一种基于深度展开网络的混合源定位方法及系统技术方案

本发明专利技术公开了一种基于深度展开网络的混合源定位方法及系统，方法包括：S1、计算嵌套对称阵列下的混合源相位差矩阵；S2、将混合源相位差矩阵的副对角线元素输入至波达方向深度展开网络，计算混合源的波达方向；S3、利用波达方向深度展开网络的输出信息计算距离向量，并将距离向量输入至自动编码器；S4、将自动编码器的输出输入至距离深度展开网络，对混合源进行识别并计算近场源的距离。本发明专利技术相较于传统神经网络，深度展开网络的参数具有可解释性，对于偏离网格的波达方向和距离参数具有泛化能力，相较于基于四阶累积量的模型驱动类方法，本发明专利技术计算复杂度小，运算效率高。运算效率高。运算效率高。

【技术实现步骤摘要】
一种基于深度展开网络的混合源定位方法及系统


[0001]本专利技术涉及阵列信号处理和机器学习
，更具体地说，特别涉及一种基于深度展开网络的混合源定位方法及系统。

技术介绍

[0002]辐射源定位在近炸引信和无源雷达中发挥着重要作用。空间中的远场源需要由波达方向进行描述，而空间中的近场源需要由波达方向和距离参数进行描述。深度展开网络是将迭代压缩感知算法的迭代步骤建模为神经网络层，并将多层网络进行级联成完整的网络结构，其中迭代压缩感知算法的参数可设置为网络的初始化参数。相比于传统深度神经网络结构，深度展开网络的参数具备可解释性，网络的泛化能力得到提升。
[0003]对比文件1“Mixednear
‑
field and far
‑
field source localization utilizing symmetric nested array[J]”(Digital Signal Processing,2018,73:第16页～第23页)采用嵌套对称阵列实现远场和近场混合源进行定位，相比于均匀线阵，该方法在阵元个数相同的情况下增大了阵列孔径，能够提高混合源的参数估计精度，但是该方法需要计算四阶累积量，运算量较大。
[0004]对比文件2“Convolution Neural Networks for Localization ofNear
‑
Field Sources via Symmetric Double
‑
Nested Array[J]”(Wireless Communications and Mobile Computing,2021,DOI:10.1155/2021/9996780)在嵌套对称阵列下利用卷积神经网络实现近场源定位，相较于传统的模型驱动类方法，该方法不需要对协方差矩阵进行特征值分解，能够减少计算复杂度小，但是该方法为“黑箱模型”，网络的参数不具备可解释性。
[0005]对比文件3“Direction
‑
of
‑
arrival estimationwith circular array using compressed sensing in 20GHz band[J]”(IEEEAntennas andWireless Propagation Letters,2021,20(5):第703页～第707页)将迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm，ISTA)展开为网络级联形式，实现对远场源波达方向估计。相较于传统的基于机器学习的数据驱动类方法，该方法的网络参数具备可解释性，使得泛化能力得到提高，但是该方法不能实现混合源定位，并且不能对复数信号进行处理。
[0006]针对以上对比文件所存在的技术问题，有必要开发一种基于深度展开网络的混合源定位方法及系统来解决。

