一种基于深度神经网络的信源数与DOA同时估计方法技术

本发明专利技术公开了一种基于深度神经网络的信源数与DOA同时估计方法，首先构造传感器阵列，然后构造协方差矩阵；再根据协方差矩阵获得由数据

【技术实现步骤摘要】
一种基于深度神经网络的信源数与DOA同时估计方法


[0001]本专利技术属于信号处理
，具体涉及一种信源数与DOA同时估计方法。

技术介绍

[0002]DOA(Direction of Arrival)估计(阵列目标测向)是阵列信号处理领域的一个重要研究内容，在通信、雷达、声呐、地震、勘探、射电天文等领域获得了广泛应用和迅速发展。MUSIC测向技术是一种超分辨技术，由Schmidt在文献“Multiple emitter location and signal parameter estimation[J].IEEE transactions on antennas and propagation,1986,34(3):276
‑
280”中提出的；MUSIC算法根据协方差矩阵的特征值大小把特征向量空间划分为信号子空间和噪声子空间，最后利用噪声子空间和目标信号导向向量之间的正交性，构造空间谱，通过搜素空间谱峰，获得目标DOA估计；但是这种做法的前提是已知真实信源个数，所以在信源数未知的情况下需配合其他方法预先实现信源数估计。大多信源数估计方法都是基于模型选择的统计学方法。AIC(Akaike Information Criterion)是由日本统计学家Akaike在文献“A new look at the statistical model identification[J].IEEE transactions on automatic control,1974,19(6):716
‑<br/>723”中提出的；AIC的基本思想是：对于每一个候选模型，计算其在观测数据下的似然函数的值并加上模型中参数的数量的惩罚，最后选择AIC值最小的模型作为理想结果。MDL(Minimum Description Length)由Schwartz和Rissanen在文献“Modeling by shortest data description[J].Automatica,1978,14(5):465
‑
471”中提出，它是一种基于编码理论的模型选择方法；MDL的基本思想是：对于每一个候选模型，计算其在观测数据下的编码长度，即在观测数据下用该模型表示所需的编码长度，最后选择编码长度最小的模型。这两种方法用于估计中，当各通道噪声功率一致时(称作均匀噪声)，信源数估计准确，但是在各通道噪声不一致导致的非均匀噪声情况下会有较大估计误差。针对非均匀噪声，Aouada等人基于连续阵元抑制在文献“Source detection in the presence of nonuniform noise[C]//2004IEEE International Conference on Acoustics,Speech,and Signal Processing.IEEE,2004,2:ii
‑
165”中提出了非均匀噪声MDL(Nonuniform noise MDL，NU
‑
MDL)；但是此方法在更差的噪声功率比(Worse Noise Power Ratio，WNPR)条件下预测精度下降，这是因为在阵列单元抑制后，非均匀噪声仍然保留在其他阵列单元中。一种基于信号子空间匹配的信源数检测方法SSM(Signal Subspace Matching)由Wax等人在文献“Detection of the number of signals by signal subspace matching[J].IEEE Transactions on Signal Processing,2021,69:973
‑
985”中提出；此方法只适用于中等以及高信噪比下的均匀和非均匀噪声的情况。
[0003]上述已有文献中，先信源数估计后DOA估计的两步走策略，导致误差累计，即信源数估计结果严重影响后续DOA估计，信源数估计错误会导致DOA估计均方根误差增大。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供了一种基于深度神经网络的信源数与DOA同时估计方法，首先构造传感器阵列，然后构造协方差矩阵；再根据协方差矩阵获得由数据
‑
标签对组成的训练数据
‑
标签集合；接下来利用训练数据
‑
标签集合训练深度神经网络；在测试阶段，将不在训练数据集合中的输入数据，输入到训练后的深度神经网络中，获得输出信号向量；最终通过判决条件求出输出向量中的有效信号个数和相应的有效角度值。本专利技术利用深度神经网络技术，在非均匀噪声下依然能准确获得信源个数并实现高精度的DOA估计。
