一种基于深度神经网络的波达方向估计方法技术

一种基于深度神经网络的波达方向估计方法，涉及阵列信号处理技术领域，为解决现有技术中基于深度学习的DOA估计不能求解真正角度值导致估计精度低的问题。本发明专利技术将DOA估计问题看作是一个回归问题，通过训练神经网络，使其能够估计出真实角度到临近网格的间隔，进而求解真实的角度值。此外，在实际环境中，阵列接收的信号是多个时域信号叠加的，即从时域上，不同用户的信号是不可分的，因此本发明专利技术设计的模型不仅能够实现单用户高精度估计，还适用多用户环境。

A DOA Estimation Method Based on Deep Neural Network

【技术实现步骤摘要】
一种基于深度神经网络的波达方向估计方法
本专利技术涉及阵列信号处理
，具体为一种基于深度神经网络的波达方向估计方法。
技术介绍
DOA估计是阵列信号处理的关键问题之一。波达方向的一个估计原理：通过空间阵列接收数据的相位差来确定一个或几个待估计的参数。因此，DOA估计问题可以看作是参数学习问题。随着深度学习的快速发展，DOA估计中也引入了基于神经网络的思想。该类算法属于机器学习的范畴，是基于监督类的算法，网络自动学习输入特征与DOA之间的关系。2015年，XiongXiao等人首次将深度神经网络思想引入到DOA估计的研究中，该方法使用单隐层的神经网络来解决DOA估计问题。事实证明，大多数情况下，其估计性能优于传统方法，该方法开启了深度学习解决DOA估计研究的时代。2016年，Takeda等人对其进行改进，采用多隐层的神经网络对DOA进行估计，同时引入了区分性训练的思想，实验证明，此种方法的性能优于普通的DNN(深度神经网络)，该方法推动了深度学习在DOA估计研究中的发展。与传统信号处理的方法相比，基于学习类的算法大大提高了估计性能。然而大部分基于深度学习的算法都将其看作是分类问题，这也带来了DOA估计的网格化效应，因此本专利技术主要基于DNN来实现多用户的无网格DOA估计。无线信号在传播过程中会受到很多因素的影响，这都会给天线接收信号引入很多噪声，即接收信号是纯信号和噪声成分的叠加，因此在我们正式估计信号参数之前，对信号进行预处理是有必要的，而噪声和信号的本质区别在于信号具有时间和空间的相关性，而天线接收的噪声是没有相关性的，也就是说含噪样本和纯信号样本之间存在着很强的联系或者说是非线性关系。在深度学习领域，DNN是最受欢迎的模型之一，它可以看作是一种前馈神经网络，它可以处理非凸问题和非线性问题，也就是说可以近似任何一种非线性函数。因此我们首先利用DNN对信号进行去噪预处理。目前大部分基于深度学习的DOA估计都将其看作是一个分类问题，然而这个前提是信号角度个数是有限的，即分类个数是有限的，此时需要将角度空间划分为一定份数，且认为这些个网格处仅有几个位置有信号，然后可以通过转化为分类问题或通过压缩感知方法进行求解，而当我们完全将其转化为分类问题时会引入网格化效应，这是因为这种假设具有一定局限性，因为并不能保证空间中任意一个来波信号的角度都与网格位置相对应，因此在压缩感知框架下求解DOA不能求解真正的角度值，而DOA估计转化为分类问题也有同样的缺陷，因为分类的种类总是有限的，而空间角度是个范围，并不是离散的某几个值，因此不能仅仅将DOA估计问题看作单纯的分类问题求解。因此，我们需要建立一个模型对DOA进行无网格的估计，即求解其真实角度，而不是将其分类到某个网格处。
技术实现思路
本专利技术的目的是：针对现有技术中基于深度学习的DOA估计不能求解真正角度值导致估计精度低的问题。本专利技术采用如下技术方案实现：一种基于深度神经网络的波达方向估计方法，包括以下步骤：步骤一：首先分别产生纯信号样本S(n)和含有不同成分的噪声信号样本X(n)，然后计算S(n)和X(n)对应的协方差矩阵；步骤二：获取纯信号和含噪信号的特征向量，将含噪信号特征向量作为输入，纯信号的特征向量作为输出训练去噪自编码器；步骤三：根据含噪信号特征向量角度所在的子域位置，得到空域滤波器的理想输出u，将含噪信号特征向量作为输入，u作为输出训练空域滤波器；步骤四：获取两个来波信号的接收数据，根据两个信号的角度得到对应的网格标签信息和角度校正量的标签信息；步骤五：计算步骤四中来波信号对应的特征向量，将其作为多分类器的输入，将步骤四中得到的网格标签信息和角度校正量的标签信息分别作为两个多分类器的输出来训练多分类器；步骤六：将阵列接收信号对应的特征向量作为特征输入到已经训练好的由去噪自编码器、空域滤波器和多分类器组成的神经网络中，得到多分类器的输出，即得到最终估计的DOA。