一种基于深度增强的波达方向估计方法和系统技术方案

本发明专利技术提供一种基于深度增强的波达方向估计方法和系统，包括构建阵列信号模型；建立数据集；对所述数据集进行预处理，进行训练集与测试集划分；结合传统的MUSIC方法的框架和CRNN网络以及MLP结构，构建深度增强网络模型；基于预处理后的数据集进行网络训练，得到所述深度增强网络模型的最佳模型；利用所述最佳模型进行波达方向估计，利用评价指标评估系统性能。本发明专利技术是以传统MUSIC方法为架构，联合数据驱动和基于模型的方法，突破了传统MUSIC方法的局限性，可以检测多个相干的信号源，并且具有更高的分辨性能；其涉及深度增强网络网络引入了卷积循环神经网络，可以从输入数据直接学习噪声子空间，更好地提取特征；并利用MLP结构从估计的空间谱中估计波达角。从估计的空间谱中估计波达角。从估计的空间谱中估计波达角。

【技术实现步骤摘要】
一种基于深度增强的波达方向估计方法和系统


[0001]本专利技术涉及阵列信号处理领域，具体地，涉及一种基于深度增强的波达方向估计方法和系统。

技术介绍

[0002]波达方向(DoA)估计技术在雷达、信道估计、地震勘探以及医学诊断等领域中都有广泛的应用。
[0003]在1979年，Schmidt提出了多重信号分类(MUSIC)方法。传统的MUSIC方法是基于信号和噪声子空间的正交特性来构建谱峰，然后进行峰值搜索实现波达方向估计。该方法可以对多个目标同时估计，且相较之前的估计方法有着高分辨率的优势。但是这种方法难以实现，运算量过大，且必须在已知噪声特性和信号源数等多个前提下进行，并且几乎无法估计相干源，仍存在很大的局限性。
[0004]为了克服经典MUISC方法的局限性，它的改进方法逐渐被提出。例如：1984年，Barbell提出了求根MUSIC方法，通过多项式求根提高分辨率，但缺点是只适用于直线阵列。国内同样有人对经典MUSIC方法进行改进，例如曾浩等人提出了利用DFT改进MUSIC方法进行波达方向估计，减少了传统方法的计算量，但是仍存在和传统方法一样的局限性。
[0005]随着深度学习的不断进步，科研工作者开始将传统的基于模型的波达方向估计方法和神经网络结合进行研究。例如：2015年，Xiong Xiao等人通过使用多层感知器来解决挑战性环境中的波达方向估计问题，首先将深度学习网络结合传统方法进行研究，提出了波达方向的估计的分类问题。2019年，Chakrabarty S等人提出了一种基于卷积神经网络的监督学习方法来估计波达方向，在这里波达方向估计被表述为一个多类多标签分类问题。Kase Y等人则是把波达方向估计看作是一个回归问题研究，它将深度神经网络应用于波达方向估计，并评估了两个等功率和不相关的信号入射到一个均匀的线性阵列中的情况下的估计性能。以上提出的方法基本上都是使用密集型和卷积型神经网络实现了与模型无关的波达方向估计。由于它们与模型无关，所以这些方法能够处理阵列缺陷，但它们涉及高度参数化，并且缺乏基于模型方法的可解释性。
[0006]而混合的基于模型和数据驱动系统的波达方向估计方法的提出有望解决上述缺陷。例如，Elbir A M.提出名为Deep
‑
MUSIC的多信号分类框架，从测量的协方差矩阵中估计离散的MUSIC谱。提出的Deep
‑
MUSIC框架具有卓越的估计精度，并表现出较低的计算复杂性，但由于它利用空间频谱作为训练的标签，与基于模型方法有相同的缺点。Barthelme A等人提出使用神经网络从子阵列的采样协方差矩阵中估计全阵列的协方差矩阵，它将到达方向的估计问题建模为一个端到端的回归任务，从不相干的子阵列中通过神经网络获得一个估计协方差矩阵。该方法使MUSIC方法的稳健性增强，但是由于该网络是用估计的协方差矩阵作为标签训练，而不是用真实的协方差矩阵，所以它的神经网络没有得到充分利用。

