【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 ...
【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:
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。