一种近场目标定位的DOA和距离参数估计方法技术

本发明专利技术属于毫米波雷达信号处理技术领域，提供了一种近场目标定位的DOA和距离参数估计方法，包括：采用线性分布阵元的阵列接收近场目标信号；其中，阵列中线性分布阵元的数量M大于待测近场目标信号数K；建立近场模型，生成训练数据集和测试数据集；构建NFLnet网络结构；NFLnet网络结构由训练数据集和测试数据集训练和测试所得；基于NFLnet网络结构获取输出矩阵G；基于输出矩阵G获得距离

【技术实现步骤摘要】
一种近场目标定位的DOA和距离参数估计方法


[0001]本专利技术涉及毫米波雷达信号处理
，具体涉及一种近场目标定位的DOA和距离参数估计方法。

技术介绍

[0002]目标的定位问题在阵列信号处理领域得到了广泛的研究。根据信源到阵列天线的距离，可以分为近场源定位和远场源定位。当信源到阵列天线的距离远大于天线的阵列孔径时，信源位于阵列的远场区，此时信号以平面波进行传播。当信源到阵列天线的距离较小，处于菲涅尔区时，信源位于近场区，信号以球面波的形式传播，此时波前形状随阵元位置发生变化。因此，对于远场源定位主要是波达角(DOA,Direction of Arrival)估计问题，而对于近场源定位不仅需要估计DOA，还需要估计信源到达阵列的距离参数。
[0003]传统的DOA估计方法，例如MUSIC(Multiple Signal Classification)算法，ESPRIT(Estimating Signal Parameters via Rotational Invariance Techniques)算法，以及一系列基于压缩感知的算法如OMP(Orthogonal Matching Pursuit)算法，ANM(Atomic Norm Minimization)算法等，都是基于远场信号的平面波假设，且无法估计出近场源的距离维参数。然而随着高频段以及大孔径阵列天线的广泛应用，在实际中信号往往并不满足远场假设而是处于近场中，因此对于近场源的定位问题也得到了研究者们的关注。目前近场源定位主要存在两个问题，一是算法复杂度较高，例如经典的TS
‑
MUSIC(Two Stage MUSIC)算法，既能够估计出近场源的角度和距离参数，还能够估计出混合在内的远场源的DOA。但是这类基于谱峰搜索的方法算法复杂且计算量大。另一个是由于球面波传输状态，阵列天线的每个阵元接收的信号幅度并不一致，且与距离、角度有关，但在传统的近场源模型中往往被忽略，影响参数估计性能。
[0004]因此，建立一种更加精确的近场目标信号模型，并提出一种新的近场目标定位方法，实现高精度、低复杂度的距离、角度联合估计，具有的重要的研究意义和应用价值。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术提供一种近场目标定位的DOA和距离参数估计方法，以解决现有目标定位方法无法同时估计近场信号的角度和距离参数，以及忽略信号幅度影响的问题。
[0006]本专利技术提供的一种近场目标定位的DOA和距离参数估计方法，包括：
[0007]采用线性分布阵元的阵列接收近场目标信号；其中，阵列中线性分布阵元的数量M大于待测近场目标信号数K；
[0008]建立近场模型，生成训练数据集和测试数据集；
[0009]构建NFLnet网络结构；所述NFLnet网络结构由所述训练数据集和测试数据集训练和测试所得；
[0010]基于NFLnet网络结构获取输出矩阵G；
[0011]基于输出矩阵G获得距离
‑
角度二维谱，并确定损失函数；最小化损失函数用以训练所述NFLnet网络结构。
[0012]由上述技术方案可知，本专利技术提供的近场目标定位的DOA和距离参数估计方法，通过建立近场模型，并以此训练NFLnet网络结构，可获取近场信号的DOA和距离参数，保证低复杂度。
[0013]可选地，所述近场模型为
[0014][0015]其中，
[0016][0017]y
m
(t)为第m个阵元接收到的信号，t为采样时间，s
k
(t)为第k个近场目标信号，n
