基于张量化压缩神经网络的波达方向估计方法技术

本发明专利技术公开了一种基于张量化压缩神经网络的波达方向估计方法，主要解决现有方法所存在神经网络权重参数规模庞大、计算资源损耗大、训练耗时长等问题，其实现步骤是：均匀平面阵列接收信号的张量建模；五维协方差张量推导；基于逆Tucker分解的状态空间张量生成；张量化压缩神经网络构建与输出层损失函数的反向传播；张量化压缩神经网络加速训练与波达方向估计结果输出。本发明专利技术在保留多维接收信号结构化特性的前提下，将神经网络层的状态空间生成映射为逆张量分解过程，将大规模的待训练权重参数压缩至逆张量分解因子矩阵中，有效加速了神经网络的训练过程，实现了高计算效率、低训练损耗的波达方向估计，可用于复杂环境中的信源测向。信源测向。信源测向。

【技术实现步骤摘要】
基于张量化压缩神经网络的波达方向估计方法


[0001]本专利技术属于阵列信号处理
，尤其涉及统计信号处理技术，具体是一种基于张量化压缩神经网络的波达方向估计方法，可用于复杂应用环境的信源测向。

技术介绍

[0002]在雷达、声呐、无线通信、医学成像、射电天文等各类应用中，波达方向估计是实现目标测向定位、导航及成像的核心技术。随着这些应用中所部署传感器阵列的维度和规模日益增长，阵列接收信号涵盖了多维度的复杂时空特征。为了保留多维接收信号的结构化信息，张量作为矢量和矩阵的多维拓展形式，开始被应用于阵列信号处理领域。利用张量对多维接收信号进行建模，并对张量信号进行特征分析和空间信息提取，能够实现高精度、高分辨的波达方向估计。然而，在实际应用场景中，信号源传播环境往往较为复杂，由此带来了低信噪比、低采样快拍数量等严峻的工作条件。传统基于张量统计量直接分解的波达方向估计方法，在这类严峻条件中性能衰落严重，且具备较高的计算复杂度。
[0003]为了实现低计算复杂度并对严峻条件有抵抗性的波达方向估计，神经网络开始被应用于阵列信号处理，通过数据驱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于张量化压缩神经网络的波达方向估计方法，其特征在于，包含以下步骤：(1)接收端使用M
×
N个物理天线阵元，架构一个均匀平面阵列；假设有K个来自{(θ1，φ1)，(θ2，φ2)，
…
，(θ
K
，φ
K
)}方向的远场窄带非相关信号源，θ
k
和φ
k
分别为第k个入射信号源的方位角和俯仰角，k＝1，2，
…
，K；将均匀平面阵列的T个快拍采样信号在第三个维度进行叠加，得到一个三维信号张量建模为：其中，s
k
＝[s
k，1
，s
k，2
，
…
，s
k，T
]
T
为对应第k个入射信号源的多快拍采样信号波形向量，表示矢量外积，为与各信号源相互独立的噪声张量，a(μ
k
)和a(v
k
)分别为均匀平面阵列在x轴和y轴方向上的导引矢量，表示为：在x轴和y轴方向上的导引矢量，表示为：其中，μ
k
＝sin(φ
k
)cos(θ
k
)，v
k
＝sin(φ
k
)sin(θ
k
)，[
·
]
T
表示转置操作；(2)计算三维信号张量的自相关统计量，得到二阶协方差张量的自相关统计量，得到二阶协方差张量的自相关统计量，得到二阶协方差张量其中，表示第k个信号源的功率，表示噪声功率，表示四维单位张量，<
·
，
·
>
r
表示两个张量沿着第r维度的张量缩并操作，E[
·
]表示取数学期望操作，(
·
)
*
表示共轭操作；提取协方差张量的实部和虚部，构建一个五维实值协方差张量：其中，Re(
·
)和Im(
·
)分别表示对一个复数取实部和虚部的操作，表示沿着第r维度的张量叠加操作；(3)对五维实值协方差张量进行逆Tucker分解，得到对应第一层神经网络的大小为H
1,1
×
H
1,2
×
H
1,3
×
H
1,4
×
H
1,5
的五维状态空间张量的五维状态空间张量其中，和为对应五个维度的逆Tucker因子矩阵，涵盖了第一层神经网络的待训练权重参数，f1(
·
)为对应第一层神经网络的非线性激活函数，
×
r
表示沿着第r维度的张量
‑
矩阵积；
(4)基于状态空间张量的逆Tucker分解生成下一层神经网络的...

【专利技术属性】
技术研发人员：郑航，史治国，周成伟，陈积明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：