基于残差图卷积神经网络的随机稀疏阵列角度估计方法及装置制造方法及图纸

本发明专利技术公开了一种基于残差图卷积神经网络的随机稀疏阵列角度估计方法及装置，对随机稀疏阵列的输出信号进行处理得到输入特征；构建RGNN模型并训练，得到随机稀疏阵列角度估计模型，RGNN模型包括依次连接的输入层、主干网络和输出层，主干网络包括依次连接的前馈神经网络层、第一残差模块、第二残差模块和全局平均池化层，第一残差模块和第二残差模块均包括构成残差连接的第一图卷积层和第二图卷积层，第一图卷积层和第二图卷积层的结构均包括依次连接的SAGE Conv卷积层、激活函数层和归一化层，SAGE Conv卷积层的结构为GraphSAGE；将阵列接收到的信号特征输入随机稀疏阵列角度估计模型，得到角度估计结果，具有更高的角度估计准确率和更低的测角误差。估计准确率和更低的测角误差。估计准确率和更低的测角误差。

【技术实现步骤摘要】
基于残差图卷积神经网络的随机稀疏阵列角度估计方法及装置


[0001]本专利技术涉及阵列角度估计领域，具体涉及一种基于残差图卷积神经网络的随机稀疏阵列角度估计方法及装置。

技术介绍

[0002]波达方向(DOA)估计是阵列信号处理研究领域中的关键技术。该类技术通过对传感器阵列接收信号的分析实现对信号源的空间定位，因此被广泛运用在无线通信、机载雷达、医疗诊断、无人机和声呐系统等领域。随着对高质量DOA估计的需求增加，高精度的DOA估计技术受到了广泛关注。
[0003]DOA估计算法可主要分为两大类型，一是传统的解析方法，如经典的波束形成和子空间超分辨算法等；二是运用智能计算方法解决DOA估计，其中包括了使用神经网络、模糊集合理论、遗传算法等。现在已经提出了很多传统DOA估计算法，如旋转不变子空间估计、MUSIC算法、压缩感知等高性能DOA估计算法。但是这些DOA估计算法在低信噪比、小快拍数以及阵列缺失的情况下稳健性较差，且时间复杂度很高，极大地限制了算法的应用范围。
[0004]近年来，神经网络被引入DOA估计领域，算法由数据驱动，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差图卷积神经网络的随机稀疏阵列角度估计方法，其特征在于，包括以下步骤：对随机稀疏阵列的输出信号进行采样，得到接收信号，根据所述接收信号构建数学模型，基于所述数据模型处理得到输入特征；构建RGNN模型并训练，得到随机稀疏阵列角度估计模型，所述RGNN模型包括依次连接的输入层、主干网络和输出层，所述主干网络包括依次连接的前馈神经网络层、第一残差模块、第二残差模块和全局平均池化层，所述第一残差模块和第二残差模块均包括构成残差连接的第一图卷积层和第二图卷积层，所述第一图卷积层和第二图卷积层的结构均包括依次连接的SAGE Conv卷积层、激活函数层和归一化层，所述SAGE Conv卷积层的结构为GraphSAGE；将所述输入特征输入所述随机稀疏阵列角度估计模型，得到角度估计结果。2.根据权利要求1所述的基于残差图卷积神经网络的随机稀疏阵列角度估计方法，其特征在于，所述对随机稀疏阵列的输出信号进行采样，得到接收信号，根据所述接收信号构建数学模型，基于所述数据模型处理得到输入特征，具体包括：假设目标空域范围内有K个独立的目标信号入射到一组由M元阵组成的均匀等距排布的阵列上，目标信号的入射角分别为θ1，θ2，...，θ
K
，在t时刻均匀等距排布的阵列的接收信号如下式：其中，a(θ
k
)表示目标信号的入射角θ
k
的方向向量，s
k
(t)代表第k个信号的包络，n
m
(t)代表在均匀等距排布的阵列的第m个阵元处产生的均值为0且方差为σ2的高斯白噪声，σ2是噪声功率，所述均匀等距排布的阵列的接收信号的矩阵形式为：X(t)＝[x0(t)，x1(t)，
…
，x
M
‑1(t)]
T
＝A(θ)S(t)+N(t)；其中，S(t)＝[s1(t)，s2(t)，...，s
K
(t)]
T
；A(θ)＝[a(θ1)，a(θ2)，...，a(θ
K
)]
T
；N(t)＝[n0(t)，n1(t)，...，n
M
‑1(t)]
T
；其中，X(t)是均匀等距排布的阵列的接收信号矩阵，S(t)是信号包络矩阵，N(t)是阵列噪声矩阵，是阵列流形矩阵，并且j表示虚数单位，表示复数域，表示实数域；则均匀等距排布的阵列的接收信号X(t)的协方差矩阵如下式：R
xx
＝E{X(t)X
H
(t)}＝A(θ)R
ss
A
H
(θ)+σ2I；其中，R
SS
是信号包络矩阵S(t)的协方差矩阵，是单位矩阵，(
·
)
T
和(
·
)
H
分别表示转置算子和共轭转置算子；具有不同稀疏度的随机稀疏阵列表示为与随机稀疏阵列同样孔径大小的均匀等距排布的阵列的首尾阵元固定不变，阵列内部按照不同的稀疏度随机产生一定数量的阵元缺失，该缺失部分天线阵元的接收信号值为0；假设随机稀疏阵列的接收信号的表达式为将A(θ)中部分a(θ
K
)根据随机稀疏的情况而置为0，得到随机稀疏阵列的流形矩阵则有如下表达式：
其中，其中，表示随机稀疏阵列中目标信号入射角的方向向量；随机稀疏阵列的接收信号的协方差矩阵如下式：将均匀阵列的接收信号X(t)和随机稀疏阵列的接收信号统一定义为统一定义为针对于接收信号有多个快拍数的情况，阵列的协方差矩阵的表达式为：其中，P为采样快拍数；对复数矩阵形式的协方差矩阵R进行处理，具体如下：其中，Re(
·
)和Im(
·
)分别表示复数的实部和虚部，R
i，j
表示协方差矩阵R中第i行第j列元素，再对矩阵做归一化处理，得到输入特征做归一化处理，得到输入特征其中，||
·
||2表示L2范数算子。3.根据权利要求2所述的基于残差图卷积神经网络...

【专利技术属性】
技术研发人员：张淼，杨漪烨，彭世华，叶名锟，张贻雄，
申请(专利权)人：厦门大学，
类型：发明
国别省市：