【技术实现步骤摘要】
本专利技术阵列信号处理，特别是涉及一种基于级联神经网络的多源doa高分辨估计方法及系统。
技术介绍
1、波达方向(direction of arrival,doa)估计是阵列信号处理的一个重要研究方向，广泛应用于雷达、通信和导航等领域。几十年来，学者们提出了一系列doa估计算法，包括子空间分解类算法、子空间拟合类算法和稀疏恢复类算法等。其中，以多重信号分类(multiple signal classification,music)算法和旋转不变子空间算法为代表的子空间分解类算法能够实现超分辨doa估计，但在信噪比较低的条件下性能较差；以最大似然算法和加权子空间拟合算法为代表的子空间拟合类算法可在低信噪比条件下获得较好的doa估计性能，但对初始值的依赖程度和运算复杂度较高；以l1范数最小化算法和正交匹配追踪(orthogonal matching pursuit,omp)算法为代表的稀疏恢复类算法具有较高的估计精度，但存在运算复杂度高或需要信号稀疏度先验信息等问题，限制了该类算法在在实际中的应用。
2、近年来，以深度神经网络(deep neural network,dnn)为代表的深度学习技术发展迅速，为doa估计提供了新的思路。国内外学者们先后将自编码器和全连接网络(fullconnectnetwork，fnn)应用到doa估计之中，在单信源条件下获得了较好的估计结果，但在多信源条件下性能较差。为解决多信源doa估计问题，学者们提出了先将目标空域划分为多个子空域，再对各个子空域分别进行doa估计的方法。例如，有学者使
3、因此，亟需一种可用于多信源条件下的doa估计方案，以解决上述现有技术存在的可解释性差、训练难度高、多信源估计性能差等问题。
技术实现思路
1、本专利技术的目的是提供一种基于级联神经网络的多源doa高分辨估计方法及系统，可以提高网络可解释性、减少训练数据集规模、提高网络训练效率，且在多信源条件下能够获得更优的doa估计性能。
2、为实现上述目的，本专利技术提供了如下方案：
3、基于级联神经网络的多源doa高分辨估计方法，包括以下步骤：
4、s1、阵列接收数据预处理：对多快拍采样条件下得到的阵列接收数据进行协方差矩阵估计，得到协方差矩阵并对其进行向量化和实部-虚部分离，得到预处理后的阵列接收数据；
5、s2、可解释空域滤波：基于单层全连接网络设计q个空域滤波器，构建可解释空域滤波网络，对可解释空域滤波网络进行初始化和训练，利用训练好的可解释空域滤波网络将所述预处理后的阵列接收数据划分至q个子空域，并分别进行矩阵化和三通道化处理，得到q个空域滤波后的三通道实值矩阵；
6、s3、cnn空间谱估计：设计q个二维cnn估计器，构建doa估计器，对各个cnn估计器进行初始化和训练，利用训练好的doa估计器对每个空域滤波后的三通道实值矩阵进行处理，得到每个子空域的空间谱估计结果并对其进行合成，输出cnn空间谱估计结果；
7、s4、联合微调：将可解释空域滤波网络和doa估计器联合起来组成级联神经网络，通过对所述级联神经网络进行端到端的联合微调训练，得到最优的可解释空域滤波网络和doa估计器网络参数，形成最优的级联神经网络；
8、s5、利用所述最优的级联神经网络进行doa估计。
9、进一步的，所述s1中，阵列接收数据预处理：对多快拍采样条件下得到的阵列接收数据进行协方差矩阵估计，得到协方差矩阵并对其进行向量化和实部-虚部分离，得到预处理后的阵列接收数据，具体包括以下步骤：
10、s101、对多快拍采样条件下得到的阵列接收数据进行协方差矩阵估计，得到协方差矩阵：
11、
12、式中，(·)h表示共轭转置，y表示阵列接收数据矩阵，t表示快拍数；
13、s102、对所述协方差矩阵进行向量化处理，并将所得结果进行实部-虚部分离，重构为实数向量，得到预处理后的阵列接收数据
14、
15、式中，vec(·)表示对矩阵进行向量化操作，re表示取实部，im表示取虚部。
16、进一步的，所述s2中，基于单层全连接网络设计q个空域滤波器，构建可解释空域滤波网络，对可解释空域滤波网络进行初始化和训练，具体包括以下步骤：
17、s201、构建q个不包含激活函数和偏置、权值矩阵为的单层全连接网络作为空域滤波器，q＝1,2,...,q，q为划分的子空域个数；
18、s202、将q个空域滤波器进行并联，得到可解释空域滤波网络；
19、s203、构建可解释空域滤波网络的训练数据集：
20、
21、式中，和分别表示可解释空域滤波网络的输入数据集和标签数据集，p表示每个子空域的划分网格数，ji为重复次数，js为信噪比数，为第p-q-ji-js个输入数据，lq,p为第p-q个标签数据；
22、s204、对可解释空域滤波网络中每个单层全连接网络的权重矩阵wq进行初始化：
23、
