基于级联残差网络的双基互质MIMO阵列方位估计算法制造技术

本发明专利技术公开了一种基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法，包括对目标数量的估计，对多目标方位角的估计。该方法对传统的双基MIMO的DOA和DOD估计中数据处理部分进行了改进。深度学习的方法相较于传统信号处理类算法有着更强的时效性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性方面均表现的更好。本发明专利技术采用的深度神经网络采用的是级联的网络结构，首先对阵列接收到的信号进行DFT处理后再作相关处理，把处理后的信号送入神经网络得到信号的DOA信息，把DOA信息作为先验信息再送入级联网络中得出信号的DOD信息，最终完成信号的DOA与DOD匹配估计问题。

DOA Estimation of Dual-Base Mutual-Prime MIMO Arrays Based on Cascaded Residual Networks

【技术实现步骤摘要】
基于级联残差网络的双基互质MIMO阵列方位估计算法
本专利技术涉及双基互质MIMO阵列的DOA和DOD估计
，特别是一种基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法。
技术介绍
波达方向DOA估计可以确定多个空间目标的方位角位置信息，具有高分辨率，广泛应用于通信、雷达、声呐、地震传感等领域。近年提出的互质阵列在阵元位置确定、相邻阵元耦合互扰等方面具有突出的优势，逐渐成为关注的热点。多发多收MIMO阵列主要用于对不具备辐射信号能力或者不存在稳定外部辐射源的目标进行探测，此时目标一般表现为相干与非相干目标混合的情况。基于MIMO阵列的目标DOA估计的自由度决定于“虚拟和协同阵”对应的“虚拟差协同阵”中虚拟阵元的位置数目，当收发阵列均采用均匀密布阵列结构时，“虚拟和协同阵”和“虚拟差协同阵”中存在多个虚拟阵元位于相同位置的情况，即存在大量冗余，造成了DOA估计自由度的损失。为此，互质MIMO阵列的设计即是考虑在相同物理阵元数目下减少虚拟阵元同位的情况，考虑到“物理阵列”到“虚拟和协同阵”再到“虚拟差协同阵”的复杂映射关系，目前常采用的稀疏MIMO阵列为嵌套MIMO阵列和互质MIMO阵列，两种MIMO阵列在“虚拟和协同阵”层面不存在虚拟阵元同位的情况，但在“虚拟差协同阵”层面仍然存在虚拟阵元同位的情况，虽然有一定的自由度损失，但阵列设计相对简单，已成为目前主流的互质MIMO阵列结构。基于双基互质MIMO接收阵列的DOA、DOD估计方法，构建适用于非均匀互质阵列的深度学习方位识别网络，在保留传统信号处理类算法具有的方位分辨率高、最大可分辨目标数目突破物理阵元数目限制的优势下，进一步增强非均匀互质MIMO阵列对目标方位估计的时效性和环境适应性，以及在低信噪比、低快拍、大方位角、相干目标条件下的鲁棒性。由于考虑到经典的深度神经网络在训练过程中可能会出现梯度爆炸和消失的缘故，本专利技术选择了残差神经网络。该算法主要解决面向双基稀疏MIMO阵列的、适用于窄带/宽带和多个相干/非相干目标的特征表达域的形成问题和对应的具备DOA与DOD估计与配对能力的深度学习网络的构建问题。其实质是采用两级残差神经网络级联的方式，第一级采用仅与DOA相关的多频接收相关矩阵作为特征表达域，网络提取特征输出DOA估计，DOA估计结果作为先验信息辅助第二级网络从与DOA和DOD都相关的时频收发特征表达域提取特征实现DOD的配对估计。维度扩充的多频接收特征表达域的使用有助于多目标的DOA估计，同时联合时频收发特征表达域有助于窄带/宽带、相干/非相干目标的通用化处理。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于级联残差神经网络的双基互质MIMO阵列DOA与DOD联合估计算法，结合了MIMO的DOA与DOD匹配估计与深度学习。为达到上述目的，本专利技术提供如下技术方案：本专利技术提供的基于级联残差网络的双基互质MIMO阵列方位估计算法，包括以下步骤：(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：一个子阵的阵元发射坐标为A1＝{A1i|i＝0,Qd,...