未知有色噪声下基于深度残差学习的近场信号源定位方法技术

本发明专利技术公开了未知有色噪声下基于深度残差学习的近场信号源定位方法，采集或仿真获取待定位的近场信号数据，根据近场信号数据得到特征提取矩阵；将特征提取矩阵输入优化后的深度残差神经网络模型中，通过深度残差神经网络模型输出近场信号的波达方向和入射距离，实现近场信号源定位。本发明专利技术引入了深度残差神经网络模型，在信噪比低于5dB的情况下波达方向和入射距离的估计精度比其他基线算法提高了十倍，在角度分离度小于5

【技术实现步骤摘要】
未知有色噪声下基于深度残差学习的近场信号源定位方法


[0001]本专利技术属于阵列信号处理
，特别涉及一种未知有色噪声下基于深度残差学习的近场信号源定位方法。

技术介绍

[0002]近场信号源定位在雷达、声呐、无线通信、语音处理和射电天文学等领域发挥着重要作用。在过去几十年里，出现了大量具有近场假设的模型驱动算法。其中，主流的算法包括基于最大似然估计的方法、基于二维多信号分类的方法和基于广义旋转不变性的方法。以上模型驱动算法的性能严重依赖于预先构建模型的准确度。然而，受到复杂应用环境的影响，信号模型难以被准确地构建，现有模型驱动算法的性能会显著下降。
[0003]相比而言，得益于数据驱动的结构，深度学习算法可以较为准确地学习到信号源的位置参数与阵列输出数据之间复杂的非线性关系，在定位问题上具有明显优势，包括无需信号源统计假设的先验知识和对复杂应用环境的鲁棒性。目前，基于深度学习的相关定位算法可以大致分为三类。第一类算法通过离散化可能存在信号源的位置区域,将定位问题转换为分类问题。然而，由于定位参数的量化分辨率太大，算法无法实现高精度的定位性能。第二类算法通过回归神经网络估计离散的信号频谱，然后联合信号频谱的各个谱峰，最终确定信号源位置。然而，此类算法难以拓展解决近场信号源定位问题，因为其被要求估计一个高度细化的二维信号频谱。此外，还有一类算法使用回归神经网络直接预测定位参数。需要注意的是，上述提到的各类算法研究的是简单高斯噪声环境下的信源定位。目前，在阵列信号处理领域的文献中，未知有色噪声环境中近场信号源的定位尚未得到很好的研究。
[0004]此外，传统基于模型的近场信号源定位方法在较小的角度分离度和距离分离度场景下定位准确性较差。