24、式中，(·)*表示共轭，表示kronecker积，(·)t表示矩阵转置，h表示共轭转置；gq通过求解下式得到：
25、
26、式中，in×n表示大小为n×n的单位矩阵，n表示目标空域划分的网格数，表示第q个子空域，表示第q个子空域的p个网格对应的阵列流形矩阵，表示第p个网格对应的导向矢量，p＝1,2,...,p，p表示对应的划分网格数，表示的补集，θ为目标空域，表示第s个网格对应的导向矢量，s＝1,2,...,s，s表示对应的划分网格数，δ表示阻带衰减率；
27、s205、利用所述训练数据集，采用均方误差函数作为网络损失函数，通过反向传播算法学习得到可解释空域滤波网络训练后的网络参数
28、
29、式中，表示以为网络参数、以第p-q-ji-js个训练数据为输入的可解释空域滤波网络输出，jsf＝pqjijs为训练数据集的大小。
30、进一步的，所述s2中，利用训练好的可解释空域滤波网络将所述预处理本文档来自技高网...
【技术保护点】
1.一种基于级联神经网络的多源DOA高分辨估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S1中，阵列接收数据预处理：对多快拍采样条件下得到的阵列接收数据进行协方差矩阵估计，得到协方差矩阵并对其进行向量化和实部-虚部分离，得到预处理后的阵列接收数据，具体包括以下步骤：
3.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S2中，基于单层全连接网络设计Q个空域滤波器，构建可解释空域滤波网络，对可解释空域滤波网络进行初始化和训练，具体包括以下步骤：
4.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S2中，利用训练好的可解释空域滤波网络将所述预处理后的阵列接收数据划分至Q个子空域，并分别进行矩阵化和三通道化处理，得到Q个空域滤波后的三通道实值矩阵，具体包括以下步骤：
5.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S3中，设计Q个二维CNN估计器，构建DOA估计器
6.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S3中，利用训练好的DOA估计器对每个空域滤波后的三通道实值矩阵进行处理，得到每个子空域的空间谱估计结果并对其进行合成，输出CNN空间谱估计结果，具体包括以下步骤：
7.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S4中，将可解释空域滤波网络和DOA估计器联合起来组成级联神经网络，对所述级联神经网络进行端到端的联合微调训练，得到最优的可解释空域滤波网络和DOA估计器的网络参数，具体包括以下步骤：
8.根据权利要求1所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，所述S5中，利用所述最优的级联神经网络进行DOA估计，具体包括：
9.一种基于级联神经网络的多源DOA高分辨估计系统，用于执行权利要求1-8任一项所述的基于级联神经网络的多源DOA高分辨估计方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于级联神经网络的多源doa高分辨估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于级联神经网络的多源doa高分辨估计方法，其特征在于，所述s1中，阵列接收数据预处理：对多快拍采样条件下得到的阵列接收数据进行协方差矩阵估计，得到协方差矩阵并对其进行向量化和实部-虚部分离，得到预处理后的阵列接收数据，具体包括以下步骤：
3.根据权利要求1所述的基于级联神经网络的多源doa高分辨估计方法，其特征在于，所述s2中，基于单层全连接网络设计q个空域滤波器，构建可解释空域滤波网络，对可解释空域滤波网络进行初始化和训练，具体包括以下步骤：
4.根据权利要求1所述的基于级联神经网络的多源doa高分辨估计方法，其特征在于，所述s2中，利用训练好的可解释空域滤波网络将所述预处理后的阵列接收数据划分至q个子空域，并分别进行矩阵化和三通道化处理，得到q个空域滤波后的三通道实值矩阵，具体包括以下步骤：
5.根据权利要求1所述的基于级联神经网络的多源doa高分辨估计方法，其特征在于，所述s3中，设计q...
【专利技术属性】
技术研发人员：冯为可，许河秀，郭艺夺，胡晓伟，张秋月，宫健，冯存前，张群，戴博文，
申请(专利权)人：中国人民解放军空军工程大学，
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。