一种基于卷积神经网络的非相干散射源检测与定位方法技术

本发明专利技术公开了一种基于卷积神经网络的非相干散射源检测与定位方法，包括以下步骤：利用卷积神经网络拟合协方差矩阵与源信号方向角功率密度之间的映射关系，得到方向角功率密度曲线后进行峰值检测，峰值数量即源数量，再根据相邻峰值进行曲线分割提取各散射源的密度，最后求解方向角和角度扩展参数；同时也可以利用方向角功率密度曲线构造空间谱，通过谱峰搜索进行求解。本发明专利技术的特点是在估计源信号方向角和角度扩展参数的同时完成源数量的估计，避免了传统方法的子空间有效维度选择，无需源信号的分布先验信息，能在大角度扩展下进行有效估计，仅使用模拟数据训练卷积神经网络便可适应真实信号，具有优良的整体检测、定位性能和泛化能力。性能和泛化能力。性能和泛化能力。

【技术实现步骤摘要】
一种基于卷积神经网络的非相干散射源检测与定位方法


[0001]本专利技术涉及阵列信号处理与深度学习
，尤其为非相干散射源定位方法，具体涉及一种基于卷积神经网络的非相干散射源检测与定位方法。

技术介绍

[0002]波达方向(DOA)估计是阵列信号处理的一个基本问题，目前已经存在许多基于点源模型假设的高分辨率的DOA估计方法。但是，在许多实际场景中，源信号往往会发生多径传播或散射现象，对于接收阵列来说，此时的源信号是具有空间分布特性的，通常并不满足点源模型的假设，需将信号建模为散射源模型。
[0003]非相干散射源中来自不同方向的散射信号是互不相关的，点源模型算法无法直接应用到非相干源模型。针对散射源的定位方法也有大量的研究成果，但这些方法存在一些局限，例如一些方法只针对单个源信号的定位，不适用于多个散射源的参数估计。基于子空间的散射源定位方法的信号子空间与噪声子空间难以精确确定，导致估计结果存在误差，并且要求源信号的方向角功率密度函数精确已知、多个源信号的分布类型相同，当真实源信号方向角功率密度分布与假设的分布模型不一致时，波达方向估计将受模型不匹配问题的影响。一些方法需要进行全局的谱峰搜索，算法时间复杂度较大。另外一些方法基于Taylor展开近似，仅适用在小角度扩展的场景中。
[0004]目前已有一些工作将深度学习技术用于解决DOA估计问题，但是基于深度学习的DOA估计方法仍然针对的是点源模型，尚没有针对非相干散射源模型的深度学习方法。
[0005]总结现有非相干散射源的定位方法，有以下主要问题：
[0006]1、信号子空间与噪声子空间难以准确计算，使用带有误差的子空间会导致性能下降，并且该类方法要求源信号的方向角功率密度函数精确已知，且需要多个源信号的分布类型一致，需全局谱峰搜索；2、现有的基于Taylor展开近似的散射源定位方法仅适用在小角度扩展的场景中。3、基于深度学习的DOA估计方法仅针对点源模型，无法直接拓展到非相干散射源模型中。4、现有的方法需要已知源数量的先验信息。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术的上述缺陷，提供一种基于卷积神经网络的非相干散射源检测与定位方法，实现对多个非相干散射源的定位，同时估计源数量。
[0008]本专利技术的目的可以通过采取如下技术方案达到：
[0009]一种基于卷积神经网络的非相干散射源检测与定位方法，所述检测与定位方法包括以下步骤：
[0010]S1、设定阵元数量M、阵列观测空间范围Θ、源信号方向角和角度扩展参数、方向角功率密度离散化精度、离散化网格集合网格数量g；
[0011]S2、生成用于训练卷积神经网络的数据集数据集中每组数据样本包括样本复数协方差矩阵R以及对应的无噪声方向角功率密度曲线η为源信号参数集合，η＝
[η1，η2,...,η
K
]，η
i
＝(θ
i
,σ
i
)表示第i个源信号的参数对，θ
i
和σ
i
分别为第i个源信号的方向角参数和角度扩展参数，K为源数量且1≤i≤K；
[0012]S3、把数据集的样本复数协方差矩阵转换成双通道的实数矩阵，并进行归一化；
[0013]S4、利用数据集对卷积神经网络进行迭代训练，使损失函数收敛到最小值，得到模型参数集
[0014]S5、使用模型参数集初始化卷积神经网络，生成模拟信号或采集真实场景信号，经数据转换和归一化后输入卷积神经网络，得到输出经数据转换和归一化后输入卷积神经网络，得到输出为方向角功率密度估计曲线，为源信号估计参数集合，为源信号估计参数集合，表示第k个源信号的估计参数对，和分别为其方向角估计值和角度扩展估计值，分别为其方向角估计值和角度扩展估计值，为源数量估计值；
[0015]S6、获取的数个峰值p，取p＞β的峰值数量作为参数化的源数量估计值，β为峰值判断阈值；
[0016]S7、根据参数估计方法由计算参数化的源信号方向角估计值和角度扩展估计值。
[0017]进一步地，所述步骤S7中源信号方向角估计值、角度扩展估计值的计算过程如下：
