System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于深度神经网络与聚类的信源数与DOA同时估计方法技术_技高网

一种基于深度神经网络与聚类的信源数与DOA同时估计方法技术

技术编号:42544288 阅读:11 留言:0更新日期:2024-08-27 19:47
本发明专利技术公开了一种基于深度神经网络与聚类的信源数与DOA同时估计方法,首先由阵列构造协方差矩阵,然后自动编码器的训练数据‑标签集合和并行分类器的训练数据‑标签集合,接下来利用训练数据‑标签集合训练深度神经网络,将数据输入到训练后的深度神经网络中,获得输出空间谱向量;通过谱峰搜索获得空间谱向量大谱峰值,组成谱峰数据集以及对应角度值;对谱峰数据集进行扩展,获得拓展的谱峰数据集以及对应角度值;最后利用聚类算法对拓展的谱峰数据集进行聚类,获得信源数估计值和相应的DOA估计值。本发明专利技术在均匀或者非均匀噪声条件下,都能够实现准确的信源数目估计和高精度的角度估计。

【技术实现步骤摘要】

本专利技术属于信号处理,具体涉及一种基于深度神经网络与聚类的信源数与doa同时估计方法。


技术介绍

1、波达角度doa(direction of arrival)估计是阵列信号处理领域的重要研究内容,尤其music(multiple signal classification)算法已被广泛应用。music算法基于协方差矩阵的特征值大小,将特征向量空间划分为信号子空间和噪声子空间,以获得目标doa估计。然而,music需要已知信源数,导致在信源数未知的情况下需要使用信源数估计方法。信源数估计通常使用统计学方法,如aic(akaike information criterion)和mdl(minimumdescription length)。aic和mdl分别使用似然函数值和编码长度来选择最合适的模型。在均匀噪声条件下,信源数估计准确,但在低信噪比和少观测快拍的情况下,可能出现较大估计误差。对于非均匀噪声,aouada等人提出了非均匀噪声mdl(nu-mdl)方法,但在较大的噪声功率比条件下预测精度下降。最近,wax等人提出了基于信号子空间匹配的信源数检测方法ssm(signal subspace matching)。然而,ssm方法适用于中等和高信噪比条件。

2、总结现有技术,先进行信源数估计然后进行doa估计的两步策略存在误差累积问题,即信源数估计错误会影响后续doa估计结果,导致均方根误差增大。


技术实现思路

1、为了克服现有技术的不足,本专利技术提供了一种基于深度神经网络与聚类的信源数与doa同时估计方法,首先由阵列构造协方差矩阵,然后自动编码器的训练数据-标签集合和并行分类器的训练数据-标签集合,接下来利用训练数据-标签集合训练深度神经网络,将数据输入到训练后的深度神经网络中,获得输出空间谱向量;通过谱峰搜索获得空间谱向量大谱峰值,组成谱峰数据集以及对应角度值;对谱峰数据集进行扩展,获得拓展的谱峰数据集以及对应角度值;最后利用聚类算法对拓展的谱峰数据集进行聚类,获得信源数估计值和相应的doa估计值。本专利技术在均匀或者非均匀噪声条件下,都能够实现准确的信源数目估计和高精度的角度估计。

2、本专利技术解决其技术问题所采用的技术方案如下:

3、步骤1:阵列由m个阵元组成,k个远场、窄带目标信号入射到阵列;第m个阵元的接收信号为rm(t);m个阵元的观测数据向量为r(t)=[r1(t),r2(t),…,rm(t)]t;构造协方差矩阵其中,(·)t表示转置操作,(·)h表示共轭转置操作,n为采样数;

4、步骤2:根据获得由f组数据-标签对组成的自动编码器的训练数据-标签集合{(x1,y1),(x2,y2),…(xi,yi),…,(xf,yf)},其中xi表示第i个输入向量,yi表示对应的标签向量;以及由s组数据-标签对组成的并行分类器的训练数据-标签集合{(x1,z1),(x2,z2),…(xi,zi),…,(xs,zs)},其中xi表示第i个输入向量,zi表示对应的标签向量;

5、步骤3:利用训练数据-标签集合{(x1,y1),(x2,y2),…,(xf,yf)}和{(x1,z1),(x2,z2),…,(xs,zs)}训练深度神经网络;

6、步骤4:测试阶段,获得不在训练数据集合中的输入数据输入到经过步骤3训练后的深度神经网络中,获得输出空间谱向量p;

