【技术实现步骤摘要】
本专利技术属于导航、声纳和通信等信息系统领域，尤其涉及对阵列天线的波达方向(doa)估计应用。
技术介绍
1、波达方向(doa)估计在雷达、声呐和通信技术中应用广泛，并在数十年内被持续研究。doa估计方法起源于常规波束形成(cbf)法，其通过动态调整阵列传感器的权重，在来波方向生成谱峰。cbf法对依赖于阵列天线的主瓣宽度，无法分辨主瓣宽度内的两个信号角度。此后，研究人员开发了包括多信号分类(music)法和子空间旋转不变(esprit)法在内的子空间分解方法，使得doa估计精度突破了阵列孔径限制，实现了超分辨估计。这些基于子空间分解的方法对于信号的信噪比(snr)和快拍数较为敏感，容易导致doa估计性能恶化。另一类doa估计方法是基于最大似然估计的方法，其假设入射信号服从复高斯随机过程，并使似然函数最大化求解入射信号的角度值。此后，研究人员将稀疏恢复算法与doa估计相结合，提出了包括l1-svd、原子范数最小化(anm)、稀疏贝叶斯学习(sbl)在内的doa估计方法，这些方法通过求解优化问题，使得代价函数最小化，得到doa估计结果。近年来，随着人工智能的不断发展，研究人员提出了多种基于深度学习的doa估计方法。这些基于深度学习的doa估计将训练样本和信号角度标签同时输入网络，利用神经网络建立训练样本和信号角度之间的映射关系。
2、上述doa估计方法通常默认多个来波信号具有相同的功率，但是在实际情况中，电磁环境复杂，电子干扰种类多样，干扰信号的信噪比往往高于目标信号的信噪比，当干扰信号与目标信号同时存在时，目标信号往往
技术实现思路
1、为解决上述问题，本专利技术提出了一种基于门限capon加权惩罚项的无监督学习波达方向估计方法。本专利技术针对复杂电磁环境下，强干扰和弱目标同时存在时的doa估计问题，以稀疏恢复的优化函数为基础，设计了无监督学习网络的损失函数，利用门限截断的capon权对损失函数的范数惩罚项进行加权，在入射信号方向生成零陷，减小强干扰信号对损失函数惩罚项的影响，改善强干扰对弱信号的淹没情况。同时，本专利技术设计无监督学习网络结构时，利用深度展开概念，增加网络深度，代替稀疏恢复的迭代求解过程，提高了神经网络的非线性拟合能力，以及信号的doa估计精度。本专利技术中的神经网络在训练过程中不需要信号的角度真值作为标签，也不需要调整损失函数中的超参数，提高了方法的效率。
2、本专利技术的有益效果在于：
3、本专利技术应用于阵列天线的doa估计领域，提高了doa估计的精度，特别是在强干扰和弱目标信号同时存在的场景下，本专利技术能够提高弱目标的估计精度，且不需要依赖于超参数和训练数据的标签。。
本文档来自技高网...【技术保护点】
1.一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于包括：
2.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤1中阵列观测信号模型可以被稀疏表示为
3.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤2中根据稀疏恢复理论，优化函数的形式可以表示为
4.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中设计的神经网络包括协方差矩阵处理模块、深度展开模块以及空间谱重构模块三部分。
5.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中，协方差矩阵处理模块由三个二维卷积层组成，卷积核的大小为3×3，特征图通道数分别为4，8和16；第l个卷积层的运算过程可以表示为
6.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中，深度展开模块由五个结构相同的ResNet基
7.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中空间谱重构模块由四层全连接层组成，每一层的神经元个数分别为1024，2048，4096和L，其中L是对观测空间的角度所划分的网格数；第l个全连接层的运算可以表示为
8.如权利要求1所述的一种基于门限Capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中整个无监督学习神经网络的DOA估计过程可以表示为
...【技术特征摘要】
1.一种基于门限capon加权惩罚项的无监督学习波达方向估计方法，其特征在于包括：
2.如权利要求1所述的一种基于门限capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤1中阵列观测信号模型可以被稀疏表示为
3.如权利要求1所述的一种基于门限capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤2中根据稀疏恢复理论，优化函数的形式可以表示为
4.如权利要求1所述的一种基于门限capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中设计的神经网络包括协方差矩阵处理模块、深度展开模块以及空间谱重构模块三部分。
5.如权利要求1所述的一种基于门限capon加权惩罚项的无监督学习波达方向估计方法，其特征在于，步骤3中，协方差矩阵处理模块由三个二维卷积层组成，卷积核的大小为3×3，特征图通道...
【专利技术属性】
技术研发人员：杨小鹏，渠晓东，张正言，苗宏辙，刘丰睿，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。