第一因为神经网络模型误差分布的平均值约
中位数 -0.18 5.1 -0.29 -6.88
为 0%，这表明它们比参考结果具有更高的精度。
最大值 14.2 20.1 12.9 8.01
25% -3.12 0.76 -2.9 -9.8
第二因为神经网络模型结果误差在弱阵风和强阵
75% 2.19 7.12 2.4 -3.9 风条件下的标准偏差分别为 4.2 和 4.0，而参考结果
误差的标准偏差在两种情况下为 4.9 和 4.4。
表 2 表明，弱阵风和强阵风条件下模型结果误
实际上神经网络模型结果误差分布说明弱阵
差平均值比参考值小一个数量级。此外，模型结果
风和强阵风的误差分布标准偏差分别减少了 18%
的偏差值小于参考结果的偏差值。表 2 统计数据
和 9.5%。即对于弱阵风和强阵风，神经网络模型
表明，神经网络着陆速度预测模型结果在弱阵风和
结果误差相比参考着陆速度结果误差分别减少了
强阵风条件下都优于参考结果。
18%和 9.5%。
对于两种阵风条件，模型结果和参考结果的误
根据图 7，对于弱阵风条件，飞行操作手册给
差分布近似为正态分布，如图 7 和图 8 所示，神经网
出的参考结果倾向于低估着陆速度；即在弱阵风条
络模型的方差较低。对于弱阵风条件，模型结果误
件下，与飞行手册推荐值相比，飞行员的着陆速度
差从 25%~75%的扩展为 5.3%（-3%~2.3%），而参
超过了参考着陆速度。相比之下，在图 8 所示的强
考结果误差的扩展为 6.6%（0.8%~7.4%）。 阵风条件误差分布中，飞行操作手册给出的参考速
模型结果误差 度超过了实际着陆速度。
参考结果误差
200
总之对于正常的着陆速度范围，神经网络建模
误差无量钢值

方法能够精确的预测大多数数据点的着陆速度。

100 6 结语
为表 1 中所列变量开发的神经网络的拟合质
量通过确定系数 R2 进行评估，弱阵风模型的确定
0
-15 -10 -5 0 5 10 15 20 系数为 0.43，强阵风模型的确定系数为 0.56。基于
概率分布/%
误差分布的正态分布性质，发现神经网络模型在
图7 弱逆风误差分布
96%的情况下准确预测着陆速度，在弱阵风条件下
类似地，对于强阵风条件，从模型结果误差的
误差为 12.2%，在强阵风条件下误差为 11.9%。在
25%~75%的扩展是 5.3%（-3%~2.3%），参考结果
使用窄体飞机作为实验机型的情况下，神经网络模
误差扩展是 5.7%（-9.9%~-4.2%）。 型将弱阵风和强阵风条件下着陆速度预测的不确
80
模型结果误差 定性分别降低了 17.2%和 9.35%。此外，飞行员在
参考结果误差

