基于残差注意力网络的无网格信号源DOA估计方法技术

本发明专利技术提供一种基于残差注意力网络的无网格信号源DOA估计方法，通过在接收端架构稀疏阵列，利用架构的稀疏阵列接收入射信号并建模；计算稀疏阵列接收信号的采样协方差矩阵，计算生成接收信号所对应的协方差矩阵张量；构造基于残差注意力网络的信号降噪重构网络CRN，将所得协方差矩阵张量输入到训练后的信号协方差降噪重构网络CRN，重构与稀疏阵列对应的均匀线性阵列的无噪协方差矩阵的首行向量的估计值；恢复无噪协方差矩阵并搜索信号源方向DOA；该方法与基于CNN的CRN相比，能够有效提高在高信噪比区域的DOA估计性能，能够使得CRN更加关注输入中的有效特征，由此，能够提升信号降噪重构网络CRN的回归性能，进一步地提高DOA估计性能。高DOA估计性能。高DOA估计性能。

【技术实现步骤摘要】
基于残差注意力网络的无网格信号源DOA估计方法


[0001]本专利技术涉及一种基于残差注意力网络的无网格信号源DOA估计方法，属于信号处理


技术介绍

[0002]波达方向估计即DOA估计是阵列信号处理领域中重要的研究方向之一，应用在无线通信、雷达、声呐、导航等领域。DOA估计通过阵列天线和波达方向技术由接收信号来实现波达方向角(Direction
‑
of
‑
Arrival，DOA)估计。
[0003]目前DOA估计方法主要多重信号分类法MUSIC、稀疏与参数方法SPA、基于奇异值分解的l1重构法L1SVD、协方差矩阵重构法CMRA、采用基于CNN的CRN方法。其中，多重信号分类法MUSIC、稀疏与参数方法SPA、基于奇异值分解的l1重构法L1SVD、协方差矩阵重构法CMRA在低信噪比条件下的性能较差、运行时间较长。
[0004]针对以上问题，采用基于CNN的CRN方法能够提高低信噪比条件下的性能。但采用基于CNN的CRN方法在高信噪比下存在性能瓶颈，在高信噪比区域的DOA估计性能较低。
[0005]上述问题是在基于残差注意力网络的无网格信号源DOA估计过程中应当予以考虑并解决的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于残差注意力网络的无网格信号源DOA估计方法解决现有技术中存在的低信噪比条件下的性能较差、运行时间较长、在高信噪比区域的DOA估计性能有待提高的问题。
[0007]本专利技术的技术解决方案是：
[0008]一种基于残差注意力网络的无网格信号源DOA估计方法，包括：
[0009]S1、在接收端架构稀疏阵列，利用架构的稀疏阵列接收入射信号并建模；
[0010]S2、计算稀疏阵列接收信号的采样协方差矩阵，计算生成接收信号所对应的协方差矩阵张量；
[0011]还包括以下步骤，
[0012]S3、构造基于残差注意力网络的信号降噪重构网络CRN，对构造的基于残差注意力网络的信号降噪重构网络CRN进行训练，获得训练后的基于残差注意力网络的信号降噪重构网络CRN；
[0013]S4、将步骤S2所得协方差矩阵张量输入到训练后的信号协方差降噪重构网络CRN，重构与稀疏阵列对应的均匀线性阵列的无噪协方差矩阵的首行向量的估计值；
[0014]S5、由步骤S4所得无噪协方差矩阵的首行向量的估计值，恢复无噪协方差矩阵并搜索信号源方向DOA。
[0015]进一步地，步骤S3中，基于残差注意力网络的信号降噪重构网络CRN包括第一输入层、复合卷积层、残差注意力网络、展平层、全连接多层结构和第一输出层，
[0016]第一输入层：将步骤S2所得协方差矩阵张量输入到复合卷积层；
[0017]复合卷积层：对输入的协方差矩阵张量进行卷积后，进行批归一化，由leakyReLU激活函数非线性化后，获得复合卷积后的输出张量；
[0018]残差注意力网络：对输入的复合卷积后的输出张量进行卷积与批归一化，由leakyReLU激活函数非线性化操作后，通过空间注意力和通道注意力对输入中的各个特征乘以不同的权重，获得多维输出张量；
[0019]展平层：将输入的多维输出张量转化为一维张量；
[0020]全连接多层结构：对输入一维张量，由三组依次设置的全连接层和第四LeakyReLU层，分别进行全连接并增加数据的非线性后，得到长度为2N的一维张量，其中，N为作为接收阵列的稀疏线性阵列SLA所对应的均匀线性阵列ULA的阵元数；
[0021]第一输出层：输出长度为2N的一维张量，该一维张量由协方差矩阵首行向量u的实部与虚部堆叠而成。
[0022]进一步地，步骤S3中，复合卷积层包括第一卷积层、第一BN层和第一LeakyReLU层，
[0023]第一卷积层：对输入的协方差矩阵张量进行卷积，并输出第一卷积张量给第一BN层；
[0024]第一BN层：对第一卷积张量进行批归一化后得到第一输出张量，并输出给第一LeakyReLU层；
[0025]第一LeakyReLU层：对输入的第一输出张量增加数据的非线性后，获得复合卷积后的输出张量。
[0026]进一步地，残差注意力网络包括P个依次设置的残差注意力模块，每个残差注意力模块包括第二输入层、第二卷积层、第一BN层、第二LeakyReLU层、第三卷积层、第二BN层、第三LeakyReLU层、卷积注意力模块CBAM和第二输出层，
