【技术实现步骤摘要】
本专利技术涉及信号处理，具体涉及基于深度学习的脉冲噪声环境下无线信号doa估计系统。
技术介绍
1、阵列信号处理技术常提取和分析从多个传感器接收到的信号，广泛应用于通信、声音处理、雷达系统等领域。阵列信号处理的目标是通过利用传感器之间的空间关系来提高信号的质量和分辨率。传统的阵列信号处理方法通常涉及波束形成、方向估计和空间滤波等步骤。
2、脉冲噪声是一种突发的、瞬时的干扰，常常出现在实际信号处理系统中。脉冲噪声可以来自于电源干扰、设备故障、雷击等因素，其特点是幅度大、持续时间短暂。脉冲噪声会对信号处理和doa估计造成很大的挑战。传统的阵列信号处理方法往往无法有效处理脉冲噪声，导致doa估计的准确性下降。
3、深度学习是一种基于人工神经网络的机器学习方法，通过多层深度神经网络结构进行自动学习和模式识别。它在计算机视觉、语音识别、自然语言处理等领域取得了巨大的成功。深度学习的核心是利用大量数据进行训练，从而自动提取特征和学习复杂的表示。它具有很强的非线性建模能力和适应性，能够处理高维度、复杂的数据。
技术实现思路
1、本专利技术的目的在于，提出基于深度学习的脉冲噪声环境下无线信号doa估计系统，通过引入深度学习方法，可以自动提取脉冲噪声中的有效信息，并实现准确的doa估计，这将极大地提高信号处理的可靠性和性能。
2、本专利技术提供了基于深度学习的脉冲噪声环境下无线信号doa估计系统，包括：
3、无线信号接收组件，用于接收空间目标源发射的无
4、信号预处理组件，对阵列信号进行预处理，实现阵列信号的序列化和实数化；
5、脉冲噪声抑制与doa估计组件，采用lstm深度网络抑制预处理后的信号序列中包含的脉冲噪声，然后通过两级cnn深度网络实现高精度的doa估计；
6、综合输出与显示组件，将doa估计结果输出到终端并显示出来。
7、进一步地，所述无线信号接收组件包括全向天线形成的u型信号接收阵列和信号接收机。
8、进一步地，设u型信号接收阵列包含的全向天线数量为m，采样的快拍数为n，则阵列输出信号x是一个m行n列的矩阵，将x转换为行向量形式xvec，其表达式为：
9、xvec＝[x(1,:),x(2,:),l,x(m,:)] (1)
10、其中，x(i,:)表示x的第i行，i＝1,2l,m；
11、令real(xvec)和imag(xvec)分别表示xvec的实部和虚部，则建立新的实数向量xreal：
12、xreal＝[real(xvec),imag(xvec)] (2)
13、进一步地，信号预处理组件具体实现方式为：
14、通过u型信号接收阵列采集大量的阵列信号，并利用式(1)和式(2)进行向量化和实数化；
15、对向量化和实数化后的数据进行标记，建立每组数据和其doa的对应关系；
16、将标记后数据分成三组：训练集、验证集和测试集。
17、进一步地，在没有无线信号入射情况下，将u型信号接收阵列接收到的脉冲噪声利用式(1)和式(2)向量化和实数化后作为噪声数据集。
18、进一步地，脉冲噪声抑制与doa估计组件具体实现方式为：
19、将训练集和噪声数据集输入到lstm网络中，通过训练lstm网络会将训练集中包含的脉冲噪声分离出来，作为lstm网络的输出；
20、训练集与lstm网络输出的脉冲噪声相减，获得无噪声信号；
21、无噪声信号与其对应的doa输入到第一级cnn网络，通过训练，实现精度为1度的无线信号的doa估计；
22、将精度为1度的无线信号的doa估计输入到第二级cnn网络，通过训练，实现精度为0.1度的无线信号的doa估计；
23、通过多次迭代训练，得到lstm和两级cnn网络的深度学习模型。
24、进一步地，使用验证集和测试集对训练得到的深度学习模型进行验证和测试，对lstm网络和两级cnn网络进行参数优化和网络结构优化，提升doa的精度和效率。
25、进一步地，应用时，u型信号接收阵列实际输出的阵列信号，经过预处理后输入至参数优化和网络结构优化后的深度学习模型中，得到空间目标源的高精度doa估计，并通过终端显示出来。
26、本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本专利结合了信号处理和深度学习两个领域的优势，旨在解决脉冲噪声环境下阵列输出信号doa估计的问题。通过引入深度学习方法，可以自动提取脉冲噪声中的有效信息，并实现准确的doa估计。这将极大地提高信号处理的可靠性和性能，在通信、声音处理和雷达系统等领域具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，包括：
2.根据权利要求1所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，所述无线信号接收组件包括全向天线形成的U型信号接收阵列和信号接收机。
3.根据权利要求2所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，设U型信号接收阵列包含的全向天线数量为M，采样的快拍数为N，则阵列输出信号x是一个M行N列的矩阵，将x转换为行向量形式xvec，其表达式为：
4.根据权利要求3所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，信号预处理组件具体实现方式为：
5.根据权利要求4所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，在没有无线信号入射情况下，将U型信号接收阵列接收到的脉冲噪声利用式(1)和式(2)向量化和实数化后作为噪声数据集。
6.根据权利要求5所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，脉冲噪声抑制与DOA估计组件具体实现方式为：
7.根据权
8.根据权利要求7所述基于深度学习的脉冲噪声环境下无线信号DOA估计系统，其特征在于，应用时，U型信号接收阵列实际输出的阵列信号，经过预处理后输入至参数优化和网络结构优化后的深度学习模型中，得到空间目标源的高精度DOA估计，并通过终端显示出来。
...【技术特征摘要】
1.基于深度学习的脉冲噪声环境下无线信号doa估计系统，其特征在于，包括：
2.根据权利要求1所述基于深度学习的脉冲噪声环境下无线信号doa估计系统，其特征在于，所述无线信号接收组件包括全向天线形成的u型信号接收阵列和信号接收机。
3.根据权利要求2所述基于深度学习的脉冲噪声环境下无线信号doa估计系统，其特征在于，设u型信号接收阵列包含的全向天线数量为m，采样的快拍数为n，则阵列输出信号x是一个m行n列的矩阵，将x转换为行向量形式xvec，其表达式为：
4.根据权利要求3所述基于深度学习的脉冲噪声环境下无线信号doa估计系统，其特征在于，信号预处理组件具体实现方式为：
5.根据权利要求4所述基于深度学习的脉冲噪声环境下无线信号doa估计系统，其特征在于，在没有无线...
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。