【技术实现步骤摘要】
一种基于深度学习的非理想非均匀阵列单快拍测向方法
[0001]本专利技术涉及一种基于深度学习的非理想非均匀阵列单快拍测向方法，基特别涉及使用深度学习方法处理雷达、声纳、通信等接收机非理想阵列的信号处理问题，属于电子信息
，尤其是阵列信号处理
技术介绍
[0002]阵列信号处理广泛应用于军事和民用
，在雷达、通信、导航等
都有重要的应用。其工作方式是按特定形式将若干传感器布置在空间不同位置组成传感器阵列，对传感器接收信号进行检测和估计。在理想情况下，各传感器之间互不干扰，响应相同，传感器位置精确可知，此时阵列流型为准确已知，可通过相关阵列信号处理算法对传感器接收信号进行处理。然而在实际的工作环境中，由于非理想的传感器设计和制造工艺、阵列安装误差以及传感器互耦等因素，阵列系统中可能存在增益/相位误差、位置误差以及互耦等误差。包含误差的阵列称之为非理想阵列。
[0003]为了避免上述问题出现，最常用的是离线校准方法。离线校准的思想是先在暗室中测量阵列在不同角度的导向矢量，再据此进行信号处理。目前...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的非理想非均匀阵列单快拍测向方法，其特征在于：包括以下步骤：步骤一，暗室采集数据并获取阵列导向矢量：将阵列放置于暗室的伺服平台上，根据阵列主动或被动工作模式，在阵列的远场固定一角反射器或辐射源，采集暗室数据；步骤二：计算阵列输出的协方差矩阵以及深度学习标签：在目标数范围[1,K
MAX
]中随机选取目标数K，其中K
MAX
为测向需处理的最大目标数，在Ω中随机选取K个不同角度θ1,θ2,...,θ
K
，从Θ中选取对应角度的导向矢量a(θ1),a(θ2),...,a(θ
K
)构成阵列流型A(θ)＝[a(θ1),a(θ2),...,a(θ
K
)]，构建阵列输出x＝A(θ)s+η，其中s∈CN(0,R
s
)表示K维随机信号向量，CN(
·
,
·
)表示复高斯分布，第一个参数位置表示均值向量，第二个参数位置表示协方差矩阵；协方差矩阵R
s
的计算公式为：其中diag(
·
)表示生成以对应元素为对角元素的对角矩阵，功率比Υ1,Υ2,...,Υ
K
‑1从在信号功率比范围[0,Υ
MAX
]中随机选取，Υ
MAX
为测向需处理的最大信号功率比，单位为dB；η∈CN(0,σ2I
M
)表示M维噪声向量，σ2表示噪声功率，I
M
表示M维单位矩阵，其中σ2的计算公式为σ2＝10
‑
SNR/10
，SNR为信噪比，需从信噪比范围[SNR
min
,SNR
max
]中随机选取，SNR
min
和SNR
max
分别为最小和最大信噪比，单位为dB；计算阵列输出协方差矩阵(
·
)
H
表示共轭转置，生成用于深度学习标签的协方差矩阵：取阵列的部分子阵，对其阵元缺失处的孔洞进行填充后，得到一个虚拟均匀线阵，阵元数为M
′
，该均匀线阵输出的协方差矩阵计算为其中A
ULA
(θ)表示虚拟均匀线阵的阵列流型矩阵，A
ULA
(θ)＝[a
ULA
(θ1),...,a
ULA
(θ
K
)]，导向矢量其中，(
·
)
T
表示转置，d表示阵元间距，λ表示信号波长，j表示虚数单位，R即为深度学习标签；步骤三：生成深度学习网络训练数据集：设定K
MAX
、Υ
MAX
、SNR
min
、SNR
max
数值，对步骤二进行Q次蒙特卡洛实验，得到Q对阵列输出的协方差矩阵以及深度学习标签R，对每个取上三角元素的实部和虚部和对角元素，构成特征向量z，则z共有M2个实数元素；最后该训练数据集共有Q个样本，每个样本由特征向量z和标签R构成；步骤四：设计深度学习网络架构与损失函数并训练网络：神经网络的输入层维度M2，输出层维度为2M
′‑
1，含有n个隐藏层，每个隐藏层内含有m个神经元，每个隐藏层之间都存在激活函数；神经网络表示为y＝g(z),神经网络的输出表示为y＝[y1,y2,...,y
2M
′‑1]
T
，...
【专利技术属性】
技术研发人员：潘玉剑，赵泽为，徐欣，杨阿锋，刘晴，
申请(专利权)人：杭州电子科技大学，
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。