技术实现思路

[0005]本专利技术的目的在于提供未知有色噪声下基于深度残差学习的近场信号源定位方法，该方法在信噪比低于5dB的情况下波达方向和入射距离的估计精度提高了十倍，并且估计精度高。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[0007]未知有色噪声下基于深度残差学习的近场信号源定位方法，包括以下步骤：
[0008]采集或仿真获取待定位的近场信号数据，根据近场信号数据得到特征提取矩阵；
[0009]将特征提取矩阵输入优化后的深度残差神经网络模型中，通过深度残差神经网络模型输出近场信号的波达方向和入射距离，实现近场信号源定位。
[0010]进一步的，采集或仿真获取待定位的近场信号数据，根据近场信号数据得到特征提取矩阵包括以下步骤：
[0011]根据近场信号数据计算获得阵列接收数据的协方差矩阵，根据协方差矩阵计算获得特征提取矩阵。
[0012]进一步的，阵列接收数据的协方差矩阵R为：
[0013]R＝E{x(n)x(n)
H
}＝AR
s
A
H
+Q
[0014]其中，A为均匀线性阵列的流型矩阵，R
s
为入射信号的协方差矩阵，Q为有色噪声的协方差矩阵，R
s
＝E{s(n)s(n)
H
}，s(n)为入射信号向量，Q＝E{ω(n)ω(n)
H
}，ω(n)为加性噪声向量，E{
·
}表示求期望，(
·
)
H
表示艾尔米特转置，x(n)为近场信号数据，近场信号数据x1(n)、x2(n)和x
M
(n)分别代表了第1、第2和第M个阵元上接收到的数据。
[0015]进一步的，入射信号向量s(n)通过下式计算：
[0016][0017]式中，s1(n)、s2(n)和s
K
(n)分别表示第1、2和K个近场信号源发出的信号。
[0018]进一步的，加性噪声向量ω(n)通过下式计算：
[0019][0020]式中，w1(n)、w2(n)和w
M
(n)分别表示第1、2和M个传感器阵元上接收到的未知有色噪声。
[0021]进一步的，特征提取矩阵X大小为M
×
M
×
3，M为阵元总数，包括第一二维矩阵第二二维矩阵和第三二维矩阵其中，其中，和分别表示矩阵复数值的实部、虚部和复角；R为阵列接收数据的协方差矩阵。
[0022]进一步的，深度残差神经网络模型包括输入层、卷积层、标准化层、激活函数ReLu层、残差学习层、Flatten层、全连接层与输出层。
[0023]进一步的，卷积层的层数为1，采用了128个维度为3
×
3的滤波器，步长为1；
[0024]残差学习层的层数为2，第一个残差学习层中，内部卷积层的内核数为64，快捷连接结构中滤波器的维度为1
×
1外，其他滤波器的维度为3
×
3，步长皆为1；第二个残差学习层中，内部卷积层的内核数为32，参数设置与第一个残差学习层相同。
[0025]进一步的，深度残差神经网络模型的损失函数其中，T是训练样本总数；i是训练样本序号，y
i
是第i个样本的真实位置参数值；是深度残差神经网络模型对第i个样本位置参数的预测输出。
[0026]进一步的，优化后的深度残差神经网络模型是通过训练集训练深度残差神经网络模型后进行优化得到的，其中，训练集通过以下过程得到：
[0027]两个信号源从距离阵元2λ到4λ，[
‑
30
°
,30
°
]范围内入射到阵列上，它们都位于阵列孔径的菲涅耳区域；对于波达方向的仿真设置，两个信号源的角度分离度选为{1
°
,2
°
,
…
,18
°
}，对于任意一个角度分离度Δψ，两个信号源的波达方向角按照1
°
的间隔分别在[
‑
30
°
,30
°‑
Δψ]和[
‑
30
°
+Δψ,30
°
]的范围内离散化；对于入射距离的仿真设置，两个信号源的距离分离度选为{0.2λ,0.4λ,
…
,1.0λ}，对于任意一个距离分离度Δζ，两个信号源的入射距离按照0.2λ的间隔分别在[2.0λ,4.0λ
‑
Δζ]和[2.0λ+Δζ,4.0λ]的范围内离散化。
[0028]与现有技术相比，本专利技术具有以下有益效果：
[0029]本专利技术的未知有色噪声下基于深度残差学习的近场信号源定位方法，相比于传统基于模型的近场信号源定位算法在恶劣环境下定位性能较差的情况，通过引入深度残差神经网络模型，在信噪比低于5dB的情况下波达方向和入射距离的估计精度提高了十倍，在实验设置的各类快拍数和信号相关程度下波达方向和入射距离的估计精度均高于传统基于模型的各类算法，证明了深度残差神经网络模型的定位潜力；相比于传统基于模型的近场信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，包括以下步骤：采集或仿真获取待定位的近场信号数据，根据近场信号数据得到特征提取矩阵；将特征提取矩阵输入优化后的深度残差神经网络模型中，通过深度残差神经网络模型输出近场信号的波达方向和入射距离，实现近场信号源定位。2.根据权利要求1所述的未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，采集或仿真获取待定位的近场信号数据，根据近场信号数据得到特征提取矩阵包括以下步骤：根据近场信号数据计算获得阵列接收数据的协方差矩阵，根据协方差矩阵计算获得特征提取矩阵。3.根据权利要求2所述的未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，阵列接收数据的协方差矩阵R为：R＝E{x(n)x(n)
H
}＝AR
s
A
H
+Q其中，A为均匀线性阵列的流型矩阵，R
s
为入射信号的协方差矩阵，Q为有色噪声的协方差矩阵，R
s
＝E{s(n)s(n)
H
}，s(n)为入射信号向量，Q＝E{ω(n)ω(n)
H
}，ω(n)为加性噪声向量，E{
·
}表示求期望，(
·
)
H
表示艾尔米特转置，x(n)为近场信号数据，近场信号数据x1(n)、x2(n)和x
M
(n)分别代表了第1、第2和第M个阵元上接收到的数据。4.根据权利要求3所述的未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，入射信号向量s(n)通过下式计算：式中，s1(n)、s2(n)和s
K
(n)分别表示第1、2和K个近场信号源发出的信号。5.根据权利要求3所述的未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，加性噪声向量ω(n)通过下式计算：式中，ω1(n)、ω2(n)和ω
M
(n)分别表示第1、2和M个传感器阵元上接收到的未知有色噪声。6.根据权利要求1所述的未知有色噪声下基于深度残差学习的近场信号源定位方法，其特征在于，特征提取矩阵X大小为M
×
M
×
3，M为阵元总数，包括第一二维矩阵第二二维矩阵和第三二维矩阵其中，其中，和分别表示矩阵复数值的实部、虚部和复角；R为阵列接收数据的协方差矩阵。7.根...

【专利技术属性】
技术研发人员：辛景民，蒋卓谦，左炜亮，陈仕韬，郑南宁，
申请(专利权)人：宁波市舜安人工智能研究院，
类型：发明
国别省市：