[0005]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0006]步骤1：阵列由M个阵元组成，所述阵元为标量传感器；阵列接收K个远场、窄带目标信号，第k个信号的目标波达角为θ
k
；第m个阵元的接收信号为r
m
(t)；M个阵元的观测数据向量为r(t)＝[r1(t),r2(t),
…
,r
M
(t)]T
，其中，(
·
)
T
表示转置操作；
[0007]步骤2：构造协方差矩阵其中，(
·
)
H
表示共轭转置操作，N为采样数；
[0008]步骤3：根据获得由S组数据
‑
标签对组成的训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)}，其中x
i
表示第i个输入向量，y
i
表示对应的输出向量；
[0009]步骤4：利用训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)}训练深度神经网络；
[0010]步骤5：测试阶段，获得不在训练数据集合中的输入数据输入到经过步骤4训练后的深度神经网络中，获得输出信号向量
[0011]步骤6：通过判决条件求出输出向量y
out
中的有效信号个数和相应的有效角度值
[0012]进一步地，所述步骤1具体为：
[0013]步骤1
‑
1：假设收到的K个远场信号为DOAs＝(θ1,θ2,
…
,θ
K
),s(t)是由K个信源组成的向量s(t)＝[s1(t),
…
s
K
(t)]T
，A＝[a(θ1),a(θ2),
…
,a(θ
K
)]，a(θ
i
)是第i个角度的导向向量其中d
m
是第m个阵元和第一个阵元之间的距离，λ是信号的波长，j是虚数单位，噪声向量n(t)＝[n1(t),
…
,n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的信源数与DOA同时估计方法，其特征在于，包括如下步骤：步骤1：阵列由M个阵元组成，所述阵元为标量传感器；阵列接收K个远场、窄带目标信号，第k个信号的目标波达角为θ
k
；第m个阵元的接收信号为r
m
(t)；M个阵元的观测数据向量为r(t)＝[r1(t),r2(t),
…
,r
M
(t)]
T
，其中，(
·
)
T
表示转置操作；步骤2：构造协方差矩阵其中，(
·
)
H
表示共轭转置操作，N为采样数；步骤3：根据获得由S组数据
‑
标签对组成的训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)}，其中x
i
表示第i个输入向量，y
i
表示对应的输出向量；步骤4：利用训练数据
‑
标签集合{(x1,y1),(x2,y2),
…
,(x
S
,y
S
)}训练深度神经网络；步骤5：测试阶段，获得不在训练数据集合中的输入数据输入到经过步骤4训练后的深度神经网络中，获得输出信号向量步骤6：通过判决条件求出输出向量y
out
中的有效信号个数和相应的有效角度值2.根据权利要求1所述的一种基于深度神经网络的信源数与DOA同时估计方法，其特征在于，所述步骤1具体为：步骤1
‑
1：假设收到的K个远场信号为DOAs＝(θ1,θ2,
…
,θ
K
),s(t)是由K个信源组成的向量s(t)＝[s1(t),
…
s
K
(t)]
T
，A＝[a(θ1),a(θ2),
…
,a(θ
K
)]，a(θ
i
)是第i个角度的导向向量其中d
m
是第m个阵元和第一个阵元之间的距离，λ是信号的波长，j是虚数单位，噪声向量n(t)＝[n1(t),
…
,n
M
(t)]
T
；步骤1
‑
2：接收到的信号阵列：r(t)＝As(t)+n(t)。3.根据权利要求2所述的一种基于深度神经网络的信源数与DOA同时估计方法，其特征在于，所述步骤2具体为：步骤2
‑
1：协方差矩阵估计值为步骤2
‑
2：噪声协方差矩阵表示成：R
n
＝diag{p
n
}，其中是第m个元素的噪声能量。4.根据权利要求3所述的一种基于深度神经网络的信源数与DOA同时估计方法，其特征在于，所述步骤3具体为：步骤3
‑
1：取的右上三角元素排列组成一个维的向量b
cor
＝[R
1,2
,R
1,3
,
…
,R
1,M
,R
2,3
,
…
,R
2,M...

【专利技术属性】
技术研发人员：熊宇涛，柳艾飞，高徐裕，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：