一种基于一阶卷积神经网络的自适应波束成形方法技术

本发明专利技术提供一种基于一阶卷积神经网络的自适应波束成形方法，针对大型阵列波束赋形计算复杂度高，实时响应慢的问题，分析阵列结构、波束特性等参量与子阵激励的映射关系，构建自适应波束赋形问题的一阶卷积神经网络框架对阵元激励特征的强化表征方法，通过一阶卷积神经网络自适应实时预测阵元激励，针对不同赋形波束指标要求生成理想波束方向图，满足实时响应场景需求。同时针对现有深度学习方法占用内存大，样本需求大的问题，为了在样本量不变的前提下，进一步提高神经网络预测阵元激励的精度，在全连接层基础上连接一阶卷积层，通过将低维特征向高维转换，丰富特征的多样性，强化神经网络的特征映射能力，实现非线性关系的多样性表征。样性表征。样性表征。

【技术实现步骤摘要】
一种基于一阶卷积神经网络的自适应波束成形方法


[0001]本专利技术涉及阵列波束赋形技术，特别涉及基于神经网络的自适应波束成形技术。
现有技术
[0002]阵列波束赋形的目的是通过控制阵元激励的幅度与相位合成不同形状与指向的方向图，此技术被广泛应用于雷达，声呐，阵列天线以及无线通信系统。在过去几十年中，有大量的波束赋形算法被提出，现有的波束赋形方法主要包括进化类算法(如遗传算法、蚁群算法、粒子群算法等等)、优化类算法(如梯度下降法、牛顿法、二次规划法、对偶内点法等等)以及其它数值方法(如快速傅里叶变换法、矩阵束法、锥削密度法等等)。然而，当阵列规模较大时，现有方法也存在着明显的缺陷，即内存需求大，计算时间长。这使得传统方法越来越难以满足规模越来越庞大的阵列天线的快速波束赋形需求。
[0003]以线阵列天线为例，平面阵列天线或更高维阵列天线的结论可以以此类推。假定天线具有同性等间距分布的N个阵元，则阵列天线的远场辐射f(θ)为：
[0004]f(θ)＝a(θ)
H
w
[0005]其中为来波信号角度为θ时的阵列导向矢量，λ为波长,d为阵元间距，w＝[w1,w2,...,w
N
]T
为阵元激励，
H
为共轭转置，
T
为转置。
[0006]天线辐射的能量可以表示为：
[0007]|f(θ)|2＝w
H
a(θ)a(θ)
H
w
[0008]以实值向量，天线辐射能量的矩阵形式同样可以表示：
[0009]|f(θ)|2＝x
H
A(θ)A(θ)
H
x＝x
T
Qx
[0010][0011]由于Q＝A(θ)
T
A(θ)为阵列导向矢量矩阵A(θ)的实对称矩阵，x为实值向量，故可以满足以下性质：
[0012]x
T
Qx＝Tr(x
T
Qx)＝Tr(Qxx
T
)
[0013]其中Tr(
·
)为矩阵的迹，因此辐射能量变为：
[0014]|f(θ)|2＝Tr(QX),with X＝xx
T
∈R
2N
×
2N
[0015]现有波束成形方法：
[0016]以半正定规划SDR(SemiDefinite Relaxation)算法为例，在方向图合成的问题中，往往根据阵列辐射的功率约束去求解阵元激励，而在此过程中受秩为1的约束，方向图模型X表示为：
[0017][0018]其中，C
k
为来波信号角度为θ
k
时的辐射能量约束，Q
k
为来波信号角度为θ
k
时的阵列导向矢量矩阵的实对称矩阵；然而由于秩为1的约束，此模型为非凸模型。SDR算法通过丢弃秩为1的约束，此模型被转换为一个凸问题。模型可以表示为：
[0019][0020]在凸优化理论中，最小化矩阵的迹相当于最小化其特征值之和以及矩阵的秩，而为了在凸优化模型中获得低秩解，引用文献B.Fuchs,"Application of Convex Relaxation to Array Synthesis Problems,"in IEEE Transactions on Antennas and Propagation,vol.62,no.2,pp.634
‑
640,Feb.2014,doi:10.1109/TAP.2013.2290797.公开的凸松弛在阵列综合问题中的应用的方法：
[0021][0022]其中δ是正则化常数，I为本征矩阵并且X0＝I，X
t
表示第t次迭代的X。将X以特征值分解的形式表示：
[0023][0024]其中σ1≥...≥σ
2N
为特征值，u
n
为第n个特征向量。而向量则是模型的潜在解，第n个特征的阵元激励w
n
可以表示为：
[0025]w
n
＝x(n)+jx(n+N)
[0026]在最近几年，随着深度学习的快速发展，由于其优秀的线下学习能力，在阵列天线以及无线通信领域，越来越多基于深度学习的波束成形算法被研究。现有方法基于机器学习的波束赋形方法主要使用全连接神经网络，径向基神经网络以及广义回归神经网络，针对不同的应用场景，展开了基于多种不同神经网络的阵列波束赋形方法研究，包括低副瓣性能、低零陷性能、宽波束赋形能力、自适应最大化信噪比接收以及共形天线的波束赋形等等，并取得了一定的进展。
[0027]相对而言，基于卷积神经网络的波束赋形方法研究也较少，卷积神经网络很少被用于拟合问题当中。虽然径向基神经网络与广义回归神经网络在训练过程中仅需要少量样本就可实现较好的性能，但是在推理过程中训练集将参与运算，会占用极大的硬盘内存，对于嵌入式，单片机系统以及FPGA负担较大。而相对于全连接神经网络，卷积神经网络可以将相近元素联系起来，具有优秀的特征映射能力，丰富特征的多样性。同时，针对大型阵列天线，卷积核具备强化神经网络回归阵元激励特征的能力，相对于其他神经网络可以实现更高精度的实时波束赋形。

