基于有监督深度神经网络的米波雷达DOA估计方法技术

本发明专利技术属于雷达技术领域，公开了一种基于有监督深度神经网络的米波雷达DOA估计方法，包括：获取P个点迹作为训练集；计算训练集中每个点迹的协方差矩阵，以及上三角元素组成上三角元素相位矩阵，得到对应的相位平均值矩阵和相位标准差矩阵；以第i个点迹对应的按列重排后的相位矩阵作为有监督深度神经网络的输入，得到第i个点迹的输出矩阵；根据目标函数对有监督深度神经网络的网络参数进行修正；获取实测目标点迹，将实测目标点迹的相位矩阵输入有监督深度神经网络中，重构实测目标点迹的协方差矩阵对目标点迹进行DOA估计，将DOA估计问题转化成一个纯粹的回归问题。

【技术实现步骤摘要】
基于有监督深度神经网络的米波雷达DOA估计方法
本专利技术属于雷达
，尤其涉及一种基于有监督深度神经网络的米波雷达DOA估计方法。
技术介绍
米波雷达由于波长较长，在反隐身、抗反辐射导弹以及远距离探测等优势，故近年来被广泛研究。但由于天线尺寸的限制，米波雷达的主瓣波束较宽，角分辨率较差，抗干扰能力较差。特别是在探测远距离目标时，由于波束较宽，俯仰维波束会“打地”，雷达接收到直达波信号以及经地面反射或散射的多径信号，复杂的多径信号严重降低了测角精度。在DOA问题中，DBF、APML或SSMUSIC算法均是从时域、频域或空域等有限特征出发，但工程实际中，多径信号与直达波信号并不是完全相干的，或者仅有部分阵元接收到多径信号，复杂的多径效应使得各算法在低仰角情况下效果变差甚至完全失效，如何去挖掘更多的特征信息，突破特征有限的约束，增强直达波信号特征，抑制多径信号是本专利技术的重点内容。经典的算法可分为超分辨类算法、最大似然类算法和稀疏信号重构类算法。其中对于超分辨类算法，数字波束形成算法和空间平滑MUSIC算法通过利用信号源的空域特征或者利用信号子空间和噪声子空间的正交性的特征，进而达到DOA估计的目的。对于数字波束形成算法或者空间平滑MUSIC算法仅利用了数据的某一个特征，其测角精度是有限的，而且空间平滑MUSIC算法会带来孔径损失。对于最大似然类算法，需要建立精确的信号模型，且需要对噪声分布等先验参数等。在工程实际中，噪声类型是未知的且难以预估，故最大似然算法取决于已知的先验信息，先验信息越多，估计精度越高。在实际工程背景下，获取先验信息的代价较大。且如噪声模型等往往较难建模。对于稀疏重构类算法，其原理在于信号的空域信息，具有空域稀疏的特性，通过对接收信号进行稀疏恢复达到DOA估计的目的。但在优化求解中，需要反复迭代，且较难收敛到全局最优解。
技术实现思路
针对上述现有技术的问题，本专利技术的目的在于提供一种基于有监督深度神经网络的米波雷达DOA估计方法，不仅能够有效解决米波雷达在工程实际上遇到的模型失配、数据特征有限、运算量大的问题，而且有效提高了DOA估计精度。实现本专利技术的技术思路是：首先提取带标签的训练集数据的协方差矩阵的上三角元素的相位，按列重排并计算相位数据集的均值μX和标准差σX，并利用μX和σX对相位数据集进行归一化；同时，根据标签角度集计算出理想的协方差矩阵的上三角元素的相位数据集，且归一化后的相位数据集作为网络的输入。以网络的输出和理想的相位的均方误差作为网络的目标函数，利用自适应时刻估计(Adam)算法更新网络权值，利用误差反向传播修正网络权值，直至目标函数收敛。在测试过程中，提取协方差矩阵上三角元素的相位与幅度并按列重排，重排后的相位数据使用测试集的均值μX和σX标准差进行归一化处理，且归一化后的相位作为网络的输入，并将网络的输出和重排后的幅度重构出新的协方差矩阵，并利用经典的算法实现DOA估计。为达到上述目的，本专利技术采用如下技术方案予以实现。一种基于有监督深度神经网络的米波雷达DOA估计方法，所述方法包括如下步骤：步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θi，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1，2，..，P；步骤3，对所述第i个点迹对应归一化相位矩阵按列重排，得到第i个点迹对应的按列重排后的相位矩阵；步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；步骤5，根据网络参数构建有监督深度神经网络，以所述第i个点迹对应的按列重排后的相位矩阵作为所述有监督深度神经网络的输入，从而得到第i个点迹对应的有监督深度神经网络的输出矩阵；所述初始网络参数随机产生，确定第i个点迹对应的有监督深度神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为有监督深度神经网络的目标函数，对所述有监督深度神经网络的网络参数进行修正；步骤6，令i的值加1，重复执行子步骤2-5，直到每个目标函数均收敛，得到最终训练得到的有监督深度神经网络对应的网络参数；步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。本专利技术技术方案的特点和进一步的改进为：(1)步骤1具体为：(1a)获取所述米波雷达采集的P个点迹作为训练集X＝{x1，…，xi，…，xP}，其中，xi为第i个点迹，xi＝a(θi)si+ni，a(θi)表示第i个点迹对应的导向矢量，si；为目标数据，ni为噪声数据，d为米波雷达阵元间距；(1b)计算训练集中第i个点迹的协方差矩阵i＝1，2，..，P，得到P个协方差矩阵组成的矩阵集第i个点迹的协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵φi，得到P个上三角元素相位矩阵组成的相位集Φ＝{φ1，…，φi，…，φp}，进而得到所述相位集对应的相位平均值矩阵μX和相位标准差矩阵σX。(2)步骤2具体为：获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θi，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵其中，i＝1，2，…，P。(3)步骤4具体为：获取第i个点迹对应的目标角度的导向矢量从而得到第i个点迹对应的理想协方差矩阵获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵(4)步骤5中所述有监督深度神经网络的网络参数采用自适应时刻估计算法Adam进行估计，并采用误差反向传播方法对有监督深度神经网络的网络参数进行修正。(5)步骤7具体为：(7a)获取所述米波雷达的实测目标点迹y，确定所述实测目标点迹的协方差矩阵Ryy及其对应的上三角元素组成的实测上三角矩阵，根据所述实测上三角矩阵得到对应的实测上三角相位矩阵φy和实测上三角幅度矩阵ρy；(7b)对所述实测上三角相位矩阵φy进行归一化，得到归一化后的实测上三角相位矩阵(7c)对所述归一化后的实测上三角相位矩阵按列重排，得到按列重排后的实测上三角相位矩阵将其作为实测目标点迹的相位矩阵；(7d)将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵(7e)根据所述实测目标点迹对应的输出相位矩阵和实测上三角幅度矩阵ρy，重构所述实测目标点迹的协方差矩阵并根据重构的实测目标点迹的协方差矩阵对实测目标点迹的进行波达方向估计。本专利技术与现有技术相比具有以下优点：(1)弥补目前经典数学方法寻求特征有限的问本文档来自技高网...