60
弱阵风条件下倾向于过补偿着陆速度，在强阵风条
件下倾向于欠补偿着陆速度。
误差无量钢值

40
参考文献
20
［1］Tong，Chao，et al. A novel deep learning method for air⁃

0
craft landing speed prediction based on cloud-based sen⁃
-20 -15 -10 -5 0 5 10 15 sor data［J］. Future Generation Computer Systems，2018：
概率分布/%
552-558.
图8 强逆风误差分布
［2］Sadovsky A V，Swenson H N，Haskell W B，et al. Opti⁃
在弱阵风情况下，当模型结果误差的峰值为 0 mal time advance in terminal area arrivals：Throughput
时，参考结果误差的概率密度函数达到约 5%的最 vs. fuel savings［C］// 30th Digital Avionics Systems Confer⁃
 78 潘卫军等：基于神经网络的飞机着陆速度预测模型
ence. IEEE，2011：202-216.
［3］Hu C，Zhou S H，Xie Y，et al. The study on hard landing
prediction model with optimized parameter SVM method
［C］// 35th Chinese Control Conference. IEEE， 2016：
4283-4287.
［4］Dufrene W R. AI techniques in uninhabited aerial vehicle
flight［J］. IEEE Aerospace and Electronic Systems Maga⁃
zine，2004，19（8）：8-12.
［5］de Almeida S J，Franco C A D，Ferreira R P M，et al. A
method for estimating flight paths missing data［J］. ABA⁃
KOS，2018，7（1）：84-105.
［6］潘卫军，邓文祥，梁海军，郑思睿. 配对进近尾流安全间
隔 优 化 研 究［J］. 计 算 机 仿 真 ，2021，38（02）：47-51，
179.
［7］ Isaacson D R，Sadovsky A V，Davis D. Scheduling for
Precision Air Traffic Operations：Problem Definition and
Review of Prior Research［J］. Journal of Aerospace Infor⁃
mation Systems，2014，11（4）：234-257.
［8］ Tong C，Yin X，Wang S，et al. A novel deep learning
method for aircraft landing speed prediction based on
cloud-based sensor data［J］. Future Generation Computer
Systems，2018，88：552-558.
［9］潘卫军，王思禹，陈宽明，等. 基于模型计算的航空器侧
向 运 行 安 全 分 析 与 改 进［J］. 电 子 设 计 工 程 ，2020，28
（04）：137-141，146.
［10］Ju X，Tian Y. Knowledge-based support vector machine
classifiers via nearest points［J］. Procedia Computer Sci⁃
ence，2012，9：1240-1248.
［11］Blair B，Lee H K H，Davies M. Real-time detection of
􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍
（上接第 56 页）
线电通信领域不断发展并日益被大量采用的情况
下，对通信测向装备技术性能和战术性能都提出了
新的需求，这也将是通信测向装备发展的方向。
参考文献
［1］李炳荣，曲长文，平殿发. 基于 MUSIC 算法的圆阵测向
技术研究［J］. 弹箭与制导学报，2007（1）：207-210.
［2］张兴良，阮怀林，王树亮. 圆阵列 MUSIC 算法快速测向
技术［J］. 数据采集与处理，2011，26（3）：374-378.
［3］刘剑，宋爱民，任清华. 干涉仪与 MUSIC 算法的测向原
理及精度对比［J］. 航空兵器，2012（3）：29-32.
［4］贡彦飞，梁振恒. 一种基于二维 MUSIC 算法的测向系统
［J］. 计算机与网络，2012，38（11）：56-59.
［5］王国林，王玉文，黄永兢，等. 基于 MUSIC 算法的相位干
总第 331 期
in-flight aircraft damage［J］. Journal of Classification，
2017，34（3）：494-513.
［12］Curtis T，Rhoades D L，Waguespack Jr B P. Regional
jet aircraft competitiveness：challenges and opportunities
［J］. World Review of Entrepreneurship，Management
and Sustainable Development，2013，9（3）：307-319.
［13］潘卫军，罗杰，王少杰，等. 基于跑滑系统约束的航空
器滑行跟踪算法［J］. 四川大学学报（自然科学版），
2019，56（05）：843-850.
［14］Kumar A，Ghosh A K. Decision Tree-and Random For⁃
est-Based Novel Unsteady Aerodynamics Modeling Us⁃
ing Flight Data［J］. Journal of Aircraft，2019，56（1）：
403-409.
［15］Lee H B，Park J W. Comparative study on hazardous atti⁃
tudes and safe operational behavior in airline pilots［J］.
Journal of Air Transport Management，2016，54：70-79.
［16］谷润平，代树旺，魏志强. 基于安全阈值的尾流危险区
评估［J］. 安全与环境学报，2020，20（05）：1677-1682.
［17］Wynnyk L，Lunsford C R，Tittsworth J A，et al. Develop⁃
ment of approach and departure aircraft speed profiles
［J］. Journal of Aircraft，2017，54（1）：94-103.
［18］Lv H，Yu J，Zhu T. A novel method of overrun risk mea⁃
surement and assessment using large scale QAR data
［C］// IEEE Fourth International Conference on Big Data
Computing Service and Applications. IEEE， 2018：
213-220.
［19］赵宁宁，陈越，李晓晨，等. 航空器尾流重新分类标准
的 安 全 性 评 估 方 法［J］. 安 全 与 环 境 学 报 ，2020，20
（04）：1277-1283.
涉仪测向［J］. 通信技术，2013，46（11）：29-32.
［6］张 晓 燕. 基 于 相 关 干 涉 仪 体 制 的 车 载 测 向 天 线 设 计
［J］. 中国无线电，2016（5）：55-56.
［7］黄雪梅. 相关干涉仪测向天线阵优化设计研究［J］. 计
算机仿真，2016，33（10）：142-147，347.
［8］冯晓东，李华会，龚鑫. 相关干涉仪测向算法的改进与
实现［J］. 广东通信技术，2017，37（1）：74-79.
［9］胡荣飞，林自豪，杨娟. 空间谱估计经典 MUSIC 算法性
能分析［J］. 数字通信世界，2018（10）：34-35.
［10］彭忠宝，王文帅. 基于模式空间的圆阵 MUSIC 算法研
究［J］. 中国无线电，2018（12）：44-46.
［11］肖鑫，彭忠宝，周平. 空间谱测向技术及其经典算法
［J］. 中国无线电，2019（4）：63-66.
［12］唐勇，马坤涛，王浩丞，等. 一种基于干涉仪布阵的方
位俯仰相关测向方法［J］. 电子信息对抗技术，2019，
34（3）：7-9，23.