进一步的，所述步骤一中纯信号样本S(n)的协方差矩阵公式为：其中N为数据快拍长度，n为离散时间点，H表示共轭转置。进一步的，所述步骤一中含有不同成分的噪声的信号样本X(n)的协方差矩阵公式为：其中N为数据快拍长度，n为离散时间点，H表示共轭转置。进一步的，所述步骤二中纯信号和含噪信号的特征向量公式为：r＝[R1,2,R1,3,...,R1,M,R2,3,...R2,M,...,RM-1,M]T∈C(M-1)M/2×1进一步的，所述步骤三中含噪信号特征向量的信噪比为10dB，角度在-60°到60°之间以1°为间隔变化。进一步的，所述步骤四中网格标签信息的公式为：其中，两个信号的角度间距为Δ，两个信号角度为θ和θ+Δ，对应的输入特征向量为r(θ,Δ)，其中θ(0)≤θ＜θ(P)-Δ。进一步的，所述步骤四中角度校正量的标签信息的公式为：其中，两个信号的角度间距为Δ，两个信号角度为θ和θ+Δ，对应的输入特征向量为r(θ,Δ)，其中θ(0)≤θ＜θ(P)-Δ。进一步的，所述步骤四中来波信号的获取公式为X＝A(θ)S+N，其中，N为数据快拍长度，A为阵列流型矩阵，S为来波信号。进一步的，所述步骤四中两个来波信号的接收数据，其中两个信号间隔Δ在{2°,3°,...,40°}中随机取值。进一步的，所述两个来波信号，第一个信号角度在-60°到60°-Δ之间以1°为间隔变化，第二个角度为θ+Δ，信噪比为10dB。本专利技术采用上述技术方案，具有如下有益效果：本专利技术首先计算出对应信号的网格位置及角度校正量，然后通过二者的相加求得最终的DOA信息，本专利技术估计精度高，而且本专利技术还可实现多用户的无网格波达方向估计，本专利技术可以有效的对多个用户的波达方向进行高精度的估计，并且在信噪比较低时，具有较高的估计精度。附图说明图1为本专利技术的整体结构框图。图2为本专利技术的去噪自编码器结构图。图3为本专利技术的空域滤波自编码器结构图。图4为本专利技术的多分类器结构图。图5为本专利技术的测试信号为-17.8°和28.2°时多分类器1的估计结果。图6为本专利技术的测试信号为-17.8°和28.2°时多分类器2的估计结果。图7为本专利技术和多重信号分类方法的性能比较图。具体实施方式具体实施方式一：下面结合图1说明本实施方式，在本实施方式中，一种基于深度神经网络的波达方向估计方法，包括以下步骤：步骤一：首先分别产生纯信号样本S(n)和含有不同成分的噪声信号样本X(n)，然后计算S(n)和X(n)对应的协方差矩阵；步骤二：获取纯信号和含噪信号的特征向量，将含噪信号特征向量作为输入，纯信号的特征向量作为输出训练去噪自编码器；步骤三：根据含噪信号特征向量角度所在的子域位置，得到空域滤波器的理想输出u，将含噪信号特征向量作为输入，u作为输出训练空域滤波器；步骤四：获取两个来波信号的接收数据，根据两个信号的角度得到对应的网格标签信息和角度校正量的标签信息；步骤五：计算步骤四中来波信号对应的特征向量，将其作为多分类器的输入，将步骤四中得到的网格标签信息和角度校正量的标签信息分别作为两个多分类器的输出来训练多分类器；步骤六：将阵列接收信号对应的特征向量作为特征输入到已经训练好的由去噪自编码器、空域滤波器和多分类器组成的神经网络中，得到多分类器的输出，即得到最终估计的DOA。在本本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的波达方向估计方法，其特征在于包括以下步骤：步骤一：首先分别产生纯信号样本S(n)和含有不同成分的噪声信号样本X(n)，然后计算S(n)和X(n)对应的协方差矩阵；步骤二：获取纯信号和含噪信号的特征向量，将含噪信号特征向量作为输入，纯信号的特征向量作为输出训练去噪自编码器；步骤三：根据含噪信号特征向量角度所在的子域位置，得到空域滤波器的理想输出u，将含噪信号特征向量作为输入，u作为输出训练空域滤波器；步骤四：获取两个来波信号的接收数据，根据两个信号的角度得到对应的网格标签信息和角度校正量的标签信息；步骤五：计算步骤四中来波信号对应的特征向量，将其作为多分类器的输入，将步骤四中得到的网格标签信息和角度校正量的标签信息分别作为两个多分类器的输出来训练多分类器；步骤六：将阵列接收信号对应的特征向量作为特征输入到已经训练好的由去噪自编码器、空域滤波器和多分类器组成的神经网络中，得到多分类器的输出，即得到最终估计的DOA。

