【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
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....
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。