技术实现思路

[0028]本专利技术所要解决的技术问题是，提供一种通过卷积神经网络对阵元激励特征进行
强化表征，构建自适应波束赋形的方法。
[0029]本专利技术为解决上述技术问题所采用的技术方案是，一种基于一阶卷积神经网络的自适应波束成形方法，包括步骤：
[0030]步骤一：设置波束变量参数，所述波束变量参数包括零陷方向、零陷数量以及零陷宽度，通过半正定规划算法生成对应的阵元激励；将进行了实部、虚部的分离与归一化处理的零陷方向的阵列导向矢量矩阵的向量形式r以及阵元激励z构建训练集{r,z}；
[0031]步骤二：构建实现阵列导向矢量与阵元激励之间映射关系的一阶卷积神经网络；一阶卷积神经网络是由多层一阶卷积层与全连接深度神经网络组成；前者用来丰富输入数据的特征维数，后者根据前者学习到的数据特征预测阵元激励；
[0032]步骤三：确定一阶卷积神经网络的最优结构，输入训练集完成对一阶卷积神经网络的训练；
[0033]步骤四：根据需要的波束变量参数生成阵列导向矢量矩阵的向量形式并输入至训练好的一阶卷积神经网络，再根据从一阶卷积神经网络输出的阵元激励来完成波束合成。
[0034]本专利技术针对大型阵列波束赋形计算复杂度高，实时响应慢的问题，分析阵列结构、波束特性等参量与子阵激励的映射关系，构建自适应波束赋形问题的一阶卷积神经网络框架对阵元激励特征的强化表征方法，通过一阶卷积神经网络自适应实时预测阵元激励，针对不同赋形波束指标要求生成理想波束方向图，满足实时响应场景需求。同时针对现有深度学习方法占用内存大，样本需求大的问题，为了在样本量不变的前提下，进一步提高神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一阶卷积神经网络的自适应波束成形方法，其特征在于，包括以下步骤：步骤一：设置波束变量参数，所述波束变量参数包括零陷方向、零陷数量以及零陷宽度，通过半正定规划算法生成对应的阵元激励；将进行了实部、虚部的分离与归一化处理的零陷方向的阵列导向矢量矩阵的向量形式r以及阵元激励z构建训练集{r,z}；步骤二：构建实现阵列导向矢量与阵元激励之间映射关系的一阶卷积神经网络；一阶卷积神经网络是由多层一阶卷积层与全连接深度神经网络组成，多层一阶卷积层用于丰富输入数据的特征维数，全连接深度神经网络用于根据前者学习到的数据特征预测阵元激励；步骤三：确定一阶卷积神经网络的最优结构，输入训练集完成对一阶卷积神经网络的训练；步骤四：根据需要的波束变量参数生成阵列导向矢量矩阵的向量形式并输入至训练好的一阶卷积神经网络，再根据从一阶卷积神经网络输出的阵元激励来完成波束合成。2.如权利要求1所述方法，其特征在于，训练集中每一对r,w为：2.如权利要求1所述方法，其特征在于，训练集中每一对r,w为：其中，r
′
为进行了实部Re、虚部Im分离的零陷方向的阵列导向矢量矩阵的向量形式，r
min
、r
max
分别为全部r
′
中的最小值、最大值；z
′
为进行了实部Re、虚部Im分离的阵元激励z
′
；z
min

【专利技术属性】
技术研发人员：雷世文，张英豪，李天阳，胡皓全，陈波，田径，杨伟，何子远，唐璞，包永芳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：