基于自选择神经网络的DOA估计方法、系统、存储介质、设备技术方案

本发明专利技术公开了一种基于自选择神经网络的DOA估计方法和估计系统，其中的估计方法包括：1、在窄带远场信号从不同方向入射时采集阵列接收数据并计算其协方差矩阵，根据协方差矩阵生成双通道阵列接收矩阵；以所述双通道阵列接收矩阵和入射方向作为样本构建样本集；2、生成N个初始卷积神经网络，每个卷积神经网络的输入为双通道阵列接收矩阵，输出为入射方向的概率向量；3、采用粒子群算法对N个卷积神经网络进行优化，确定最优卷积神经网络；4、根据天线阵列接收到的数据生成接收矩阵，将所述矩阵输入最优卷积神经网络，输出为DOA估计结果。该方法无需凭经验设计卷积神经网络，且DOA估计时收敛速度快，精度高。精度高。精度高。

【技术实现步骤摘要】
基于自选择神经网络的DOA估计方法、系统、存储介质、设备


[0001]本专利技术属于天线阵列信号处理
，具体地说，是一种基于自选择网络的波达方向估计方法、系统、存储介质和设备。

技术介绍

[0002]几十年来，波达方向(DOA)估计是阵列信号处理研究的一个重要方向，它在目标检测定位跟踪、通信导航、测量等领域内获得了广泛的应用。
[0003]最初的DOA估计方法，无法超过瑞利限的制约，分辨率上有本质的局限性。如以Bartlett为代表提出的波束形成法；Burg等人提出的最大熵值法；Capon提出的最小方差法以及Carter和Knapp提出的广义互相关的时延估计法(TDOA)等。随着时代的发展，DOA估计进入了子空间法的时代，子空间算法可以突破瑞利限，达到较高的分辨率。如多重信号分类法、旋转不变子空间法、最大似然法和加权子空间拟合(WSF)方法等，但这些利用子空间特性进行估计的算法，对阵元数、信噪比等参数设置和计算量上都提出了更高的要求。
[0004]对于以传统的超分辨率为代表的算法而言存在诸多弊端，如计算量巨大、对阵列结构依本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自选择神经网络的DOA估计方法，其特征在于，包括：S1、在窄带远场信号从不同方向入射时采集阵列接收数据，计算阵列接收数据的协方差矩阵，将所述协方差矩阵的实部和虚部分别转换为二维矩阵，并组合为双通道阵列接收矩阵；以所述双通道阵列接收矩阵和入射方向作为样本构建训练样本集；S2、根据预设的卷积神经网络结构参数，生成N个初始卷积神经网络，每个卷积神经网络的输入为双通道阵列接收矩阵，输出为入射方向的概率向量；每个卷积神经网络由级联的两部分组成，第一部分由卷积层和最大池化层组成，且第一层为卷积层；第二部分由至少一个全连接层组成；初始化每个卷积神经网络的权重；S3、采用粒子群算法对N个卷积神经网络进行优化，确定最优卷积神经网络；S4、根据天线阵列接收到的数据生成接收矩阵，将所述矩阵输入步骤S3中确定的最优卷积神经网络，所述最优卷积神经网络的输出为DOA估计结果。2.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S1具体为：当窄带远场信号从方向θ
i
入射到均匀线性天线阵列时，采集阵列接收数据X
i
(t)：X
i
(t)＝[x
1i
(t),x
2i
(t),
…
,x
Mi
(t)]
T
；其中x
mi
(t)为第m个阵元接收到的数据，m＝1,2,
…
,M，M为均匀线性天线阵列中的阵元数；计算阵列接收数据X
i
(t)的协方差矩阵：其中Z为快拍数，上标H表示共轭转置，上标*表示共轭；分别根据R
i
的实部和虚部生成像素大小为M
×
M的二维矩阵和组合为双通道矩阵将入射方向θ
i
转换为概率向量Θ
i
，组合为样本(r
i
,Θ
i
)。3.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S2中采用Xavier初始化每个卷积神经网络的权重。4.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S3包括：S31、初始化：生成数量为N的粒子群，粒子的位置坐标维数D为N个卷积神经网络第一部分层数的最大值D1与第二部分层数的最大值D2之和；初始化迭代次数τ＝0；初始化每个粒子的位置：初始化每个粒子的位置：其中n＝1,2，
…
，N，l1＝1,2，
…
，D1，l2＝1,2，
…
，D2；P
n
[l1]表示第n个粒子位置的第l1个元素；CNN
n
[l1]表示第n个卷积神经网络第一部分第l1层；CNN
n
[l2]表示第n个卷积神经网络
第二部分第l2层；采用训练样本集对N个卷积神经网络进行训练；误差函数为：其中y
s,w
为第s个训练样本的入射方向概率向量的第w个元素；y
s
′
,w
为第s个训练样本中的双通道阵列接收矩阵作为输入时卷积神经网络输出的入射方向概率向量的第w个元素；将每个粒子的个体最优pBest
n
初始化为自身；将N个卷积神经网络中误差函数最小的作为全局最优卷积神经网络，根据所述全局最优神经网络的结构映射得到全局最优粒子gBest；S32、更新粒子的速度和位置：计算每个粒子与个体最优和全局最优的位置差异项；对于第n个粒子，其与个体最优的位置差异项中第l个元素为：与全局最优粒子的位置差异项中第l个元素为：其速度的第l个元素取值方法为：生成[0,1)内均匀分布的随机数r，如果r＞c，的取值为如果r≤c，的取值为其中c为预设的加速常数；l＝1,2,
…
,D；更新粒子的位置，对于第n个粒子，更新后的位置为：S33、更新粒子的个体最优以及全局最优粒子：根据更新后的N个粒子位置建立N个卷积神经网络，网络中的层类型与粒子位置中的元素对应，网络结构参数根据预设的卷积神经网络结构参数设置；采用训练样本集对N个卷积神经网络进行训练，在层与层之间增加dropout和批归一化BN防止训练中的过拟合；根据本次训练后的每个卷积神经网络的误差函数更新对应粒子的个体最优pBest
n
；根据本次训练后的N个卷积神经网络中误差函数最小值更新全局最优卷积神经网络，根据所述全局最优神经网络的结构更新全局最优粒子gBest；S34、令迭代次数τ加一；如果达到迭代终止条件，根据当前全局最优粒子gBest进行迁移学习，映射成卷积神经网络，即为最优卷积神经网络；如果没有达到迭代终止条件，跳转至步骤S32进行下一次迭代。
5.一种基于自选择神经网络的DOA估计系统，其特征在于，包括：样本集构建模块，用于建立训练样本集，具体方法为：在窄带远场信号从不同方向入射时采集阵列接收数据，计算阵列接收数据的协方差矩阵，将所述协方差矩阵的实部和虚部分别转换为二维矩阵，并组合为双通道阵列接收矩阵；以所述双通道阵列接收矩阵和入射方向作为样本构建训练样本集；初始...

【专利技术属性】
技术研发人员：李鹏飞，田雨波，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：