(P-1)Qd}；另一个子阵的阵元的发射坐标为A2＝{A2i|i＝Pd,2Pd,...(2Q-1)Pd}；其中，P和Q为互质关系，Q<P；i表示发射阵列中阵元坐标序号；构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：一个子阵列的阵元接收坐标为另一个子阵列的阵元接收坐标为其中，M和N为互质关系，M<N，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；(2)由2Q+P-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2M+N-1个接收阵元接收，通过匹配滤波对信号进行分离，得到(2M+N-1)×(2Q+P-1)个通道的回波信号，对每个通道信号进行K次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据，得到(2M+N-1)×(2Q+P-1)×k的三维时域多快拍数据矩阵C，所述三维时域多快拍数据矩阵的表示式为：C＝[1C,2C,...nC,...kC]，其中，nC为快拍序数均为n的多通道数据矩阵；(3)对k次采样离散的(2M+N-1)×(2Q+P-1)个通道信号中的每一通道信号进行L点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵X，多通道数据矩阵X的大小为(2M+N-1)×(2Q+P-1)×L；所述多通道数据矩阵X＝[1X,2X,...lX,...LX]；其中，lX为频点位l的多通道数据矩阵；lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点l，lX的每一排为同一接收阵元，不同发射阵元形成通道的信号；lX的每一列为同一发射阵元，不同接收阵元形成通道的信号；(4)将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵lX矢量化为向量所述向量具体如下：将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与矩阵U相同：将纯虚数矩阵Ui与-i进行点乘，得到与纯虚数矩阵Ui矩阵大小相同的矩阵UI；完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui；(5)对单频多通道数据矩阵lX做相关运算得到单频相关矩阵RT(fl)；(6)将RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点l的增广相关向量其中，rl(0)表示接收阵列中坐标为0的阵元接收到频点为l的信号数据；rl(2MN-N-1)表示接收阵列中坐标为2MN-N-1的阵元接收到频点为l的信号数据；将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵T：(7)将多频接收特征表达域矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所述纯实数矩阵Tr和纯虚数矩阵Ti的大小与多频接收特征表达域T相同；将多频接收特征表达域Ti与-i进行点乘，得到与纯虚数矩阵Ti大小相同的多频接收特征域矩阵TI；(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时频收发特征表达域矩阵中波的离开角度信息；构建第一级残差神经网络用于DOA估计，输入为多频接收特征域矩阵TrTI；构建第二级残差神经网络，输入为时频接收特征域矩阵UrUi；最终完成信号的DOA与DOD匹配估计问题。进一步，所述三维时域多快拍数据矩阵C具体如下：C＝[1C,2C,…nC,…kC]，其中nC为：其中，nc中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号，每一列为同一发射阵元，不同接收阵元形成通道的信号；其中，表示第1个发射阵元与第1个接收阵元形成的快拍序数为n的通道信号数据；表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的快拍序数为n的通道信号数据。进一步，所述多通道数据矩阵X按照以下公式计算：X＝[1X,2X,…lX,…LX]，其中lX为单频多通道本文档来自技高网...