m
(t)为第m个阵元接收到的噪声信号；
[0018]第m个阵元接收到的信号的相对幅度γ
k,m
、相位τ
k,m
为
[0019][0020][0021]d
m
为阵元间距，θ
k
,r
k,0
(k＝0,1,
…
,K
‑
1)分别是近场目标信号k到参考阵元的方位角和距离，λ为工作波长。
[0022]可选地，输入至所述NFLnet网络结构中用以获取输出矩阵G的数据为所述阵列接收到的信号原始数据。
[0023]可选地，所述NFLnet网络结构包括两个FC层和五个CBR融合层，所述CBR融合层包括卷积层、批量规范化层和激活函数层的融合。
[0024]可选地，所述CBR融合层的输出X
out
＝max(0,W
F
X+B
F
)，其中，W
F
为卷积层和批量规划层融合后的权重矩阵，B
F
为卷积层和批量规划层融合后偏置参数矩阵。
[0025]可选地，所述距离
‑
角度二维谱包括估计谱f
sp
(θ,r)和参考谱f
ref
(θ,r)；所述估计谱f
sp
(θ,r)由输出的M
B
×
M
θ
M
r
维矩阵重塑为M
B
×
M
θ
×
M
r
获得，所述参考谱
[0026][0027]其中，σ
G
是标准差，决定了谱峰的分辨率。
[0028]可选地，根据所述估计谱f
sp
(θ,r)和所述参考谱f
ref
(θ,r)，获取损失函数
[0029][0030]其中，M
θ
和M
r
是将角度维和距离维划分的网格数。
[0031]采用上述技术方案，本申请具有如下有益效果：
[0032]由于近场信号呈球面波的传输状态，波前形状随阵元位置发生变化，各阵元接收信号的幅度不再一致，且依赖于角度、距离参数，通过推导每个通道接收信号幅值和相位表达式，对接收阵列接收到的信号建立更加精确的近场模型。
[0033]同时为解决距离、角度耦合项参数求解问题，构建了一种基于低复杂度神经网络的NFLnet网络结构，NFLnet网络结构采用两个全连接FC层，5个CBR融合层，将回波信号原始数据作为输入，将角度
‑
距离二维谱作为输出，直接有效的对目标角度、距离进行联合估计，既能够有效的解决距离、角度耦合项参数求解问题，又能避免高复杂度的二维谱峰搜索，具有高的鲁棒性和低复杂度等优点。
附图说明
[0034]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0035]图1示出了本专利技术实施例提供的一种近场目标定位的DOA和距离参数估计方法的流程图；
[0036]图2示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种近场目标定位的DOA和距离参数估计方法，其特征在于，包括：采用线性分布阵元的阵列接收近场目标信号；其中，阵列中线性分布阵元的数量M大于待测近场目标信号数K；建立近场模型，生成训练数据集和测试数据集；构建NFLnet网络结构；所述NFLnet网络结构由所述训练数据集和测试数据集训练和测试所得；基于NFLnet网络结构获取输出矩阵G；基于输出矩阵G获得距离
‑
角度二维谱，并确定损失函数；最小化损失函数用以训练所述NFLnet网络结构。2.根据权利要求1所述的方法，其特征在于，所述近场模型为其中，y
m
(t)为第m个阵元接收到的信号，t为采样时间，s
k
(t)为第k个近场目标信号，n
m
(t)为第m个阵元接收到的噪声信号；第m个阵元接收到的信号的相对幅度γ
k,m
、相位m
k,m
为为d
m
为阵元间距，θ
k
,r
k,0
(k＝0,1,
…
,K
‑
1)分别是近场目标信号k到参考阵元的方位角和距离，λ为工作波长。3.根据权利要求1所述的方法，其特征在于，输入至所述NFLnet网络结构中用以获取输出矩阵G的数据为所述阵列接收到的信号原始数据。4.根据权利要求1所述的方法，其特征在于，所述NFLnet网络结构包括两个FC层...

【专利技术属性】
技术研发人员：陈鹏，赵阳莹，曹振新，汤湘伟，陈雄方，浦元元，
申请(专利权)人：中电科技扬州宝军电子有限公司，
类型：发明
国别省市：