一种基于深度神经网络的DOA估计算法性能分析方法技术

本发明专利技术涉及阵列信号处理领域，公开了一种基于深度神经网络的DOA估计算法性能分析方法，其方法包括：步骤1：阵列接收信号数学建模；步骤2：基于深度学习准则构造检测网络和DOA估计网络，并通过检测网络的输出信号激活DOA估计网络；步骤3：设置网络参数以实现最优的DOA估计精度。本发明专利技术所提方法避免了传统高精度算法中复杂的数学运算，可以实现实时估计；不需要引入额外的校正技术，应用范围更加广泛；通过对网络参数进行设置能够获得更高的估计精度。度。度。

【技术实现步骤摘要】
一种基于深度神经网络的DOA估计算法性能分析方法


[0001]本专利技术涉及阵列信号处理领域，具体涉及一种基于深度神经网络的DOA估计算法性能分析方法。

技术介绍

[0002]估计入射到天线阵列的无线电波的到达角(Direction
‑
of
‑
arrival，DOA)在包括无线通信、天文观测、雷达、遥测等广大领域都是一个重要的研究课题。传统的高精度算法通常要求大量计算，因此很难实现实时估计。这个弊端在三维空间中会更加突出，因为在三维空间中需要同时估计方位角和俯仰角。随着计算能力的增强，稀疏DOA估计方法最近变得流行起来，该技术依赖于一个将信号方向映射到天线阵元输出的模型，DOA估计本质上是逆向推导上述映射的问题。然而，在非理想情景下，前向映射会包含阵列误差和多径效应。因此，稀疏DOA估计方法的性能在没有引入校正算法的前提下将会显著下降。为了克服这些问题，使用深度神经网络(deep neural network,DNN)方法估计DOA的技术应运而生。
[0003]相比于传统的DOA估计技术，利用深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的DOA估计算法性能分析方法，其特征在于，所述DOA估计算法性能分析方法包括以下步骤：步骤1：阵列接收信号数学建模；步骤2：基于深度学习准则构造检测网络和DOA估计网络，并通过检测网络的输出信号激活DOA估计网络；步骤3：设置网络参数以实现最优的DOA估计精度。2.根据权利要求1所述的一种基于深度神经网络的DOA估计算法性能分析方法，其特征在于，所述步骤1具体为：利用一个由M个阵元组成的均匀线性阵列来接收平面内的K个辐射源信号，阵列输出表示为：x(t)＝A(θ,t)s(t)+n(t)其中A(θ,t)＝[a(θ1,t) a(θ2,t) ... a(θ
K
,t)]s(t)＝[s1(t) s2(t) ... s
K
(t)]
T
分别表示阵列流形矩阵与信号矢量，n(t)代表加性高斯白噪声矢量，假定所有的噪声分量都是互不相关的独立分量；接收信号的空间协方差矩阵表示为：R
x
(t)＝E{x(t)x
H
(t)}＝A(θ,t)E{s(t)s
H
(t)}A
H
(θ,t)+E{n(t)n
H
(t)}神经网络输入层的输入向量设为R
x
(t)的上三角元素，这些元素形成一个M
×
(M
‑
1)维的向量r，其中r(h,k)是协方差矩阵R
x
(t)的第(h,k)个元素，和分别表示复数的实部和虚部。3.根据权利要求1所述的一种基于深度神经网络的DOA估计算法性能分析方法，其特征在于，所述步骤2具体为：首先利用检测网络进行检测，通过多层感知器在检测阶段检测到一个或多个信号时，DOA估计网络被激活进行DOA估计；在检测网络中，天线阵列的视场被划分为P个空间角扇区，检测网络使用多层感知器来确定每一个扇区中是否存在信号，从而将有信号源存在的扇区与其余扇区区别开来；检测网络的输入向量设为接收信号协方差矩阵的上三角元素，多层感知器将输入向量映射到隐含层，每个输出节点计算隐含层输出的加权和；隐含层的维度等于隐含层的节点数；找到隐含层的最优维度需要反复试验；输出层的节点数是输入层的P倍；每次在天线阵列上增加一个发射信号向量，就会得到一个特定方向上的对应的网络输出v；第p个角度扇区的输出v
p
，使用下列公式表示：其中b1和分别表示输入层和隐含层的偏置向量，W
1,0
和分别表示输入层和隐含层的权矩阵；当多层感知器在检测阶段检测到一个或多个信号时，DOA估计网络被激活来进行DOA估
计；在每一个提出的基于神经网络的DOA分类器中，输入层的维度为M
×
(M
‑
1)，其大小等于一个角度扇区输出序列的长度；隐含层用于近似检测网络输出和DOA值之间的非线性映射关系；此外，输出层为线性层，用于提...

【专利技术属性】
技术研发人员：毛兴鹏，陈敏，高阳，马赫，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：