基于深度学习及ADMM的自适应波束成形方法及系统技术方案

本发明专利技术提出一种基于深度学习及ADMM的自适应波束成形方法及系统，涉及阵列信号处理的技术领域，解决了当前自适应波束成形方法无法兼顾输出性能及计算复杂度的问题，首先基于MVDR鲁棒自适应波束成形原理，建立初步的自适应波束成形第一优化模型，因自适应波束成形第一优化模型是一个复值问题，通过复值至实值的转化，得到自适应波束成形第二优化模型，MVDR鲁棒自适应波束成形拥有不错的输出性能，但本身计算复杂度很大，引入交替乘子法ADMM，降低计算复杂度，提升计算效率，基于深度学习的原理，得到用于自适应波束成形的深度学习神经网络，保证较高的SINR和信号输出功率。保证较高的SINR和信号输出功率。保证较高的SINR和信号输出功率。

【技术实现步骤摘要】
基于深度学习及ADMM的自适应波束成形方法及系统


[0001]本专利技术涉及阵列信号处理的
，更具体地，涉及一种基于深度学习及ADMM的自适应波束成形方法及系统。

技术介绍

[0002]阵列信号处理是指将一定数量传感器按照特定规律在空间中排列，其形成的传感器阵列能通过信号处理后，增强有用信号的同时抑制无用的噪声信号。目前，阵列信号处理在诸多领域得到了很好地运用,比如:雷达、通信、声呐、天文、音频等方面。其中，自适应波束成形在阵列信号处理中是一个至关重要的研究课题，每个阵元所接收到的信号通过适当的加权向量可以使得其在某一期望方向上信号可以实行同向叠加，从而在该方向产生一个主瓣波束，并且能对其余方向上的干扰进行有效抑制，鲁棒自适应波束成形可以实现在模型失配情况下仍能自适应调整加权向量并使输出性能尽可能的良好，鲁棒自适应波束形成器拥有远高于传统波束形成器的良好性能。
[0003]当前，已经有好几种鲁棒自适应波束成形方法被提出：对角加载法可以提高自适应波束形成的鲁棒性，但在高信噪比条件下性能会明显下降；基于特征空间自适应波束形成法在低信噪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习及ADMM的自适应波束成形方法，其特征在于，所述方法包括以下步骤：S1.根据MVDR鲁棒自适应波束成形原理，构建自适应波束成形第一优化模型；S2.将自适应波束成形第一优化模型进行复值至实值的转化，得到自适应波束成形第二优化模型；S3.引入ADMM算法，对自适应波束成形第二优化模型进行求解，展开ADMM算法设计ADMM的深度学习神经网络，以学习MVDR RAB的参数；S4.基于信号入射角，构造训练样本形成训练集，设置深度学习神经网络的损失函数，考虑对深度学习神经网络损失函数的优化，利用训练集对深度学习神经网络进行训练；S5.基于信号入射角，构造测试样本形成测试集，将测试集输入训练好的深度学习神经网络，测试深度学习神经网络的自适应波束成形性能。2.根据权利要求1所述的基于深度学习及ADMM的自适应波束成形方法，其特征在于，步骤S1所述的根据MVDR鲁棒自适应波束成形原理，构建的自适应波束成形第一优化模型为：目标函数：约束条件：N(1
‑
η1)≤||α||2≤N(1+η2)||(α
‑
α0)||2≤ε其中，是矩阵R的最佳估计量，α为方向向量，d(θ)是由θ决定的方向向量，θ由阵列的几何结构所决定，是信号入射角；则是入射信号角度的扇形范围Θ的补角，Θ是入射信号角度的扇形范围Θ＝[θ
min
,θ
max
]，α0＝d(θ0)，而θ0＝(θ
max
+θ
min
)/2为入射角角度扇形的中值；Δ0,ε,η1,η2表示设置的参数，用于确定允许的误差范数范围,N表示阵列接受单元个数。3.根据权利要求2所述的基于深度学习及ADMM的自适应波束成形方法，其特征在于，步骤S2所述将自适应波束成形第一优化模型进行复值至实值的转化，得到自适应波束成形第二优化模型的过程为：定义其中，(
·
)
T
代表转置，表示实部，表示虚部，进行复值至实值的转化，则以及形成的自适应波束成形第二优化模型为：目标函数：约束条件：
4.根据权利要求3所述的基于深度学习及ADMM的自适应波束成形方法，其特征在于，步骤S3所述引入ADMM算法，对自适应波束成形第二优化模型进行求解，展开ADMM算法设计ADMM的深度学习神经网络，以学习MVDR RAB的参数的过程为：引入辅助变量z，基于自适应波束成形第二优化模型求解关联增强拉格朗日方程，表达式为：其中，λ是拉格朗日乘数，而ρ是罚分参数，表示线性辅助变量，而σ
max
为的最大特征值；引入ADMM算法，优化求解以下表达式：其中，k表示第k次迭代，求解公式分别为：其中，表示需要执行内部循环，其中n+1表示第n+1次内部迭代；当内循环的迭代终止时，得到最优的方向向量；得到最优的方向向量；其中，ψ，β，γ，ρ均表示MVDR RAB的参数，需通过连续迭代获...

【专利技术属性】
技术研发人员：邱越，赵曜，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：