[0027]第二输入层：用于将前一层的输出张量输入给第二卷积层；
[0028]第二卷积层：对第二输入层输入的张量进行卷积，得到第二卷积张量并输出给第二BN层；
[0029]第二BN层：对第二卷积张量进行批量归一化处理后，得到第二输出张量；
[0030]第二LeakyReLU层：以第二输出张量为输入，由leakyReLU激活函数增加非线性后，输出张量给第三卷积层；
[0031]第三卷积层：对第二LeakyReLU层的输出张量进行卷积，得到第三卷积张量并输出给第三BN层；
[0032]第三BN层：对第三卷积张量进行批量归一化处理，得到第三输出张量；
[0033]第三LeakyReLU层：以第三输出张量为输入，由leakyReLU激活函数增加非线性后，输出张量给卷积注意力模块CBAM；
[0034]卷积注意力模块CBAM：以第三LeakyReLU层的输出张量为输入，首先通过通道注意力，根据通道特征的重要程度，对不同的通道特征乘以不同的的权重；再通过空间注意力，根据空间特征的重要程度，对不同的空间位置特征乘以不同的权重，且越重要的空间特征权重越大，获得卷积注意力后的输出张量；
[0035]第二输出层：将卷积注意力模块CBAM得到的卷积注意力后的输出张量与第二输入层输入的张量拼接后，获得多维输出张量并进行输出。
[0036]进一步地，第p个残差注意模块的组成表示为，
[0037][0038]其中，Y
p
‑1表示第p个残差注意力模块的输入，Y
p
表示第p个残差注意力模块的输出，为第二输入层到第二输出层的跳跃连接，为经过卷积层与注意力模块的连接。
[0039]进一步地，全连接多层结构包括三组依次设置的全连接层和第四LeakyReLU层，
[0040]全连接层：将前一层的所有节点与本层所有节点一一连接，用来将提取到的特征进行整合后并输出给第四LeakyReLU层；
[0041]第四LeakyReLU层：用于增加全连接层的输出张量的非线性。
[0042]本专利技术的有益效果是：该种基于残差注意力网络的无网格信号源DOA估计方法，与MUSIC、SPA、L1SVD、CMRA相比较，能够提高低信噪比条件下的性能，并减少运行时间的基础上，与基于CNN的CRN相比，通过采用基于残差注意力网络的信号降噪重构网络CRN，能够有效提高在高信噪比区域的DOA估计性能，并能够有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差注意力网络的无网格信号源DOA估计方法，包括：S1、在接收端架构稀疏阵列，利用架构的稀疏阵列接收入射信号并建模；S2、计算稀疏阵列接收信号的采样协方差矩阵，计算生成接收信号所对应的协方差矩阵张量；其特征在于：还包括以下步骤，S3、构造基于残差注意力网络的信号降噪重构网络CRN，对构造的基于残差注意力网络的信号降噪重构网络CRN进行训练，获得训练后的基于残差注意力网络的信号降噪重构网络CRN；S4、将步骤S2所得协方差矩阵张量输入到训练后的信号协方差降噪重构网络CRN，重构与稀疏阵列对应的均匀线性阵列的无噪协方差矩阵的首行向量的估计值；S5、由步骤S4所得无噪协方差矩阵的首行向量的估计值，恢复无噪协方差矩阵并搜索信号源方向DOA。2.如权利要求1所述的基于残差注意力网络的无网格信号源DOA估计方法，其特征在于：步骤S3中，基于残差注意力网络的信号降噪重构网络CRN包括第一输入层、复合卷积层、残差注意力网络、展平层、全连接多层结构和第一输出层，第一输入层：将步骤S2所得协方差矩阵张量输入到复合卷积层；复合卷积层：对输入的协方差矩阵张量进行卷积后，进行批归一化，由leakyReLU激活函数非线性化后，获得复合卷积后的输出张量；残差注意力网络：对输入的复合卷积后的输出张量进行卷积与批归一化，由leakyReLU激活函数非线性化操作后，通过空间注意力和通道注意力对输入中的各个特征乘以不同的权重，获得多维输出张量；展平层：将输入的多维输出张量转化为一维张量；全连接多层结构：对输入一维张量，由三组依次设置的全连接层和第四LeakyReLU层，分别进行全连接并增加数据的非线性后，得到长度为2N的一维张量，其中，N为作为接收阵列的稀疏线性阵列SLA所对应的均匀线性阵列ULA的阵元数；第一输出层：输出长度为2N的一维张量，该一维张量由协方差矩阵首行向量u的实部与虚部堆叠而成。3.如权利要求2所述的基于残差注意力网络的无网格信号源DOA估计方法，其特征在于：步骤S3中，复合卷积层包括第一卷积层、第一BN层和第一LeakyReLU层，第一卷积层：对输入的协方差矩阵张量进行卷积，并输出第一卷积张量给第一BN层；第一BN层：对第一卷积张量进行批归一化后得到第一输出张量，并输出给第一LeakyReLU层；第一LeakyReLU层：对输入的第一输出张量增加数据的非线性后，获得复合卷积后的输出...

【专利技术属性】
技术研发人员：吴晓欢，杨旭，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：