技术实现思路

[0007]本专利技术的目的在于提供一种基于深度展开网络的混合源定位方法及系统，以克服现有技术所存在的缺陷。
[0008]为了达到上述目的，本专利技术采用的技术方案如下：
[0009]一种基于深度展开网络的混合源定位方法，包括以下步骤：
[0010]S1、计算嵌套对称阵列下的混合源相位差矩阵；
[0011]S2、将混合源相位差矩阵的副对角线元素输入至波达方向深度展开网络，计算混
合源的波达方向；
[0012]S3、利用波达方向深度展开网络的输出信息计算距离向量，并将距离向量输入至自动编码器；
[0013]S4、将自动编码器的输出输入至距离深度展开网络，对混合源进行识别并计算近场源的距离。
[0014]进一步地，在步骤S1中，
[0015]嵌套对称阵列包括2M+1个阵元，设表示第m1个阵元频谱中第k个峰值的相位，表示第m2个阵元频谱中第k个峰值的相位，m1,m2＝
‑
M,...,
‑
2,
‑
1,0,1,2,...,M，k＝1,2,...,K，K表示频谱中峰值的个数，K也为混合源的个数，利用下式计算第m1个阵元和第m2个阵元的频谱中第k个峰值的相位差
[0016][0017]由相位差构成(2M+1)
×
(2M+1)维的第k个混合源相位差矩阵U
k
为：
[0018]进一步地，所述步骤S2具体包括：
[0019]首先、将相位差矩阵U
k
副对角线元素的实部和虚部向量化处理，得到向量
[0020][0021]其中，y
k
＝[u
‑
M,M,k
ꢀ…ꢀ
u
‑
1,1,k u
0,0,k u
1,
‑
1,k
ꢀ…ꢀ
u
M,
‑
M,k
]T
，(
·
)
T
表示向量转置，real(
·
)表示取实部运算，imag(
·
)表示取虚部运算；
[0022]然后、将输入波达方向深度展开网络，得到网络的输出为第k个混合源波达方向空间谱，L
θ
表示网络的层数，再对波达方向空间谱进行谱峰搜索，由谱峰所对应的位置确定第k个混合源的波达方向估计值
[0023]进一步地，所述波达方向深度展开网络的第1层输出为：
[0024][0025]第l
θ
层的输出为：
[0026][0027]l
θ
＝2,3,...,L
θ
，h
st
(
·
,ε)表示非线性变换函数，h
st
(β,ε)＝sgn(β)
⊙
max(|β|
‑
ε,0)，sgn(
·
)表示符号函数，
⊙
表示Hadamard积，网络的初始化参数为：
[0028][0029][0030]ε(θ)＝0.05
[0031]其中α(θ)＝0.9/δ(θ)，δ(θ)表示的最大特征值，I(θ)表示单位矩阵，表示波达方向冗余字典矩阵：
[0032][0033]B(θ)＝[b(θ1) b(θ2)
ꢀ…ꢀ
b(θ
p
)
ꢀ…ꢀ
b(θ
P
)][0034][0035]其中p＝1,2,
…
,P，P表示波达方向采样点数，λ表示近场源的波长，表示第m3个阵元的位置，m3＝
‑
M,...,
‑
2,
‑
1,0,1,2,...,M
[0036]进一步地，在使用波达方向深度展开网络之前还包括对其进行训练，训练中使用随机梯度下降对网络参数Ψ(θ)、Φ(θ)、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度展开网络的混合源定位方法，其特征在于，包括以下步骤：S1、计算嵌套对称阵列下的混合源相位差矩阵；S2、将混合源相位差矩阵的副对角线元素输入至波达方向深度展开网络，计算混合源的波达方向；S3、利用波达方向深度展开网络的输出信息计算距离向量，并将距离向量输入至自动编码器；S4、将自动编码器的输出输入至距离深度展开网络，对混合源进行识别并计算近场源的距离。2.根据权利要求1所述的基于深度展开网络的混合源定位方法，其特征在于，在步骤S1中，嵌套对称阵列包括2M+1个阵元，设表示第m1个阵元频谱中第k个峰值的相位，表示第m2个阵元频谱中第k个峰值的相位，m1,m2＝
‑
M,...,
‑
2,
‑
1,0,1,2,...,M，k＝1,2,...,K，K表示频谱中峰值的个数，K也为混合源的个数，利用下式计算第m1个阵元和第m2个阵元的频谱中第k个峰值的相位差阵元的频谱中第k个峰值的相位差由相位差构成(2M+1)
×
(2M+1)维的第k个混合源相位差矩阵U
k
为：3.根据权利要求2所述的基于深度展开网络的混合源定位方法，其特征在于，所述步骤S2具体包括：首先、将相位差矩阵U
k
副对角线元素的实部和虚部向量化处理，得到向量副对角线元素的实部和虚部向量化处理，得到向量其中，y
k
＝[u
‑
M,M,k
ꢀ…ꢀ
u
‑
1,1,k u
0,0,k u
1,
‑
1,k
ꢀ…ꢀ
u
M,
‑
M,k
]
T
，(
·
)
T
表示向量转置，real(
·
)表示取实部运算，imag(
·
)表示取虚部运算；然后、将输入波达方向深度展开网络，得到网络的输出为第k个混合源波达方向空间谱，L
θ
表示网络的层数，再对波达方向空间谱进行谱峰搜索，由谱峰所对应的位置确定
第k个混合源的波达方向估计值4.根据权利要求3所述的基于深度展开网络的混合源定位方法，其特征在于，所述波达方向深度展开网络的第1层输出为：第l
θ
层的输出为：l
θ
＝2,3,...,L
θ
，h
st
(
·
,ε)表示非线性变换函数，h
st
(β,ε)＝sgn(β)
⊙
max(|β|
‑
ε,0)，sgn(
·
)表示符号函数，
⊙
表示Hadamard积，网络的初始化参数为：表示Hadamard积，网络的初始化参数为：ε(θ)＝0.05其中α(θ)＝0.9/δ(θ)，δ(θ)表示的最大特征值，I(θ)表示单位矩阵，表示波达方向冗余字典矩阵：B(θ)＝[b(θ1) b(θ2)
ꢀ…ꢀ
b(θ
p
)
...

【专利技术属性】
技术研发人员：刘振，苏晓龙，户盼鹤，刘天鹏，彭勃，刘永祥，黎湘，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：