技术实现思路

[0007]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度增强的波达方向估计方法和系统。
[0008]根据本专利技术的一个方面，提供一种基于深度增强的波达方向估计方法，包括：
[0009]构建阵列信号模型；
[0010]基于所述阵列信号模型，建立数据集；
[0011]对所述数据集进行预处理，进行训练集与测试集的划分；
[0012]结合传统的MUSIC方法的框架和CRNN网络以及MLP层，构建深度增强网络模型；
[0013]基于所述训练集对网络进行训练，得到所述深度增强网络模型的最佳模型；
[0014]利用所述最佳模型进行波达方向估计。
[0015]优选地，所述阵列信号模型选用远场窄带均匀线阵模型。
[0016]优选地，所述数据集选用四种数据集，分别为相干数据集、非相干数据集、两个离得很近的数据集和模型不匹配的数据集；
[0017]对所述四种数据集分别进行协方差矩阵的构建和真实频谱的计算；
[0018]将数据集中的数据和处理得到的数据进行既定比例划分为训练集和测试集，分别用于完成训练和测试的工作。
[0019]优选地，所述深度增强网络模型，其内部的层与层之间复合了池化模块和归一化模块，用于优化特征提取提高非线性度；其以噪声子空间作为标签，用于简化模型。
[0020]优选地，输入数据在深度增强网络模型中的过程，包括：
[0021]输入数据，输入数据的shape为(2m,T)，其中m为阵元数，T为快拍数；
[0022]变换维度，变换后的shape为(T,2m)；
[0023]变换维度后的数据经过BN层进行归一化处理；
[0024]经过归一化处理后的数据进入CRNN层，学习输入数据的噪声子空间；
[0025]将从CRNN层输出的数据转化为复数值，进行复数空间的转换；
[0026]将所述复数值进行实虚部堆叠；
[0027]计算传入导向向量的值和所述噪声子空间的空间谱的估计值
[0028][0029]其中，a(θ)为导向向量，E
N
为噪声子空间；
[0030]通过MLP层从空间谱中估计d个波达角。
[0031]优选地，所述CRNN层，包括：
[0032]第一卷积层，所述第一卷积层包括一维卷积，其卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；
[0033]第一池化层，所述第一池化层包括一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；
[0034]第二卷积层，所述第二卷积层包括一维卷积，卷积层通道数为64，卷积核大小为5*5，步长设置2，填充模式设置为SAME，激活函数设置为GeLU；
[0035]第二池化层，所述第二池化层包括一维最大池化，池化大小为2，步长设置为2，填充模式设置为SAME；
[0036]GRU层，所述GRU层为RNN网络的循环单元，设置大小为2m，m为阵元数。
[0037]优选地，所述MLP层包括三个全连接的dense层和一个线性激活的dense层,其中全连接层的神经元数为2m，线性激活层神经元个数为d，即输出源个数的估计的波达角，其中全连接层的激活函数均设置为ReLU。
[0038]根据本专利技术的第二个方面，提供一种基于深度增强的波达方向估计系统，包括：
[0039]阵列信号模块，所述阵列信号模块构建阵列信号模型；
[0040]数据集模块，所述数据集模块建立数据集；
[0041]预处理模块，所述预处理模块对所述数据集进行预处理，并进行训练集与测试集的划分；
[0042]深度增强网络模块，所述深度增强网络模块结合传统的MUSIC方法的框架和CRNN网络以及MLP结构，构建深度增强网络模型；
[0043]训练模块，所述训练模块基于预处理后的数据集进行网络训练，得到所述深度增强网络模型的最佳模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度增强的波达方向估计方法，其特征在于，包括：构建阵列信号模型；基于所述阵列信号模型，建立数据集；对所述数据集进行预处理，进行训练集与测试集的划分；结合传统的MUSIC方法的框架和CRNN网络以及MLP层，构建深度增强网络模型；基于所述训练集对网络进行训练，得到所述深度增强网络模型的最佳模型；利用所述最佳模型进行波达方向估计。2.根据权利要求1所述的一种基于深度增强的波达方向估计方法，其特征在于，所述阵列信号模型选用远场窄带均匀线阵模型。3.根据权利要求1所述的一种基于深度增强的波达方向估计方法，其特征在于，所述数据集选用四种数据集，分别为相干数据集、非相干数据集、两个离得很近的数据集和模型不匹配的数据集；对所述四种数据集分别进行协方差矩阵的构建和真实频谱的计算；将数据集中的数据和处理得到的数据进行既定比例划分为训练集和测试集，分别用于完成训练和测试的工作。4.根据权利要求1所述的一种基于深度增强的波达方向估计方法，其特征在于，所述深度增强网络模型，其内部的层与层之间复合了池化模块和归一化模块，用于优化特征提取提高非线性度；其以噪声子空间作为标签，用于简化模型。5.根据权利要求4所述的一种基于深度增强的波达方向估计方法，其特征在于，输入数据在深度增强网络模型中的过程，包括：输入数据，输入数据的shape为(2m,T)，其中m为阵元数，T为快拍数；变换维度，变换后的shape为(T,2m)；变换维度后的数据经过BN层进行归一化处理；经过归一化处理后的数据进入CRNN层，学习输入数据的噪声子空间；将从CRNN层输出的数据转化为复数值，进行复数空间的转换；将所述复数值进行实虚部堆叠；计算传入导向向量的值和所述噪声子空间的空间谱的估计值其中，a(θ)为导向向量，E
N
为噪声子空间；通过MLP层从空间谱中估计d个波达角。6.根据权利要求5所述的一种基于深度增强的波达方向估计方法，其特征在于，所述CRNN层，包括：第一卷积层，所述第一卷积层包括...

【专利技术属性】
技术研发人员：许晓萱，黄青华，
申请(专利权)人：上海大学，
类型：发明
国别省市：