[0018]由峰值p得到峰值对应方向角φ
k
，若在相邻的两个峰值方向角φ
a
与φ
b
区间内得到个最小值，a,且b
‑
a＝1，以最小值为分割点将在Θ范围内分割为份份为第k个源信号的方向角功率密度估计曲线，若则φ
a
＝
‑
90
°
,φ
b
＝90
°
；
[0019]计算使分割的每一部分积分和为1；
[0020]根据下式计算方向角估计值和角度扩展估计值
[0021][0022]其中，是在方向角为φ的功率密度值。参数估计过程中未使用源信号分布先验信息，仅假设每个源信号的方向角功率密度函数为单峰函数，所以放宽了对分布的要求，无需精确已知源信号方向角分布密度函数，也不要求每个源信号的分布类型相同。
[0023]进一步地，所述步骤S7中计算空间谱，通过谱峰搜索得到源信号方向角与角度扩展估计值，其中，空间谱函数P(η
S
)表达式为：
[0024][0025]其中，||
·
||
F
为F
‑
范数，为谱峰搜索所使用的分布，η
S
＝(θ,σ)，η
S
包含搜索分辨率可调节的参数化方向角θ和角度扩展σ，谱峰对应的θ和σ为估计结果。空间谱函数P(η
S
)与具体阵列流形无关，所以P(η
S
)对阵列形状没有特殊要求。
[0026]进一步地，所述步骤S2中生成用于训练卷积神经网络的数据集的过程如下：
[0027]假设有K个远场不相干的窄带散射源信号，被一个M阵元的任意阵列接收，样本复数协方差矩阵R为：
[0028][0029]其中，a(φ)表示阵列在点源方向角为φ时的方向向量，ρ
i
(φ,η
i
)是第i个源信号在方向角为φ的功率密度值，为第i个源信号的功率，为噪声功率，I是维度为M
×
M的单位矩阵，[
·
]H
表示共轭转置运算，第d组样本定义为D为样本总数，为样本总数，为第i个源信号的方向角功率密度曲线，数据集据集包含不同噪声功率的样本，使卷积神经网络在训练过程中学习通用的特征，增强其对噪声的鲁棒性，更好的适应真实信号。
[0030]进一步地，所述步骤S3中将样本复数协方差矩阵R拆解为双通道实数矩阵R
′
，其中R
:
′
,:,1
＝Re[R]、R
:
′
,:,2
＝Im[R]，Re[
·
]和Im[
·
]分别表示取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的非相干散射源检测与定位方法，其特征在于，所述检测与定位方法包括以下步骤：S1、设定阵元数量M、阵列观测空间范围Θ、源信号方向角和角度扩展参数、方向角功率密度离散化精度、离散化网格集合网格数量g；S2、生成用于训练卷积神经网络的数据集数据集中每组数据样本包括样本复数协方差矩阵R以及对应的无噪声方向角功率密度曲线η为源信号参数集合，η＝[η1，η2,
…
,η
K
]，η
i
＝(θ
i
,σ
i
)表示第i个源信号的参数对，θ
i
和σ
i
分别为第i个源信号的方向角参数和角度扩展参数，K为源数量且1≤i≤K；S3、把数据集的样本复数协方差矩阵转换成双通道的实数矩阵，并进行归一化；S4、利用数据集对卷积神经网络进行迭代训练，使损失函数收敛到最小值，得到模型参数集S5、使用模型参数集初始化卷积神经网络，生成模拟信号或采集真实场景信号，经数据转换和归一化后输入卷积神经网络，得到输出据转换和归一化后输入卷积神经网络，得到输出为方向角功率密度估计曲线，为源信号估计参数集合，为源信号估计参数集合，表示第k个源信号的估计参数对，和分别为其方向角估计值和角度扩展估计值，分别为其方向角估计值和角度扩展估计值，为源数量估计值；S6、获取的数个峰值p，取p＞β的峰值数量作为参数化的源数量估计值，β为峰值判断阈值；S7、根据参数估计方法由计算参数化的源信号方向角估计值和角度扩展估计值。2.根据权利要求1所述的一种基于卷积神经网络的非相干散射源检测与定位方法，其特征在于，所述步骤S7中源信号方向角估计值、角度扩展估计值的计算过程如下：由峰值p得到峰值对应方向角φ
k
，若在相邻的两个峰值方向角φ
a
与φ
b
区间内得到个最小值，且b
‑
a＝1，以最小值为分割点将在Θ范围内分割为份份为第k个源信号的方向角功率密度估计曲线，若则φ
a
＝
‑
90
°
,φ
b
＝90
°
；计算使分割的每一部分积分和为1；根据下式计算方向角估计值和角度扩展估计值和角度扩展估计值其中，是在方向角为φ的功率密度值。3.根据权利要求1所述的一种基于卷积神经网络的非相干散射源检测与定位方法，其
特征在于，所述步骤S7中计算空间谱，通过谱峰搜索得到源信号方向角与角度扩展估计值，其中，空间谱函数P(η
S
)表达式为：其中，||
·
||
F
...

【专利技术属性】
技术研发人员：李杰，龙力榕，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：