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，利用深度学习的方法优势在于无需对实际中存在的阵列误差进行校正；避免了复杂的公式推导过程，从而能够很大程度上减小DOA估计的时间，实现实时估计。因此，本专利技术结合实际应用，针对利用深度学习方法对DOA进行估计的场景给出了一种新方法，并且给出了神经网络相关参数与DOA估计精度之间的关系，旨在得到最优的DOA估计结果。
技术实现思路
[0004]本专利技术提供了一种基于深度神经网络的DOA估计算法性能分析方法，探究了学习率、一次训练所包含的样本数、隐含层数、隐含层节点数和网格分辨率等网络参数与DOA估计精度之间的关系，提高了基于深度神经网络进行DOA估计方法的估计精度。
[0005]本专利技术通过以下技术方案实现：
[0006]一种基于深度神经网络的DOA估计算法性能分析方法，所述DOA估计算法性能分析方法包括以下步骤：
[0007]步骤1：阵列接收信号数学建模；
[0008]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；
[0009]步骤3：设置网络参数以实现最优的DOA估计精度。
[0010]一种基于深度神经网络的DOA估计算法性能分析方法，所述步骤1具体为：
[0011]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：
[0012]x(t)＝A(θ,t)s(t)+n(t)
[0013]其中
[0014]A(θ,t)＝[a(θ1,t) a(θ2,t) ... a(θ
K
,t)][0015]s(t)＝[s1(t) s2(t) ... s
K
(t)]T
[0016]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：
[0017]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)}
[0018]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，
[0019][0020]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。
[0021]一种基于深度神经网络的DOA估计算法性能分析方法，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；
[0022]检测网络和DOA估计网络；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：
[0023][0024]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；
[0025]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；
[0026]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，用于提供估计的DOA信息；假定DOA估计网络有L
‑
1层全连接前馈隐含层，表示层集合，其中l＝0代表输入层，l＝L代表输出层；层的节点数表示为n
l
；对于每一个隐含层，输出通过下式计算得到
[0027][0028]其中是第l
‑
1层的输出，和分别是第l层的加权矩阵和偏置向量；每一个隐含层的激活函数都是线性整流函数；然而，输出层的激活函数是归一化指数函数；即输出为：
[0029][0030]一种基于深度神经网络的DOA估计算法性能分析方法，所述步骤3设置参数具体包括以下步骤：
[0031]步骤3.1：调整DOA估计网络的学习率；
[0032]步骤3.2：基于调整后的学习率，再调整一次训练所选取的样本数；
[0033]步骤3.3：基于调整后一次训练所选取的样本数，再调整隐含层数；
[0034]步骤3.4：基于调整后的隐含层数，再调整隐含层节点数；
[0035]步骤3.5：基于调整后的隐含层节点数，再调整网格分辨率；
[0036]步骤3.6：基于步骤3.1
‑
3.6完成网络参数设置以实现最优的DOA估计精度。
[0037]一种基于深度神经网络的DOA估计算法性能分析方法，所述步骤3.1具体为：利用基于深度神经网络方法在不同学习率下得到相应的DOA估计均方误差MSE；经过反复试验，最小的MSE在学习率为0.001时得到。
[0038]一种基于深度神经网络的DOA估计算法性能分析方法，所述步骤3.2具体为：利用基于深度神经网络方法在不同一次训练所选取的样本数下得到相应的DOA估计MSE；经过反复试验，最小的MSE在一次训练所选取的样本数为32时取得。
[0039]一种基于深度神经网络的DOA估计本文档来自技高网...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。