7、步骤5:通过谱峰搜索获得空间谱向量p的m-1个大谱峰值,其组成谱峰数据集{peaki,i=1,2,…,m-1}以及对应角度值

8、步骤6:对谱峰数据集进行扩展,获得拓展的谱峰数据集{peaki,i=1,2,…,m}以及对应角度值

9、步骤7:利用聚类算法对拓展的谱峰数据集{peaki,i=1,2,…,m}进行聚类,获得信源数估计值和相应的doa估计值

10、进一步地,所述步骤1具体为:

11、步骤1-1:设收到的k个远场信号的角度分别为θ1,θ2,…,θk,s(t)是由k个信源组成的向量s(t)=[s1(t),…sk(t)]t,a=[a(θ1),a(θ2),…,a(θk)],a(θi)是第i个角度的导向向量其中dm是第m个阵元和第一个阵元之间的距离,λ是信号的波长,j是虚数单位,噪声向量n(t)=[n1(t),…,nm(t)]t,阵列接收信号向量为:r(t)=as(t)+n(t);

12、步骤1-2:协方差矩阵估计值为

13、进一步地,所述步骤2的具体为:

14、步骤2-1:取的右上三角元素排列组成一个维的向量bcor=[r1,2,r1,3,…,r1,m,r2,3,…,r2,m,…,rm-1,m]t;bcor是包含实部和虚部的复数向量,将其实虚部进行拆分拼接得到一个m(m-1)维的向量b=[real{bcort},imag{bcort}],其中real(·)是取实部操作,imag(·)是取虚部操作;然后对b进行归一化得到向量其中mean(·)表示取均值,‖·‖2表示2范数;

15、步骤2-2:自动编码器对应的数据标签为m×(m-1)×num维的向量yi,其中num为并行分类器的个数,从而获得一个数据-标签对为(xi,yi),其中下标i为序号;并行分类器对应的数据标签为维的向量zi,其中grid为深度神经网络的网格间隔,进一步获得一个数据-标签对为(xi,zi),其中下标i为序号;zi是一个大部分元素等于0的稀疏向量,其非零位置即为目标doa;

16、步骤2-3:在不同场景下获得观测数据r(t),并根据步骤1,获得相应的最后获得由f组数据-标签对组成的自动编码器的训练数据-标签集合{(x1,y1),(x2,y2),…,(xf,yf)},以及由s组数据-标签对组成的并行分类器的训练数据-标签集合{(x1,z1),(x2,z2),…,(xs,zs)}。

17、进一步地,所述步骤3具体为:

18、步骤3-1:利用训练数据-标签集合{(x1,y1),(x2,y2),…,(xf,yf)}训练自编码器层,:设自编码器的网络层数为l,不含输入层,用netl表示第l层的输出,netl=wl,l-1hl-1+bl,l=1,2,…,l,其中wl,l-1表示第l-1层与第l层之间的权重矩阵,bl表示第l层的偏差;

19、步骤3-2:利用训练数据-标签集合{(x1,z1),(x2,z2),…,(xs,zs)}训练并行分类器层,设分类器的神经网络总层数为不含输入层,用netl表示第l层的输出,其中表示第l-1层与第l层之间的权重矩阵,表示第l层的偏差,gl(·)为激活函数;对于输出层其中表示第层与第层之间的权重矩阵,表示第层的偏差。

20、进一步地,所述步骤6具体为:

21、步骤6-1:在角度处,对谱峰数据集添加虚拟谱峰数据,并设定其幅值大小为amp1,由此获得第m个谱峰值peakm=amp1,其对应角度为θm=θvs;

22、步骤6-2:本文档来自技高网...

【技术保护点】

1.一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,所述步骤1具体为:

3.根据权利要求2所述的一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,所述步骤2的具体为:

4.根据权利要求3所述的一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,所述步骤3具体为:

5.根据权利要求4所述的一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,所述步骤6具体为:

6.根据权利要求5所述的一种基于深度神经网络与聚类的信源数与DOA同时估计方法,其特征在于,所述步骤7具体为:

【技术特征摘要】

1.一种基于深度神经网络与聚类的信源数与doa同时估计方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种基于深度神经网络与聚类的信源数与doa同时估计方法,其特征在于,所述步骤1具体为:

3.根据权利要求2所述的一种基于深度神经网络与聚类的信源数与doa同时估计方法,其特征在于,所述步骤2的具体为:

4....

【专利技术属性】
技术研发人员:周圆柳艾飞力子
申请(专利权)人:西北工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1