本发明专利技术公开了一种基于时频残差网络的单基互质MIMO阵列DOA估计算法,该方法利用单基互质MIMO对多目标进行DOA估计,包括对目标数目的估计,对多个目标方位角的估计。该方法对传统的单基互质MIMO中数据处理的部分进行了改进。发射阵列发射电磁波对空间进行探测,若干目标反射信号被接收阵列接收,对接收的信号进行特征域的提取,再送入深度神经网络进行训练。用完成训练的网络进行目标估计并输出多目标的空间谱。通过残差神经网络可以很好的去除干扰信号,并快速输出高精度的空间谱。
DOA estimation algorithm for single-base reciprocal MIMO array based on time-frequency residual network
【技术实现步骤摘要】
基于时频残差网络的单基互质MIMO阵列DOA估计算法
本专利技术涉及互质MIMO阵列的DOA估计
,特别是一种基于时频残差神经网络的互质MIMO阵列DOA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。多发多收单基互质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。基于单基互质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,稀疏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阵列和单基互质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,已成为目前主流的稀疏MIMO阵列结构。基于单基互质MIMO接收阵列的DOA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,进一步增强非均匀单基互质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单基互质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深度学习网络的构建问题。其实质是基于“和协同阵”的概念,联合使用时域多快拍数据矩阵和频域多频率单快拍数据矩阵两个特征表达域,从原始时频数据层面兼容窄带/宽带和相干/非相干,通过全卷积神经网络从两个特征表达域提取与目标DOA相关的空域特征映射形成空间谱。
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时频残差网络的单基互质MIMO阵列DOA估计算法。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时频残差网络的单基互质MIMO阵列DOA估计算法,包括以下步骤:(1)构造单基互质MIMO阵列,所述单基互质MIMO阵列由拥有N个阵元的发射阵和拥有2M-1个阵元的接收阵组成;发射阵元的物理位置坐标为T={ti|i=0,Md,2Md,…(N-1)Md};接收阵元的物理位置坐标为R={ri|i=Nd,2Nd,3Nd,…(2M-1)Nd};其中,M和N为互质关系,M<N,λ为发射信号的波长,为基础间距;(2)发射阵列发射频率为c/2d的电磁波信号对空间目标进行探测;所述信号通过空间中若干目标反射后由接收阵列接收,再通过匹配滤波对信号进行分离,得到(2M-1)×N个通道的回波信号;对得到的信号进行K次快拍的采样得到[(2M-1)×N]×K的数据矩阵C;其中,c为空气中的光速;(3)将数据矩阵C分解为对应的时域实部矩阵rC和纯虚数矩阵iC,所述时域实部矩阵rC和时域虚部矩阵iC的大小与数据矩阵C相同;(4)对时域虚部矩阵iC点乘-i以去除矩阵中的虚数成分,作为神经网络的输入,得到与时域虚部矩阵iC大小相同的虚部矩阵IC;对数据矩阵C中同一通道信号即每一排信号进行L点离散傅里叶变换得到数据矩阵X,数据矩阵X中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号;(5)把数据矩阵X分解为频域实部矩阵rX和频域虚部矩阵iX,所述频域实部矩阵rX和频域虚部矩阵iX的大小与数据X相同;对频域虚部矩阵iX点乘-i以去除矩阵中的虚数,以作为神经网络的输入,得到与频域虚部矩阵iX大小相同的虚部矩阵IX;(6)将时域实部矩阵rC、虚部矩阵IC,频域实部矩阵rX、虚部矩阵IX输入到深度神经网络中;构建深度神经网络,所述深度神经网络为多输入残差神经网络;完成DOA估计并输出信号的空间谱。进一步,所述数据矩阵C按照以下方式设置:其中,矩阵C的每一行为(2M-1)×N个信号通道中其中一个通道的K次采样信号,数据矩阵C中的每一列代表的是所有通道接收到的相同快拍序数的信号;表示第1个收发通道快拍序数为1的信号;表示第(2M-1)N个收发通道快拍序数为K的信号。进一步,所述时域实部矩阵rC按照以下方式设置:所述纯虚数矩阵按照以下方式设置:其中,表示第1个收发通道快拍序数为1的信号的实数部分;表示第(2M-1)N个收发通道快拍序数为K的信号的实数部分;表示第1个收发通道快拍序数为1的信号的虚数部分;表示第(2M-1)N个收发通道快拍序数为K的信号的虚数部分。进一步,所述虚部矩阵IC按照以下公式计算得到:IC=iC.*(-i);其中,纯虚数矩阵iC与-i之间采用点乘计算;所述虚部矩阵IC按照以下方式表示:其中,表示实数化后的纯虚数第1个收发通道快拍序数为1的信号;表示实数化后的纯虚数第(2M-1)N个收发通道快拍序数为K的信号;对矩阵C中同一通道信号即每一排信号进行L点离散傅里叶变换得到数据矩阵X;所述数据矩阵X按照以下方式表示:其中,所述数据矩阵X中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号;其中,表示第1个收发通道频点为1的信号数据;表示第(2M-1)N个收发通道频点为L的信号数据。进一步,所述纯实数矩阵rX如下所示:所述纯虚数矩阵iX如下所示:其中,表示第1个收发通道频点为1的信号数据的实数部分;表示第(2M-1)N个收发通道频点为L的信号数据的实数部分;表示第1个收发通道频点为1的信号数据的虚数部分;表示第(2M-1)N个收发通道频点为L的信号数据的虚数部分。进一步,所述虚部矩阵IX按照以下公式计算得到:IX=iX.*(-i);所述虚部矩阵IX如下所示:其中,表示第1个收发通道频点为1的信号数据实数化后的虚数部分;表示第(2M-1)N个收发通道频点为L的信号数据实数化后的虚数部分。进一步,所述并行残差神经网络结构设置有三层,具体如下所述:第一大层为四个并行输入,网络最前端为卷积层,之后为两个残差块;第二大层为两个并行的残差神经网络,每一个网络有两个残差块;第三大层有六个残差块,之后连接一个平均池化层,在网络的最后连接一个拥有1600-2000个神经元的全连接层,完成基于角度的分类问题,最终完成DOA估计并输出信号的空间谱,分辨力为0.1°-0.2°。进一步,所述并行残差神经网络结构中输入数据包括两两对应的时域矩阵和频域矩阵。本专利技术的有益效果在于:本专利技术提出了一种基于时频残差网络的单基互质MIMO阵列DOA估计算法,该方法利用单基互质MIMO对多目标进行DOA估计,包括对目标数目的估计,对多个目标方位角的估计。该方法对传统的单基互质MIMO中数据处理的部分进行了改进本文档来自技高网...