【技术特征摘要】
1.一种基于深度神经网络的波达方向估计方法，其特征在于包括以下步骤：步骤一：首先分别产生纯信号样本S(n)和含有不同成分的噪声信号样本X(n)，然后计算S(n)和X(n)对应的协方差矩阵；步骤二：获取纯信号和含噪信号的特征向量，将含噪信号特征向量作为输入，纯信号的特征向量作为输出训练去噪自编码器；步骤三：根据含噪信号特征向量角度所在的子域位置，得到空域滤波器的理想输出u，将含噪信号特征向量作为输入，u作为输出训练空域滤波器；步骤四：获取两个来波信号的接收数据，根据两个信号的角度得到对应的网格标签信息和角度校正量的标签信息；步骤五：计算步骤四中来波信号对应的特征向量，将其作为多分类器的输入，将步骤四中得到的网格标签信息和角度校正量的标签信息分别作为两个多分类器的输出来训练多分类器；步骤六：将阵列接收信号对应的特征向量作为特征输入到已经训练好的由去噪自编码器、空域滤波器和多分类器组成的神经网络中，得到多分类器的输出，即得到最终估计的DOA。2.根据权利要求1所述的一种基于深度神经网络的波达方向估计方法，其特征在于所述步骤一中纯信号样本S(n)的协方差矩阵公式为：其中N为数据快拍长度，n为离散时间点，H表示共轭转置。3.根据权利要求1所述的一种基于深度神经网络的波达方向估计方法，其特征在于所述步骤一中含有不同成分的噪声的信号样本X(n)的协方差矩阵公式为：其中N为数据快拍长度，n为离散时间点，H表示共轭转置。4.根据权利要求1所述的一种基于深度神经网络的波达方向估计方法，其特征在于所述步骤二中纯信号和含...

【专利技术属性】
技术研发人员：马永奎，高玉龙，李苏航，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23