【技术保护点】
1.一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，所述方法包括如下步骤：步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θi，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1，2，...，P；步骤3，对所述第i个点迹对应归一化相位矩阵按列重排，得到第i个点迹对应的按列重排后的相位矩阵；步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；步骤5，根据网络参数构建有监督深度神经网络，以所述第i个点迹对应的按列重排后的相位矩阵作为所述有监督深度神经网络的输入，从而得到第i个点迹对应的有监督深度神经网络的输出矩阵；所述初始网络参数随机产生，确定第i个点迹对应的有监督深度神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为有监督深度神经网络的目标函数，对所述有监督深度神经网络的网络参数进行修正；步骤6，令i的值加1，重复执行子步骤2‑5，直到每个目标函数均收敛，得到最终训练得到的有监督深度神经网络对应的网络参数；步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。...

【技术特征摘要】
1.一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，所述方法包括如下步骤：步骤1，设所述米波雷达的接收阵列为M个阵元的均匀线阵，获取所述米波雷达采集的P个点迹作为训练集；分别计算训练集中每个点迹的协方差矩阵，得到P个协方差矩阵组成的矩阵集，每个协方差矩阵的上三角元素对应的相位组成上三角元素相位矩阵，得到P个上三角元素相位矩阵组成的相位集，进而得到所述相位集对应的相位平均值矩阵和相位标准差矩阵；步骤2，获取所述训练集中的第i个点迹，且第i个点迹对应的目标角度为θi，对第i个点迹的协方差矩阵的上三角元素对应的相位矩阵进行归一化，得到第i个点迹对应的归一化相位矩阵，其中，i＝1，2，...，P；步骤3，对所述第i个点迹对应归一化相位矩阵按列重排，得到第i个点迹对应的按列重排后的相位矩阵；步骤4，获取第i个点迹对应的目标角度的导向矢量，从而得到第i个点迹对应的理想协方差矩阵，获取第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵；步骤5，根据网络参数构建有监督深度神经网络，以所述第i个点迹对应的按列重排后的相位矩阵作为所述有监督深度神经网络的输入，从而得到第i个点迹对应的有监督深度神经网络的输出矩阵；所述初始网络参数随机产生，确定第i个点迹对应的有监督深度神经网络的输出矩阵和所述第i个点迹对应的理想协方差矩阵的上三角元素组成的相位矩阵的均方误差，并将其作为有监督深度神经网络的目标函数，对所述有监督深度神经网络的网络参数进行修正；步骤6，令i的值加1，重复执行子步骤2-5，直到每个目标函数均收敛，得到最终训练得到的有监督深度神经网络对应的网络参数；步骤7，获取所述米波雷达的实测目标点迹，将所述实测目标点迹的相位矩阵输入所述最终训练得到的有监督深度神经网络中，得到所述实测目标点迹对应的输出相位矩阵，从而重构所述实测目标点迹的协方差矩阵，并根据重构的实测目标点迹的协方差矩阵对目标点迹进行DOA估计。2.根据权利要求1所述的一种基于有监督深度神经网络的米波雷达DOA估计方法，其特征在于，步骤1具体为：(1a)获取所述米波雷达采集的P个点迹作为训练集X＝{x1，…，xi，…，xP}，其中，xi为第i个点迹，xi＝a(θi)si+ni，a(θi)表示第i个点迹对应的...

【专利技术属性】
技术研发人员：陈伯孝，项厚宏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61