【技术保护点】
1.基于时频残差网络的单基互质MIMO阵列DOA估计算法,其特征在于:包括以下步骤:(1)构造单基互质MIMO阵列,所述单基互质MIMO阵列由拥有N个阵元的发射阵和拥有2M‑1个阵元的接收阵组成;发射阵元的物理位置坐标为T={ti|i=0,Md,2Md,…(N‑1)Md};接收阵元的物理位置坐标为R={ri|i=Nd,2Nd,3Nd,…(2M‑1)Nd};其中,M和N为互质关系,M<N,λ为发射信号的波长,
【技术特征摘要】
1.基于时频残差网络的单基互质MIMO阵列DOA估计算法,其特征在于:包括以下步骤:(1)构造单基互质MIMO阵列,所述单基互质MIMO阵列由拥有N个阵元的发射阵和拥有2M-1个阵元的接收阵组成;发射阵元的物理位置坐标为T={ti|i=0,Md,2Md,…(N-1)Md};接收阵元的物理位置坐标为R={ri|i=Nd,2Nd,3Nd,…(2M-1)Nd};其中,M和N为互质关系,M<N,λ为发射信号的波长,为基础间距;(2)发射阵列发射频率为c/2d的电磁波信号对空间目标进行探测;所述信号通过空间中若干目标反射后由接收阵列接收,再通过匹配滤波对信号进行分离,得到(2M-1)×N个通道的回波信号;对得到的信号进行K次快拍的采样得到[(2M-1)×N]×K的数据矩阵C;其中,c为空气中的光速;(3)将数据矩阵C分解为对应的时域实部矩阵rC和纯虚数矩阵iC,所述时域实部矩阵rC和时域虚部矩阵iC的大小与数据矩阵C相同;(4)对时域虚部矩阵iC点乘-i以去除矩阵中的虚数成分,作为神经网络的输入,得到与时域虚部矩阵iC大小相同的虚部矩阵IC;对数据矩阵C中同一通道信号即每一排信号进行L点离散傅里叶变换得到数据矩阵X,数据矩阵X中的每一排为同一阵元接到不同频点的信号,每一列为拥有同一频率的所有通道信号;(5)把数据矩阵X分解为频域实部矩阵rX和频域虚部矩阵iX,所述频域实部矩阵rX和频域虚部矩阵iX的大小与数据X相同;对频域虚部矩阵iX点乘-i以去除矩阵中的虚数,以作为神经网络的输入,得到与频域虚部矩阵iX大小相同的虚部矩阵IX;(6)将时域实部矩阵rC、虚部矩阵IC,频域实部矩阵rX、虚部矩阵IX输入到深度神经网络中;构建深度神经网络,所述深度神经网络为多输入残差神经网络;完成DOA估计并输出信号的空间谱。2.如权利要求1所述的基于时频残差网络的单基互质MIMO阵列DOA估计算法,其特征在于:所述数据矩阵C按照以下方式设置:其中,矩阵C的每一行为(2M-1)×N个信号通道中其中一个通道的K次采样信号,数据矩阵C中的每一列代表的是所有通道接收到的相同快拍序数的信号;表示第1个收发通道快拍序数为1的信号;表示第(2M-1)N个收发通道快拍序数为K的信号。3.如权利要求1所述的基于时频残差网络的单基互质MIMO阵列DOA估计算法,其特征在于:所述时域实部矩阵rC按照以下方式设置:所述纯虚数矩阵按照以下方式设置:其中,表示第1个收发通道快拍序数为1的信号的实数部分;表示...
【专利技术属性】
技术研发人员:郭勇,贾勇,钟晓玲,肖钧友,晏超,陈胜亿,王刚,宋瑞源,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
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。