【技术保护点】
1.基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：包括以下步骤：(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：一个子阵的阵元发射坐标为A

【技术特征摘要】
1.基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：包括以下步骤：(1)构造互质发射阵列，所述发射阵列包括两个子阵列构成，具体如下：一个子阵的阵元发射坐标为A1＝{A1i|i＝0,Qd,…(P-1)Qd}；另一个子阵的阵元的发射坐标为A2＝{A2i|i＝Pd,2Pd,…(2Q-1)Pd}；其中，P和Q为互质关系，Q<P；i表示发射阵列中阵元坐标序号；构造互质接收阵列，所述接收阵列包括两个子阵列构成，具体如下：一个子阵列的阵元接收坐标为另一个子阵列的阵元接收坐标为其中，M和N为互质关系，M<N，λ为波长，对应发射信号的波长，阵元基础间距为j表示发射阵列中阵元坐标序号；(2)由2Q+P-1个发射阵元发射频率为c/2d的电磁波对空间目标进行探测，c为光在空气中传播的速度，电磁波通过空间中若干目标反射后由2M+N-1个接收阵元接收，通过匹配滤波对信号进行分离，得到(2M+N-1)×(2Q+P-1)个通道的回波信号，对每个通道信号进行K次快拍采样，按照发射通道序号为行、接收通道序号为列排放时域多快拍数据，得到(2M+N-1)×(2Q+P-1)×k的三维时域多快拍数据矩阵C，所述三维时域多快拍数据矩阵的表示式为：C＝[1C,2C,…nC,…kC]，其中，nC为快拍序数均为n的多通道数据矩阵；(3)对k次采样离散的(2M+N-1)×(2Q+P-1)个通道信号中的每一通道信号进行L点离散傅里叶变换，并筛选出感兴趣的频率，得到三维不同频率的多通道数据矩阵X，多通道数据矩阵X的大小为(2M+N-1)×(2Q+P-1)×L；所述多通道数据矩阵X＝[1X,2X,…lX,…LX]；其中，lX为频点位l的多通道数据矩阵；lX中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且频点l，lX的每一排为同一接收阵元，不同发射阵元形成通道的信号；lX的每一列为同一发射阵元，不同接收阵元形成通道的信号；(4)将矩阵lX的每一排抽出，将第二排放置在第一排后面，将第三排放置在第二排后面，依次类推将矩阵lX矢量化为向量所述向量具体如下：将矢量化后的向量按照频率大小进行排序，并形成时频收发特征表达域矩阵U：将矩阵U分解为两个对应的纯实数矩阵Ur和纯虚数矩阵Ui，所述纯实数矩阵Ur和纯虚数矩阵Ui的大小与矩阵U相同：将纯虚数矩阵Ui与-i进行点乘，得到与纯虚数矩阵Ui矩阵大小相同的矩阵UI；完成信号DOA和DOD表征域信息提取，得到时频接收特征域矩阵Ur和Ui；(5)对单频多通道数据矩阵lX做相关运算得到单频相关矩阵RT(fl)；(6)将RT(fl)中和值为非负的元素一一取出并按照和值大小进行重新排序，生成频点l的增广相关向量其中，rl(0)表示接收阵列中坐标为0的阵元接收到频点为l的信号数据；rl(2MN-N-1)表示接收阵列中坐标为2MN-N-1的阵元接收到频点为l的信号数据；将得到的所有频率的增广相关向量按频率大小进行重新排序得到多频接收特征表达域矩阵T：(7)将多频接收特征表达域矩阵T分解为两个对应的纯实数矩阵Tr和纯虚数矩阵Ti，所述纯实数矩阵Tr和纯虚数矩阵Ti的大小与多频接收特征表达域T相同；将多频接收特征表达域Ti与-i进行点乘，得到与纯虚数矩阵Ti大小相同的多频接收特征域矩阵TI；(8)构建两级级联残差神经网络，用于提取多频接收特征域矩阵中波的到达角度信息和时频收发特征表达域矩阵中波的离开角度信息；构建第一级残差神经网络用于DOA估计，输入为多频接收特征域矩阵TrTI；构建第二级残差神经网络，输入为时频接收特征域矩阵UrUi；最终完成信号的DOA与DOD匹配估计问题。2.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述三维时域多快拍数据矩阵C具体如下：C＝[1C,2C,…nC,…kC]，其中nC为：其中，nc中的每一个元素为(2M+N-1)×(2Q+P-1)个通道信号中的一个，且快拍序数为n，每一排为同一接收阵元，不同发射阵元形成通道的信号，每一列为同一发射阵元，不同接收阵元形成通道的信号；其中，表示第1个发射阵元与第1个接收阵元形成的快拍序数为n的通道信号数据；表示第2P+Q-1个发射阵元与第2M+N-1个接收阵元形成的快拍序数为n的通道信号数据。3.如权利要求1所述的基于级联残差网络的双基互质MIMO阵列方位估计算法，其特征在于：所述多通道数据矩阵X按照以下公式计算：X＝[1X,2X,…lX,…LX]，其中lX为单频多通道数据矩阵，所述单频多通道数据矩阵按照以下公式得到：其中，lX中的每一个元素为(2M+N-1...

【专利技术属性】
技术研发人员：贾勇，郭勇，肖钧友，钟晓玲，晏超，宋瑞源，陈胜亿，王刚，胡月杨，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川,51